動能策略到底有沒有效？

先從動能是什麼說起。

假設把市場裡的股票按照過去一年的報酬排成一列，一邊是漲得最多的贏家，另一邊是跌得最多的輸家。動能策略做的事，就是買進前者，避開或放空後者。

它背後的想法並不複雜。股票上漲後，趨勢不一定會立刻停止；股票下跌後，壞消息也不一定已經完全反映在價格裡。投資人反應得慢、分析師逐步調整預測、資金跟著績效流動，都可能讓原本的價格方向延續一段時間。

不過，動能並不是看到一檔股票昨天上漲，今天就追進去。經典做法通常觀察過去幾個月至一年的報酬，並且刻意跳過最近一個月，以避開很短期的價格反轉。本文使用的 12-1 動能就是如此。它觀察過去十二個月，但不計算離現在最近的那一個月。

動能研究的起點通常追溯到 Jegadeesh 和 Titman 在 1993 年發表的〈Returns to Buying Winners and Selling Losers〉。他們發現，過去表現較好的股票，在接下來一段時間仍傾向跑贏過去表現較差的股票。這個結果後來被整理成 UMD 因子，也就是 Up Minus Down，衡量贏家和輸家之間的報酬差。

後續研究開始追問另一個問題。動能雖然長期平均報酬為正，為什麼偶爾會跌得這麼重？

Barroso 和 Santa-Clara 在 2015 年提出波動管理。當近期動能波動升高時，策略主動降低部位，希望避開少數特別嚴重的虧損。Daniel 和 Moskowitz 在 2016 年則進一步研究動能崩潰。他們發現，動能常在市場經歷下跌後的快速反彈中受傷，因為原本的輸家會突然大幅上漲。

另一條研究路線懷疑，普通動能可能只是混入了市場 beta 或其他共同因子。Blitz、Huij 和 Martens 因此提出殘差動能，先扣除市場、規模與價值因子的影響，再從剩下的個股報酬裡尋找趨勢。

所以，動能並不是一條簡單的「買強賣弱」規則。過去三十年的研究，已經從報酬是否存在，一路問到它為什麼崩潰、如何控制風險，以及訊號裡究竟混入了什麼。

照理說，研究做到這個程度，「動能到底有沒有效」應該已經沒有多少懸念。

可是，把這些想法放進一個真的能持有的 Nasdaq-100 組合後，答案卻沒有那麼直接。

從 1927 年一路算到 2026 年，美國 UMD 動能因子的年化平均報酬是 7.27%，t 值為 4.82。這表示它的長期報酬很難只用運氣解釋。動能也不是只在美國出現，其他國家與資產類別都留下過類似證據。

資料為 Fama–French UMD 月報酬。年化與統計定義見附註 1。

然而，2015 年至 2026 年 8 月，每月買進 Nasdaq-100 中動能最高的二十檔股票，組合的年化平均報酬為 19.95%，同期 QQQ 為 19.26%。看起來確實贏了，只是差距只有 0.76 個百分點，t 值也只有 0.21。

若再扣除 QQQ 的市場曝險，年化 alpha 只剩 0.06%，t 值為 0.02，幾乎就是零。

那問題就來了。學術資料裡的動能明明很清楚，實際組合的報酬也不差，為什麼扣掉 QQQ 的影響後，alpha 幾乎沒有留下來？

既然動能證據這麼多，照著做不就好了？

麻煩就在於，這裡的「照著做」其實沒有想像中直接。

學術文獻中的 UMD 並不是單純買進一批強勢股。它先把整個市場的股票依照過去報酬排序，再買進贏家、放空輸家。最後觀察的是兩邊之間的報酬差。

放空輸家不是一個可有可無的選項。換句話說，少了空頭部位，市場共同上漲的那一段就不會被抵銷，最後看到的報酬自然會混進更多大盤成分。

實際投資通常沒那麼完整。投資人可能不願意放空，也不會持有整個市場，只能從一個熟悉且能買到的股票池裡挑選標的。這裡使用的是 Nasdaq-100，而且只買進排名最高的二十檔。組合保留了動能的選股方式，卻拿掉了輸家那一邊。

既然如此，市場本身的漲跌就會重新進入組合。Nasdaq-100 又以大型成長股為主，所以動能組合和 QQQ 之間本來就會有很高的共同波動。實際估計的 beta 為 1.04，也就是 QQQ 上漲或下跌 1% 時，這個組合平均會往同一方向移動約 1.04%。

到這裡，前面的結果就比較容易理解了。組合年化報酬接近 20%，不代表其中有 20% 來自動能。大部分報酬可能只是持有 Nasdaq-100 的結果，動能真正多帶來多少，需要另外拆開。

那要怎麼拆？

首先，回測不能站在今天回頭挑股票。早期探索曾經使用事後整理的股票名單，由於那份名單帶有未來資訊，相關結果不納入本文。這次改用每個月份當時的 Nasdaq-100 成分股，並且只使用當時已經可以取得的價格。

目前資料共涵蓋 13,974 個成分股月份，其中 301 個月份缺少價格，覆蓋率為 97.8%。缺漏資料可能影響個別月份的排序，但無法確定偏誤方向。因此，以下結果只能解讀為現有 point-in-time 資料下的估計，不是一份毫無缺口的歷史重建。

資料處理乾淨之後，仍然剩下一個很直覺的疑問。即使做不到論文裡完整的多空因子，這二十檔股票畢竟不是隨便挑的。它們真的沒有比其他 Nasdaq-100 公司更好嗎？

那會不會只是 QQQ 這個比較對象不公平？

QQQ 並不只是「持有 Nasdaq-100」。它還按照公司市值分配權重。少數大型公司占有很高比重，其餘公司的影響則相對有限。

可是，動能二十檔組合採用的是等權。無論公司大小，每檔股票起始權重都是 5%。因此，直接拿它和 QQQ 比較時，差異不只來自選了哪些股票，也來自資金如何分配。

若要單獨觀察選股效果，可以把比較對象改成等權 Nasdaq-100。兩邊都採用等權，主要差別便剩下是否經過動能排序。

這樣一比，動能選股看起來就有些不同了。等權持有所有 Nasdaq-100 成分股的年化平均報酬為 14.98%，動能二十檔則為 19.95%。兩者相差 4.96 個百分點，t 值為 1.29。

這個結果還不到一般會稱為統計顯著的程度，但也不能直接當成零。至少在這段樣本中，動能選出的二十檔股票，確實比等權持有整個 Nasdaq-100 表現更好。

看到這裡，很自然會得到另一個猜測。也許動能排序確實有作用，只是 QQQ 剛好重押了幾間表現很強的巨型公司，才讓兩者最後看不出差距。

這個解釋聽起來合理。那既然如此，只要固定動能選出的股票，再把權重改得更接近 QQQ，應該就能看出超額報酬究竟來自哪裡。

事前預期是，超額報酬可能縮小，但不至於完全消失。畢竟股票還是那些股票，動能訊號也沒有變。

結果偏偏不是這樣。

股票都沒換，為什麼答案會翻到另一邊？

那就先把選股固定下來，只動權重看看。

股票不換，動能排名不換，換股日期也不換。唯一的改動，是把每檔 5% 的等權配置改成市值加權。

若報酬主要來自動能選股，這個版本仍然持有同一批贏家，理論上應該保留部分效果。然而，市值加權版本的年化平均報酬只有 18.26%，相對 QQQ 的超額報酬為負 0.85%。

原本等權版本領先 0.76%，改成市值加權後反而落後 0.85%。

到這裡，前面那個解釋就站不太住了。

動能選出的股票沒有改變，結果卻從贏變成輸。既然訊號保持不動，改變的那一部分報酬只能來自權重。因此，等權配置不是包裝策略的一個小細節，它本身就是策略報酬的一部分。

這並不能證明原來的 0.76% 全部由等權造成。樣本不長，兩個估計值也都不精確。較窄而且更安全的解讀是，現有資料無法將等權版本的領先完整歸因於動能。

說白一點，股票沒有換，訊號也沒有換，只改了權重，結果就從贏變成輸。那前面多出來的報酬，當然不能全部算在動能頭上。

等權前 20 名相對 QQQ 為 +0.76%（t = 0.21）；市值加權版本為 −0.85%（t = −0.26）。市值資料處理見附註 3。

原來「動能策略」這個名稱比實際內容簡單很多。組合裡同時存在動能排序、Nasdaq-100 的市場曝險，以及等權相對於市值加權的差異。績效曲線把這些東西加在一起，卻不會主動告訴讀者每一部分貢獻了多少。

不過，問題還沒有完全結束。也許權重只是把一個本來就不夠純的動能訊號放大了。那如果把訊號做得更集中、更乾淨，結果會不會不一樣？

如果只留下最強的股票，效果會不會比較明顯？

二十檔股票或許太多了。排名接近第二十名的公司，動能強度自然不如前幾名。如果這些股票稀釋了訊號，只持有前十檔應該能提高報酬效率。

然而，Top-10 的結果沒有支持這個想法。它的 Sharpe ratio 和 Top-20 大致相同，加入相同的波動管理後反而更差。集中持股放大了個別公司的影響，卻沒有帶來更清楚的動能報酬。

那會不會是普通動能挑到的，只是近期跟著市場一起上漲的高 beta 股票？

殘差動能正是為了處理這個問題。它先扣除市場、規模與價值等共同因子的影響，再依照剩餘報酬排序。若普通動能混入太多市場曝險，殘差版本應該選出一批不太一樣的股票。

可是，結果又沒有想像中那麼不一樣。

殘差動能和普通動能的報酬相關係數高達 0.94。年化波動由 23.2% 降至 20.8%，但 Sharpe ratio 從 1.04 降至 1.01，平均換手率則由 25% 升至 32%。2020 年 3 月，殘差版本甚至跌得更多。

這不表示殘差動能在其他市場無效。Nasdaq-100 本來就是一個相對集中的股票池，成分股大多暴露於相近的成長與科技因子。扣掉共同波動後，剩下可供排序的公司差異可能沒有想像中多。

換句話說，方法確實變複雜了，選出來的東西卻幾乎還是同一組。至少在這個股票池裡，殘差化沒有分離出另一套更有用的動能訊號。

到這裡，幾個看似合理的修正都沒有讓 alpha 變得更清楚。增加集中度沒有用，換一套更純的訊號也沒有用。原本以為只是某個設定不夠好，繞了一圈之後，問題反而更像是投資範圍本身限制了動能可以提供的東西。

既然報酬很難再提高，問題便只好轉向另一邊。動能最令人擔心的從來不只是平均報酬，而是偶爾會出現很深的虧損。

那至少能不能讓它少跌一點？

動能的麻煩，往往出現在少數幾個月

動能策略的虧損通常不是平均分布。換句話說，風險往往不是每個月多跌一點，而是平常看不出異常，少數月份卻突然跌得很深。

這類虧損常發生在市場由急跌轉為反彈時。原本的輸家突然大幅上漲，原本的贏家同時落後，正好打中多空動能的兩側。

Barroso 和 Santa-Clara 的波動管理不試圖預測反彈何時發生。它只觀察近期動能報酬的波動。波動升高時降低部位，平靜時再恢復。

完整 UMD 歷史中，這個做法確實減輕過幾次動能崩潰。2009 年 4 月，原始 UMD 下跌 26.8%，管理版本下跌 7.9%。2020 年 11 月，跌幅也從 12.0% 降至 4.1%。

看起來風險問題似乎找到了解法。可是，放進 Nasdaq-100 多頭組合後，結果又多了一層。

波動管理把最大回撤從負 31.0% 降至負 23.6%，最差單月由負 19.9% 收窄至負 14.5%。這一部分確實符合預期。然而，年化平均報酬也從 19.95% 降到 14.13%，Sharpe ratio 從 0.87 降至 0.80。

所以，它讓組合少跌了一些，卻沒有提高每單位風險換到的報酬。對真的會因為回撤而中途離場的人來說，這仍然可能有價值。只是這個價值來自比較容易持有，不是來自更高的 alpha。

既然單靠波動還不夠，那能不能再聰明一點，只在熊市裡縮小部位？

依照 Daniel 和 Moskowitz 的想法加入熊市閘門後，訊號主要在 2022 年 10 月至 2023 年 11 月啟動。偏偏 2022 年 10 月的動能組合上漲了 8.1%，閘門卻在這個月降低部位。它等到跌勢已經發生才確認熊市，接著切掉的反而是反彈。

幾種熊市設定的 Sharpe ratio 都低於單純波動管理版本。這項結果不能推翻原論文。說得更精確一點，這裡使用的是 Nasdaq-100 多頭組合、簡化的市場狀態代理，而且樣本中沒有長時間的熊市。能下的結論只有，這個熊市閘門在目前環境裡沒有改善策略。

熊市閘門沒有改善結果，那會不會是原本的風險限制反而太保守？

下一個檢驗取消一倍曝險上限，允許模型在市場平靜時使用槓桿。無上限版本的最高曝險達到 1.49 倍，年化報酬約增加 1.2 個百分點，Sharpe ratio 卻只提高 0.01。

更麻煩的是，模型在 2020 年 2 月仍然帶著槓桿。因為當時觀察到的歷史波動還很低，系統看不見即將發生的急跌。

到這裡才比較看得清楚，波動管理能做的事其實有限。它可以在風險已經升高時縮小部位，卻無法知道一次突然的下跌即將開始。風險上限看起來犧牲了一點報酬，實際上是在防止模型對平靜的過去做出太有把握的反應。

本文只使用目前仍能重製的結果。早期遺失腳本的摘要數字沒有納入，見附註 4。

原來「有效」問得太快了

回到最初的問題，動能策略到底有沒有效？

若指的是學術上的動能現象，答案仍然偏向肯定。近百年的 UMD 報酬很難由隨機波動解釋。即使最近二十年的結果弱了許多，現有資料也不足以宣告動能已經消失。

但若問題是，只買 Nasdaq-100 裡動能最高的二十檔股票，能不能穩定打敗 QQQ，目前的答案並不樂觀。等權版本多出 0.76%，差距不顯著，alpha 也接近零。更換權重後，超額報酬還會直接轉為負數。

這裡多少有點可惜。長期證據如此完整的因子，到了可以實際持有的組合裡，沒有自動變成一條穩定勝過 QQQ 的曲線。增加集中度、改用殘差動能或加入熊市判斷，也沒有把缺少的 alpha 找回來。

不過，繞了一圈之後，答案反而清楚了。

原來前面一直卡住，是因為學術研究和實際策略回答的根本不是同一題。學術上的動能問的是，過去贏家和輸家之間是否長期存在報酬差。實際策略問的則是，在某個股票池裡，只保留多頭、選定持股數量、決定權重，再加上風險限制後，投資人最後會得到什麼。

兩者當然有關，但不能直接畫上等號。

最容易被忽略的，偏偏是看起來最普通的權重。股票沒換，訊號沒換，換股日期也沒換，只把等權改成市值加權，結果便從小幅領先變成落後。讀到這裡才會發現，先前被稱為「動能報酬」的東西，原來一直混著投資組合設計的影響。

所以，動能並沒有失效。只是從一個被研究近百年的因子，走到一個真的能買、也真的能持有的組合，中間每一個看似普通的決定，都可能比訊號本身更接近最後看到的績效。