本研究基於葉怡成教授提出的台股三因子量化交易策略，透過多個面向的優化，大幅提升策略績效。
[本文回測期間皆為 2005/01/01 ~ 2025/03/03]
基礎策略使用三個基本的因子：
- 獲利因子 - ROE
- 價值因子 - 股價淨值比
- 動能因子 - 過去3個月漲幅
原始策略採用季度再平衡，基礎實作如下：
from quantdev.backtest import *
ROE = get_factor('常續ROE')
MTM = get_factor('mtm_3m')
PBR = get_factor('股價淨值比', asc=False)
classic_tw3factor = backtesting(
get_factor(ROE+PBR+MTM)>=0.99, # 等權配置
rebalance='Q' # 每一季底再平衡 (使用最近一期的財報資料)
)
classic_tw3factor._plot_equity_curve()
經典的三因子策略已經可以取得優異的報酬，但仍然可以針對個別因子與參數進行更細緻的調整。
我們提出假設：ROE的變化率可能比其絕對值更具預測性。為驗證這點，我們比較了三種獲利指標：
- ROE（原始值）
- ROE_Y（年增率）
- ROE_Q（季增率）
from quantdev.analysis import *
profit_factors = {
'ROE': get_factor('常續ROE'),
'ROE_Y': get_data('常續ROE_yoy_diff'),
'ROE_Q': get_data('常續ROE_qoq_diff'),
}
profit_quantiles = pd.DataFrame()
for k, v in profit_factors.items():
result = factor_analysis(v, rebalance='QR')
profit_quantiles = pd.concat([
profit_quantiles,
result.summary_dfs['quantiles'].rename(columns={'Quantiles Returns':k})
], axis=1)
display(profit_quantiles)
由分析結果可見，ROE_Y 無論是前10百分位組或多空組合的的報酬率皆是最高，而 ROE_Q 的報酬率則更遜於 ROE，推測這是由於傳統台股具有淡旺季起伏，因此 QoQ 較無法體現 ROE 的變化，因此我們選擇 ROE_Y 作為新的獲利因子。
傳統使用的PBR雖然表現不錯，然而其缺點是當股價下跌則可能導致 PBR 降低，變成 "越跌越買"，因此我們參考顧廣平教授的《單因子, 三因子或四因子模式?》，嘗試比較四種常見的價值因子：
- 本益比 = 股價 / 每股盈餘
- 股價淨值比 = 股價 / 每股淨值
- 股價營收比 = 股價 / 每股營收
- 市值營收比 = 市值 / 營收
value_factors = {
'PER':get_factor('本益比', asc=False),
'PBR':get_factor('股價淨值比',asc=False),
'PSR':get_factor(get_data('收盤價')/get_data('每股營業收入'),asc=False),
'MCAP_TO_REV':get_factor(get_data('個股市值(元)')/get_data('營業收入'), asc=False),
}
value_quantiles = pd.DataFrame()
for k, v in value_factors.items():
result = factor_analysis(v, rebalance='QR')
value_quantiles = pd.concat([
value_quantiles,
result.summary_dfs['quantiles'].rename(columns={'Quantiles Returns':k})
], axis=1)
display(value_quantiles)
雖然PBR的表現最佳，但考慮前面提到的固有缺陷，我們選擇表現次佳且更穩健的市值營收比作為新的價值因子。
傳統的動能因子衡量股價過去一段時間的累計漲跌幅度，然而根據《Frog in the Pan: Continuous Information and Momentum》，動能可以進一步區分為緩漲、暴漲，而較好的動能應該是每天漲一點點、漲幅有延續性，而不是瞬間暴漲。該文提出了新的計算動能的方式:
FIP = sgn(PRET) × ([%neg − %pos])
其中 sgn(PRET) 是過去一段時間股價變化是否為正，%neg 是股價下跌的天數佔比，%pos 是股價上漲的天數佔比。
與此同時，改善價格動能策略的簡單辦法 認為週轉率對於台股的 FIP 同樣重要，因此我們使用周轉率 + %pos 合成新的FIP因子。
MTM = get_factor('mtm_3m')
returns = get_data('報酬率')
turnover = get_data('周轉率')
days = 20
FIP = get_factor(
get_factor(
returns.apply(lambda x: ((x>0).rolling(days).sum()))
) +
get_factor(turnover.rolling(days).mean(), asc=False)
)
mtm_quantiles = pd.concat([
factor_analysis(MTM, rebalance='M').summary_dfs['quantiles'].rename(columns={'Quantiles Returns':'MTM'}),
factor_analysis(FIP, rebalance='M').summary_dfs['quantiles'].rename(columns={'Quantiles Returns':'FIP'}),
], axis=1)
display(mtm_quantiles)
由回測結果可見，FIP 的報酬率較 MTM 更高，且波動較小，因此我們選擇 FIP 作為新的動能因子。
我們將更新後的因子進行組合並回測
ROE_Y = get_factor('常續ROE_yoy_diff')
MCAP_TO_REV = get_factor(get_data('個股市值(元)')/get_data('營業收入'), asc=False)
FIP = get_factor(
get_factor(
returns.apply(lambda x: ((x>0).rolling(days).sum()))
) +
get_factor(turnover.rolling(days).mean(), asc=False)
)
improved_tw3factor = backtesting(
get_factor(ROE_Y+MCAP_TO_REV+FIP)>=0.99, # 等權三因子
rebalance='QR',
)
由圖可見，改進後的策略在年化報酬率、MDD、波動度上都有所提升，然而，在選股池、再平衡時機上我們仍可以做得更多。
- 在選股池上，我們參考《雙動能投資：高報酬低風險策略》，基於絕對動能 (個股自身過去的漲幅) 的概念，只投資在均線之上的股票。
- 在再平衡時機上，我們可以提高再平衡的頻率以實現更高的周轉率，同時確保我們使用最新的財務數據進行交易，而不是過時的資訊。
close = get_data('收盤價')
above_20d_ma = close>=close.rolling(20).mean()
improved_tw3factor2 = backtesting(
get_factor(ROE_Y+MCAP_TO_REV+FIP, universe=above_20d_ma)>=0.99, # 等權三因子, 並限制只投資在月線之上的股票
rebalance='MR', # 每月月營收公布時再平衡
)
improved_tw3factor2._plot_equity_curve()
本研究透過兩個階段優化台股三因子策略:
- 改良策略使用ROE年增率/市值營收比/FIP因子，將年化報酬提升至37.79%，最大回撤降至47.40%
- 最終策略限制只投資在月線之上的股票，並提高再平衡頻率至每月，成功將年化報酬提升至42.87%，最大回撤降至34.05%，同時Beta也降至0.38，顯示策略的穩健性提高
| 原始策略 | 改良因子策略 | 最終策略 | |
|---|---|---|---|
| Total return | 12825.82% | 45830.07% | 96718.19% |
| Annual return | 27.29% | 37.79% | 42.87% |
| Max drawdown | -60.41% | -47.40% | -34.05% |
| Annual volatility | 20.21% | 16.78% | 21.45% |
| Sharpe ratio | 1.4 | 2.3 | 2.0 |
| Calmar ratio | 0.45 | 0.8 | 1.3 |
| Beta | 0.61 | 0.41 | 0.38 |
整體而言，最終版本的策略在風險與報酬上都有明顯改善。