Page 14 - MFB24論文-王維彤2024final

有低 Beta 值的效果。這說明了 LMVP 策略可以達到控制風險的目

標，並且可以打敗大盤。

陳韻清 (2023) 使用深度強化學習 DRL 技術構建了低波動投資

組合，作者選擇了美國基礎股票型 ETF 和債券型的 ETF 作為主要

資產類型，並將投資標的與市場波動度納入深度強化學習的獎勵函

數。具體來說，作者使用了以下方法，首先使用市場近三個月每日價

格變動的變異數以及市場大盤在同一期間的價格變異數來調整獎懲

函數。其次，適時因應投資標的與市場波動度相對關係給予獎懲。作

者使用 DRL 技術訓練了三個投資組合，分別為無波動投資組合、低

波動投資組合一以及低波動投資組合二。實證結果說明，三個模型的

年化報酬率分別為 22.77%、19.95% 和 20.65%，皆優於市場大盤。其

中，兩個低波動 DRL 模型較市場大盤提供了月 30% 的安全邊

際，比無波動模型的 16.26% 更能保護資產。由此說明了構建低波動

的投資組合策略，無論在美股或台股皆有實證驗證其有效性。

另一種策略是構建多空因子，即同時買進低波動資產和放空高波

動資產的投資組合,由於成本相同，無需付出資金即可套利，因此也

稱為零成本投資組合。Frazzini and Pedersen (2014) 發表了反押注

Beta 的 BAB 的論文，專門探討了 BAB 策略的有效性。反押注市

場 Beta 策略是一種利用低波動因子構建投資組合的投資策略，通過

做多槓桿化的低 Beta 資產和做空高 Beta 資產，結果產生了顯著的

正的風險調整後收益。該策略的基本原理是，當市場 Beta 比 CAPM

預測的更加平坦時，押注低 Beta 證券將獲得超額收益。作者研究發

現，在 1926 年至 2012 年期間，BAB 策略在美國股市實現了 0.78

的夏普比率，是同期價值因子夏普比率的兩倍，也比同期動量因

子 (momentum factor) 高出了 40%。作者的研究還發現，BAB 策略

在 不 同 國 家 、 不 同 時 間 、 不 同 規 模 的 證 券 以 及 不 同 特 有 風

險 (idiosyncratic risk) 的證券中都表現出了穩健的有效性。在 1926

12