Page 14 - MFB24論文-王維彤2024final
P. 14

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
   9   10   11   12   13   14   15   16   17   18   19