Page 5 - MFB24論文-王維彤2024final

討在台灣高股息 ETF 中，比較高股息因子和低波動因子兩種不同權

重分配方法的績效，並進一步驗證低波動因子在投資組合權重分配上

對績效的影響。

自從 Ang et al. (2006) 觀察到低風險帶來高報酬的現象，提出了

低波動效應 (low volatility effect) 的概念後，近年來不論在實務上與

學術上的研究都日益增多。例如 Blitz et al. (2007) 研究結果說明，具

有低波動率的股票在長期內可以獲得更高的風險調整後收益率，說明

了低波動率效應的存在。Ang et al. (2009) 發現，高波動率股票的收

益率往往低於低波動率股票，這說明高波動率股票的風險溢價更

高。Baker et al. (2012) 則通過對 21 個發達國家和 12 個新興市場的

分析，低波動股票的投資組合在全球各種市場中都能獲得優於預期的

回報。Asness et al. (2013) 發現買入低 Beta 係數的股票，同時做空

風險較高的高 Beta 係數股票，也稱為反押注策略 (betting against

beta，BAB) 在美國 49 個產業中的每一個產業以及全球 70 個產業

中的 60 個產業都帶來了正報酬，這說明其風險調整後的收益率更

高。Frazzini and Pedersen (2014) 同樣的通過做多槓桿化的低 Beta 資

產和做空高 Beta 資產，實證結果也產生了顯著的風險調整後的正收

益。再次說明了低波動異常在全球主要市場的普遍存在。

在台灣，邱萬益 (2019) 採用了低波動最小變異數投資組合 (local

minimum-variance portfolio，以下簡稱 LMVP) 模型，並建立了 12 組

不同的 LMVP 投資組合，實證發現 LMVP 策略可以達到控制風險

的目標，並且可以打敗大盤。楊蓁 (2017) 則發現台灣市場確實具低

波動度異常現象，在市場風險高時，能擴大低波動度投資組合的報

酬。陳韻清 (2023) 構建在低波動策略基礎上融合了深度強化學

習 (deep reinforcement learning，以下簡稱 DRL ) 與量化交易策略的

投資組合配置模型在不同市場情境下的績效表現，實證結果發現在

DRL 的低波動量化交易模型，在投資績效及風險防禦方面均有卓越

3