類股輪動加波動目標：每日再平衡能贏，但月頻就沒戲，一份策略上架前的八關體檢

一句話結論

我們對一個外觀漂亮的類股輪動策略跑了八項上架前體檢，結果是「 有條件推薦，但只能做每日再平衡，且交易成本不能太高 」——8 項裡面通過 6 項，月頻版本徹底失靈，0.2% 的單邊交易成本就能把每日版的優勢吃掉一大半。這篇文章把這場「策略體檢」的細節攤開給你看：什麼通過、什麼沒通過、以及為什麼一個看起來年化夏普 2.16 的策略，依然不能直接拿去交易。

為什麼要做這場體檢

這支策略的基本配方很單純：把美股 8 大類股 ETF（XLK / XLF / XLV / XLE / XLI / XLY / XLP / XLU）的近期動能排序， 每天 選出動能最強的那一支，配上 VIX 倒數型的波動目標權重（公式 12/VIX，限制在 0 到 1 之間），剩下的 50% 部位放黃金（GLD）。

紙面數字非常吸引人：

• 風險調整後報酬（年化夏普）： 2.16 （基準 SPY 加 GLD 配置只有 1.34）
• 年化複合成長率（CAGR）： 27.4% 
• 最大回撤： -15.1% 
• 樣本期： 2005-01-03 到 2026-03-27 ，共 5,283 個交易日

問題是：這數字真的能落地嗎？學術上常說「過度擬合的策略，回測都很漂亮」。要把策略放到自家平台讓人追蹤，我們必須先過八項硬性門檻，這也是這份體檢報告的目的。

八項體檢項目

我們把策略丟進八個獨立的壓力測試：

 最終 6/8 通過，verdict 是「有條件推薦」 ——可以追蹤、可以上架研究頁，但 只允許每日再平衡版本 ，且必須警告交易成本風險。下面細看每一關。

關卡一：超額報酬達顯著水準嗎？

「夏普高」不等於「真的有 alpha」。第一關要看的是：策略對基準的 每日超額報酬 ，在做完自相關修正（用標準的統計學工具壓掉時間序列噪音）之後，統計強度是否仍夠強到在學術界主流嚴格門檻（一般要求 統計強度大於 3 ）以上。

這支策略的數字：

• HAC 修正統計強度： 10.87 
• 簡單統計強度（無修正）： 10.36 
• 落後 1 / 5 / 10 / 20 / 50 階的統計強度都在 10.5 至 12.3 區間穩定

簡單講：不管用什麼合理的自相關修正設定，這個策略都遠超門檻。 第一關通過 。

關卡二：拆成小段樣本外，還會贏嗎？

策略最常見的「假漂亮」就是 全期回測過得去，分段就翻車 ——往往代表它只在某段時期占便宜。為了反制這種陷阱，我們把 21 年資料切成兩種不重疊方案：

 方案 A （標準切法）

 方案 B （錯位切法）

兩個方案  5/5 全勝 ，且每段統計強度都 ≥ 3.46。優勢跨 金融海嘯、歐債危機、貿易戰、COVID、2022 熊市 五個獨立樣本期都還站得住，可以排除「靠某幾年特例堆出來」的可能。 第二關通過 。

關卡三：月頻再平衡，理想很豐滿，現實很骨感

這一關才是策略的致命傷。

每日再平衡需要 14.4% 的日換手率。轉成成本，年化交易成本可能會吃掉相當一部分報酬。所以我們很自然會想： 如果改成每月再平衡，省下大量交易成本，是不是更實用？ 

結果令人失望：

 只要把頻率拉到週以上，策略對基準的優勢就消失 。月頻策略的夏普 1.23 甚至 低於基準的 1.34 ，統計強度只有 0.39，徹底沒有意義。

這句話的真實含意是： 這個策略本質上是高頻訊號 ——動能訊號的可獲利期非常短，類股的相對動能在週尺度上就被市場吸收掉了。 第三關沒過 。

關卡四：動能視窗敏感度

如果一個策略只在「正好 60 天動能」這個特定參數下會贏，那它八成是過度擬合到歷史資料的某個模式。我們檢查了從 20 天到 252 天的動能視窗：

 從 20 天到 252 天通通通過嚴格統計門檻 ，且一個有意思的權衡浮現： 短視窗（20-40 天）夏普更高，但換手率也更高 。也就是說，「想要更高報酬就要付更多交易成本」這條線在這個策略上很明顯。 第四關通過 。

關卡五：交易成本生存力，這才是上架前最該擔心的事

把單邊交易成本一階階加上去：

 每日再平衡 

每日再平衡版本的 每年盈虧平衡單邊成本是 25.9 bp ——也就是說只要單邊成本超過 0.26%，這個策略的優勢就會在統計強度上被磨光。對 ETF 來說，0.05–0.10% 是常見區間，這一關 剛好可以過 。

但若你是用機構未公開的內部報價，或在美股集中度差的小資產（如 XLU / XLP）大進大出，slippage 可能逼近 20 bp，那策略就 只剩一根毛線那麼厚的安全邊際 。

 月頻版本一加成本就完全垮掉 ，盈虧平衡點是  0 bp ——意思是「月頻版本連免費交易都贏不了基準」。

關卡六：Top-1 真的最佳嗎？

用直覺，「分散持有 Top-3 或 Top-5 應該比集中在 Top-1 安全」。但實證結果不是這樣：

 集中度越高，夏普越好，但回撤稍大、換手率較低 ——這個結果其實合理：當動能訊號真的有預測力時，把它 稀釋到 Top-3 或 Top-5 反而是在浪費訊號 。但 因為 Top-1 同時換手率最低、夏普最高 ，這是少見的「集中又便宜」雙贏配置。 第六關通過，建議維持 Top-1 。

關卡七：重抽樣信賴區間

我們對策略對基準的每日夏普差跑了 5,000 次重抽樣比較：

• 每日：平均夏普差 =  +0.812 ，95% 信賴區間  [+0.628, +0.996] ，0% 機率輸給基準 →  顯著 
• 月頻：平均夏普差 =  −0.117 ，95% 信賴區間  [−0.301, +0.063] ，10.36% 機率小贏 →  不顯著 

換句話說，每日版本的優勢在重抽樣下 極為穩固，下緣都還有 +0.63 的差距 ；但月頻版本在重抽樣下根本不知道會贏還會輸。 第七關每日通過、月頻沒過 。

關卡八：危機期間表現

最後一關是「壓力測試」。把策略丟進歷史上幾次大型壓力期，看是不是某些時候會兵敗如山倒：

 幾乎每一次重大壓力期間，每日策略都正報酬或回撤遠小於基準 。COVID 崩盤短期間策略確實也虧 4.8%，但比基準的 -6.0% 好。2022 熊市最具代表性：基準虧 6.7%，策略賺 9.0%。 第八關通過 。

為什麼月頻完全失靈？一個直觀解釋

我們看完數字，回頭問一個關鍵問題： 為什麼日頻贏這麼多，月頻就完全沒戲？ 

最直觀的解釋是： 類股動能訊號是一個短半衰期的訊號 。一個類股在 60 天內的累積動能，反映的是 「這一波輪動正在進行」 ——但類股輪動的節奏，平均每 1-2 週就會洗一次牌。如果你只在月初看一次，等於每次都晚進場 2-3 週，把訊號最尖銳的那一段全錯過。

這也解釋了為什麼 動能視窗 20 天的版本反而最強 ：訊號越新，越能抓住下一段輪動的早期。這支策略真正的 α 來源很短促， 在於搶輪動的時間差 ，與「預測長期趨勢」是兩件事。

警告與限制

這份體檢有幾個誠實要說的限制：

1.  同日訊號使用警告 ：原始程式碼把當日動能（含當日報酬）與當日報酬一起入帳。雖然動能訊號是 60 天累積，當日報酬在訊號裡的權重很小（約 1/60），但嚴格來說這仍是「同日資訊使用」，可能輕微高估每日版本的夏普。建議實際追蹤時以 前一日訊號 → 隔日報酬 （明確 lag-1）的版本為準，差異視窗短時相對可觀，視窗長時可忽略。
2.  黃金部位的角色未獨立檢驗 ：策略 50% 部位是 GLD，本身就是低相關分散資產。沒有 GLD 的純類股版本是否仍能達標尚未檢驗。
3.  20 bp 後加速衰退 ：交易成本超過 25 bp 之後，dignified 邊際快速失守，任何 slippage 推高的情境（小型 ETF、流動性緊張時期）都要警慎。
4.  盈利歸屬於每日訊號 ：如果未來市場結構改變使日內輪動效率提高，這個策略的優勢可能消失得很快。

上架建議

綜合 6/8 通過的結果：

•  可以 進入研究展示頁與策略追蹤池，這是條件性推薦，不是直接掛上線。
•  只 支援每日再平衡版本； 禁止 月頻版本上架。
• 建議的標準配置： 60 天動能視窗、Top-1 類股、50% VT 配 GLD、每日再平衡、12/VIX 上限 1 的波動權重 。
• 對外展示時必須 明確標註交易成本敏感度 ——零成本是一回事，加 20 bp 的真實情境又是另一回事，不能只展示沒成本的版本。
• 若想做更短視窗版本（20 天動能更好），需要先做更激進的成本壓力測試，因為 22.6% 換手率是基準的 1.5 倍。

給讀者的兩個帶走訊息

第一， 「外觀亮眼的回測」與「能上架的策略」之間，隔著 8 道門檻，這個案例 6/8 過關，已經是相對穩健的水準 。多數網路上看到「夏普 2.0+」的策略，可能連第 3 關（變更再平衡頻率）都過不了。

第二， 頻率敏感度本身就是策略性質的線索 。當你看到一個策略「每日很強、月頻很弱」，那不是 bug，是 feature——它告訴你這個策略是抓 短半衰期訊號 的，相對應的就是高換手率與較高的交易成本敏感度。 沒有免費的午餐 ：要拿到這 27% 的 CAGR，你必須每天動，且每次動都要小心成本。

資料來源

• 實驗代號：上架前完整體檢（內部編號收錄於文末 metadata）
• 資料源：yfinance（SPY、XLK、XLF、XLV、XLE、XLI、XLY、XLP、XLU、GLD、^VIX）
• 期間：2005-01-03 至 2026-03-27（5,342 個交易日）
• 統計方法：自相關修正、5,000 次重抽樣比較、嚴格統計強度門檻（≥3）
• 前置研究：類股輪動原始策略、類股波動目標權重圖、類股輪動早期版本
• 文獻支援：Moreira & Muir (2017) Volatility-Managed Portfolios 於 JF；Moskowitz, Ooi, Pedersen (2012) Time Series Momentum 於 JFE；Asness, Moskowitz, Pedersen (2013) Value and Momentum Everywhere 於 JF；Jegadeesh & Titman (1993) Returns to Buying Winners 於 JF