資產配置實戰：年報酬 40%、回撤 -13.75% 的策略組合方法

為什麼要做資產配置？

許多觀眾詢問的問題

許多觀眾詢問，他們遇到以下問題，希望能獲得我們的建議：

1. 雖然有買不同的標的、甚至還買了美股，但大盤不好的時候還是全部一起下跌。當崩盤時，對於平時沒有太多時間鑽研股票的觀眾來說，雖然心裡明白下跌是暫時的，但還是會忍不住慌張，導致無法全心投入在本業上，也很難繼續紀律執行自己的買賣策略，甚至會恐慌性的全部賣出。想請問有沒有辦法，能夠降低這個最大回檔的幅度，到一個自己能接受的範圍、卻還是能獲得報酬率？
2. 手上同時看好幾支股票想要長期持有、或是想要同時運行好幾支選股策略，但往往不知道該在哪支股票/策略上分配更多的資金，最後往往採用平均分配的方式，但總覺得有更好的、客觀的方式來決定這個資金比重。

介紹什麼是資產配置、怎麼靠資產配置解決上述問題

• 同漲同跌是因為股票之間存在”相關性”，完全一樣的話相關性就是1、完全相反相關性則為-1。正是因為資產間的相關性有高低正負之分，所以我們可以利用資產配置的技巧，讓不同的資產彼此間的波動被抵銷掉一部分，達到降低波動率、減少下跌幅度的效果。
  • 舉一個極端的例子，假設兩支股票年報酬都是20%、但高度負相關，採取50/50的配置後，以圖說明平均報酬率不變，但是波動下降非常多。
• 資產配置就是將上述例子做更嚴謹的假設、推導，透過計算資產間的相關性、並透過一定的公式去分配各種資產的資金，藉由犧牲少部分的報酬來降低不確定性風險（波動度、最大下跌幅度）。這支影片會先帶大家認識最具開創性、獲得諾貝爾獎的資產配置方法 – 效率前緣，並實作進一步改進的現代資產配置模型 – Hierarchical Clustering Models。
  • 若想更深入瞭解資產配置，可以閱讀市場先生的這篇文章

資產配置成果總覽：先看關鍵數字

後文會一步步走完這個結果的產生過程：先分析 13 支策略的報酬、波動與相關性，再用效率前緣與階層分群模型（Hierarchical Clustering）決定資金權重，最後用 Random Search 挑出穩健的參數組合。

分析即將使用的 FinLab 策略

將選股策略視為資產

• 每個資產有自己的預期報酬率、波動度，資產與資產之間可以計算相關性；同樣地每個選股策略也有各自的預期報酬率、波動度，選股策略間一樣可以計算相關性。因此我們可以將不同的選股策略視為不同的資產，透過資產配置分配要給每個策略的資金比重。

介紹FinLab的策略

• 使用了13個FinLab策略當作是不同的資產，大家可以到官網的策略頁面查看每支策略背後的開發邏輯是什麼。
• 可以發現不同的策略都是在不同的邏輯下設計的，有的看月營收、有的追突破、看現金流、看負債、看本益比等等。因此呈現出來的策略特性也不盡相同。

分析FinLab策略

針對波動度&報酬作圖

x軸是波動度、y軸是平均報酬，紅線則是回歸直線，代表大部分的策略都分布在這條線附近。

紅線可以觀察到： 隨著風險的上升，報酬也會逐漸升高。

每一單位風險（波動度），所能得到的報酬就是夏普比例（sharpe ratio）。夏普比例較高，也就是報酬跟風險的交換比較有CP值（每一單位風險，能換到更多報酬），圖中點的顏色就代表夏普比率。

有了這張圖之後，就可以根據夏普比例，跟自己的風險偏好（波動度）去選擇適合自己的策略。譬如喜歡低風險的，就挑左下角的，喜歡刺激、發大財的，就可以往右上角去做選擇。

針對MDD&報酬作圖

相關性分析

• 針對策略相關性作圖
  • 前面是對每一支策略作單獨的分析，現在我們來分析策略之間的相關性。
  • 策略背後的選股邏輯不同，相關性就低。我們可以藉由這張圖片去選擇彼此相關性比較低的策略同時持有，來減少同漲同跌的狀況發生。
    • 舉藏獒跟藏獒外掛大盤指針為例子，因為藏獒外掛大盤指針是藏獒修改而成，因此兩者的相關性很高（可以對比藏獒與其它策略的低相關性），如果只持有兩支策略，最好就不要同時挑這兩支策略。

介紹效率前緣（Efficient Frontier）

簡介

• 前面都是透過視覺化的觀察，然後進行人為分析，有沒有更嚴謹、更科學的方式呢？
• 介紹資產配置的先驅、獲得過諾貝爾獎的效率前緣。效率前緣出自 Markowitz（1952） 的現代投資組合理論，他也因此獲得諾貝爾經濟學獎。假設今天隨機給予資產們不同的資金權重，來組成成千上萬種不同的策略（就是下圖中的每一個點），我們會發現這些隨機的策略被一條隱形的曲線所限制住。這條藍色的曲線就是效率前緣，透過這條曲線我們就可以
  1. 在給定的風險（給定x值），求出藍色線上對應的y座標（預期能獲得的最好報酬），並按照那個點的資產配置權重進行投資。
  2. 我們可以找出最佳收益和風險比的投資組合，也就是圖中的星星，有最高的Sharpe Ratio，也就是先前所說CP值最高的投資組合。

實作

• 用FinLab Strategy所畫出來的效率前緣

• 理想最佳權重（highest sharpe ratio），也就是上圖中的星星處，但一樣要記得這是根據過去所算出來的效率最優配置，不代表未來這個配置仍然會是最優的。

• 隨著給定的風險水準上升，資產配置權重的變化。當給定的風險越來越高時，資產的多樣性就迅速減少，越來越朝向持股單一化（all in）前進，失去了分散投資、降低風險的本意。

缺點

• 效率前緣聽起來雖然很夢幻，在當時被譽為「華爾街的第一次革命」、「投資界的大爆炸理論」，但實際上拿來使用會發現有許多待解決的問題。
  1. 效率前緣是基於歷史至今為止的資料（歷史報酬率、波動度）所畫出來的，但過去這樣投資好，無法保證未來會一樣好。市場通常是漲跌互見的，因此按照過去歷史所畫出來的效率前緣去做配置，很可能與未來的實際情況有所不同。
  2. 效率前緣的算法可能過度集中在過去報酬率最好的資產上，可以看到將投資組合移到效率前緣上時，資產的多樣性大幅度減少，這反而失去分散投資的本意。
  3. 很容易過擬合（overfitting）：效率前緣透過每一種資產跟其他所有的資產去計算相關性，因此對參數非常敏感。只要上周跟這周的資產價格有些微的改變，藉由效率前緣計算出來的投資組合就可能會大幅度變化，這在實際運用上也非常難以執行。

介紹 Hierarchical Clustering Models

Hierarchical Cluster的精神

• 階層式資產配置的代表作是 López de Prado（2016） 提出的 Hierarchical Risk Parity：用分群結構取代整張共變異數矩陣的反轉，降低估計誤差對權重的衝擊。
• 在眾多資產中，有些資產會比較相關。以股票舉例，就可能會分為不同地區的股票如台股、美股，往下又可以區分出不同的類股，如金融股、科技股、生技股等等。資產也是如此。因此我們可以透過多次的分類，先將資產劃分為大大小小的類別。

優點

• 透過 Hierarchical Cluster 的分群方法，有以下優點：
  1. 降低複雜度（不用再計算每個資產跟所有資產的相關性了，只要計算自己類別裡的就好），提升模型穩定度。
  2. 加上分類後，可以根據不同種類、層級去進行風險的平衡。譬如可以確保同層級間的所承受的風險是相同的，也就是美股跟台股承受同樣的風險，在台股之中金融股、科技股、生技股又都承受一樣的風險……以此類推，藉由這種方式也可以達成更穩定的風險平衡。

實作

• FinLab策略的Hierarchical Cluster的結果
• 不同的相關性計算方法，有可能會產生不同的分類結果，在這邊我們使用 pearson 算法做示範
  • 不了解也不用緊張，我們後面會教大家怎麼在不懂各種算法情況下，一樣能分辨出算法的好壞。
  • 下圖我們可以觀察到幾點：
    • 藏獒跟藏獒外掛大盤指針的確非常像
    • 合約負債工、股價淨值比外掛大盤指針的選股邏輯類似，一個挑選營建股在營收尚未認列時的低基期作買入、另一個則是股價淨值低的時候若買入，都是挑好股票在便宜的時候去做買入，因此也被分在同一類。

核心實作用 riskfolio-lib 只要幾行（完整流程在文末 VIP 區域的 Colab 筆記本）：

import riskfolio as rp
 
# returns：13 支 FinLab 策略的日報酬（DataFrame，一欄一支策略）
port = rp.HCPortfolio(returns=returns)
 
weights = port.optimization(
    model="NCO",             # 階層模型：HRP / HERC / NCO
    codependence="pearson",  # 策略間相關性的衡量方式
    covariance="hist",       # 共變異數估計方法
    obj="Sharpe",            # 最佳化目標：最大化夏普比率
    linkage="ward",          # 階層分群的連結法
    leaf_order=True,
)
print(weights.sort_values("weights", ascending=False))

想自己跑一次，可以先用 FinLab Skill 把資料與回測環境裝好：

參數總覽

• 完整的 Hierarchical Clustering Models包含各式各樣的參數，像是如何分類的演算法、分類時所採用的相關性的計算方法、該使用哪種模型來平衡風險等等，共有六個重要的參數（model,covariance,linkage,codependence,rm,obj），而每一個參數又有多達數十種的演算法選擇。別說是一般投資人，就算是專業的投資人也很少有人能研究完各種參數，更別說參數之間的排列組合了。 註：對參數有興趣的可以點擊連結查看更細節的資訊。
• 但別擔心，接下來就會教大家用有效率的方法，在不用瞭解各種參數的情況下，找出適合的參數組合

Random Search & Grid Search

直覺的做法：窮舉所有組合（Grid Search）

• 最直覺的想法，就是窮舉所有的參數組合一個一個測，並找出所有組合中最好的一個。我們稱這種方法為 Grid Search 網格搜索

• 缺點：當參數較多時，排列組合的數量會非常大，導致搜索的時間變長花費資源也變大，在比較複雜的實務中很難達成。
• 以此次實驗為例，6個參數就共有4 x 12 x 14 x 4 x 28 x 8 = 602112種組合要測試，用家裡的電腦可能要跑一年才測的完。

參數太多測不完怎麼辦？Random Search

• 因此我們使用Random Search來解決這個問題，從每一個參數中隨機選出一個參數，最終形成一個參數組合。反覆這個隨機選取的動作，也可以找到非常不錯的參數組合。
• Random Search 的優點
  1. 可以根據自己能接受的時間長短，來決定隨機形成參數組合的次數。
  2. 相對Grid Search來說，Random Search在同樣次數的參數組合測試下，更有效率，這是因為參數間的重要性往往有高有低。 以下圖為例，x軸是相對重要的參數、y軸則是不太重要的參數，也就是說參數組合的好壞取決於隨機選取的點的x座標，因此我們希望能選出越多x座標不同的點。 Grid Search（網格搜索）的方式，在取樣9次的情況下，只會有三個不同的x座標，然而Random Search則可以取樣到不同的9個x座標點。

（論文出處： Random Search for Hyper-Parameter Optimization）

結果

以下就是我們對這六種參數所形成的參數組合，進行 5000 次 Random Search 的結果，大約耗時 5 天

• 報酬

• MDD

5000 組參數各有優劣，我們依穩定性逐參數判讀後選出最終組合（完整判讀過程與逐參數散佈圖分析在文末 VIP 區域）。以下是選定參數組合的詳細回測結果。

對選定的參數組合進行詳細回測，結果呈現

Cumulative Return Curve

• 績效曲線非常平穩，平均年報酬為 40%；累積報酬曲線見文首總覽圖，走勢平穩、常創新高

Drawdown Curve

• 最大MDD為-13.75%，遠小於一開始的FinLab策略

月報酬分布圖

逐月return

• 每年皆為正報酬，即便2022年空頭年也有勉強守住
• 最大單月虧損為-8%

資產配置隨時間作圖

• 可發現投資組合確實會隨著時間變化而動態調整（20天調整一次），且主要由合約負債建築工、低波動本意成長比、股價淨值比外掛大盤指針這些比較穩健的策略佔投資組合的大部分。

結論

首先受限於策略皆為近幾年開發，沒辦法只拿開發後的時間段來進行資產配置，因此策略本身績效有一部分是來自訓練集的資料，實際上線的績效理論上會稍微下降。

但用肉眼就可以觀察到，整個投資組合的走勢相當平穩，回檔幅度也非常小，常常創新高。

完整 Portfolio Stats Summary （素材、有需要可自由取用）

與原FinLab策略比較 & 槓桿效果分析

當日報酬波動程度對比

• 平均持有所有策略 vs Final Portfolio，可以看出來每日的波動度也稍微贏過平均持有

槓桿的作用

• 我們的資產配置是一個高Sharpe Ratio的投資組合，策略本身比較穩定，因此風險、報酬都比較低。但如果願意承受風險更多的風險，我們可以藉由槓桿來等比例的放大我們的投資組合。
• 在同樣程度的風險（波動率）下，Final Portfolio可以獲得三者之中的最高報酬。同時斜率的傾斜角度其實就是Sharpe Ratio，在我們假設無風險利率為0的時候，夏普比例就等於報酬率/標準差，也就是圖中藍/綠斜線的斜率。從這個角度來理解，就能很明顯的看出Final Portfolio > 平均持有 >> 單一策略。因此即便你是想追求高報酬的投資人，也可以透過好的資產配置方式和適當的槓桿，來讓自己的投資更上一層樓。

• 同上，若將風險改成MDD的情況下，Final Portfolio表現一樣為三者最佳，而且差距更加顯著。

延伸閱讀

• 分散風險不是越多越好：分散投資如何攤薄你的超額報酬：持股檔數與多策略疊加的真實回測
• 多因子選股如何打贏 0050：強度相當的因子疊加實例
• 低波動策略實測：風險調整報酬的正確用法
• 量化交易完整指南：從策略設計到風險控制的整體流程
• 夏普比率是什麼：本文用來比較策略 CP 值的核心指標

免責聲明：本文僅供教學與研究參考，不構成投資建議或任何買賣推薦。文中報酬與回撤為歷史回測數據，策略多為近年開發，部分績效來自樣本內資料，實際上線績效可能下降；過去績效不代表未來表現，投資有風險，請審慎評估自身風險承受能力。

最後更新：2026-07｜作者：FinLab 量化研究團隊（經量化研究員審閱）

VIP 區域提供：從 5000 組 Random Search 結果挑出穩健參數的完整判讀方法（model、obj、linkage、covariance、codependence、rm 逐參數散佈圖分析，最終選出年報酬約 40%、最大回撤 -13.75% 組合所用的參數）、依個人可承受回撤計算槓桿倍數的試算方法，以及完整實作 Colab 筆記本。