因子 ETF：QUAL、USMV、SPLV、VLUE、NOBL 對 QQQ 與輪動驗證

2016 年 1 月至 2026 年 10 月，QUAL 年化報酬 13.9%、USMV 10.8%，QQQ 為 19.4%、SPY 為 14.9%。 USMV 波動較低，最大回撤仍達 -33.1%。另外重跑 MTUM、QUAL、USMV、VLUE 四因子輪動，原設定日夏普 0.88，接近 QQQ 的 0.89，但只有三組鄰近參數贏，前半段與成本檢查都沒過。本文呈現未通過驗證的規則，以及各基金的風險報酬差異，不推薦部署該輪動。

因子 ETF 用規則持有具備某種特徵的股票，例如品質、價值、動能或低波動。它可能改變投資路徑，卻不保證累積財富更多。本文分開回答兩個問題：各基金單獨持有得到什麼，以及在因子基金之間再加一層排名，有沒有提高相對 QQQ 的風險調整績效。

品質、低波、價值與股利成長的持有結果

全部使用 2016-01-04 至 2026-10-30 的還原價，納入配息再投資，與同日期 QQQ、SPY 比較。五檔因子基金全期日夏普都低於 QQQ，QUAL 的 0.83 最接近，其次 USMV 0.79。表格同時保留累積、年化與回撤，避免只看日常漲跌較小，就以為最後財富一定較高。

USMV 年化波動 14.2%，SPLV 15.1%，都低於 QQQ 的 22.2%；但 USMV 最大回撤 -33.1%，只比 QQQ -35.1% 淺約兩個百分點，SPLV 的 -36.3% 更深。低波動或最小波動描述的是組合建構方法，不能當成極端行情的虧損上限。

QUAL：品質因子如何挑股票？

MSCI 的產業中性品質指數說明使用股東權益報酬率、槓桿與盈餘變異等特徵。這和只看單一獲利率、只買熟悉大公司不同；產業相對評分也表示品質選擇並非單純剔除所有景氣循環產業。投資人持有的是特定指數的實作，不能只用「好公司」三個字推論結果。

Novy-Marx（2013）提供毛利能力與報酬的實證，支持研究品質相關特徵的動機，但毛利除以資產，和 QUAL 的三項指數分數不同。本文用基金實際含息價格，連同其實作與內扣費一起衡量，沒有宣稱重建論文的原始投資組合。

QUAL 年化 13.9%，低於 SPY 約一個百分點、低於 QQQ 超過五個百分點；最大回撤 -34.1%，與兩個基準接近。它前半段日夏普 0.89，輸 QQQ 的 1.08；後半段 0.76，略勝 0.74。這種優勢換邊提醒我們，不能只選表現較好的後半段，就把品質基金視為長期必勝配置。

USMV 與 SPLV：最小波動與低波動不同

SPLV 直接從 S&P 500 篩選歷史波動較低的股票；USMV 則以 MSCI 組合最小波動方法，考慮股票一起變動的關係與限制條件。Invesco 的 SPLV 說明列出一百檔低波股票與季度調整。MSCI 的方法更新則將標準最小波動指數檢查自 2025 年 8 月改為每季；配息頻率無法代替成分調整頻率。

Ang、Hodrick、Xing 與 Zhang（2006）發現高特有波動股票的後續報酬偏低，與低波題目相關，但這兩檔基金都沒有逐字重現論文的迴歸排序組合。股票層級低波異常、投資組合日常波動較小，以及急跌時能否保護本金，是三個不同主張。本文支持兩基金在這段期間波動較小，不支持把它們當成強力避險工具。

此外，低波不等於沒有股票市場、產業偏重或利率變動風險。投資人若只能承受一成跌幅，歷史上曾跌三成多的結果就已超過需求，不能因名稱有「最小」二字就忽略。本文也沒有估計未來相關性，歷史最大回撤不是未來最大可能損失。

VLUE 與 NOBL：價值、長期加息與高殖利率

MSCI 價值指數說明使用股價淨值比、預估本益比與企業價值對營業現金流。ProShares 的 NOBL 說明則著重 S&P 500 中至少連續二十五年增加股利的企業。股利連續成長與當前殖利率最高是不同篩選條件，NOBL 不能直接替代「高股息前幾名」的研究。

VLUE 年化 14.1%，最大回撤 -39.5%，為這五檔最深；日夏普從前半段 0.71 升到後半段 0.84。NOBL 年化 10.8%、最大回撤 -35.4%，日夏普反而由 0.86 降到 0.53。兩者的因子名稱都無法免除估值與股票價格下跌風險。

本文使用 NOBL 的真實基金價格，不從僅十年左右的企業事件資料反推二十五年連續加息條件。長年股利篩選由基金本身執行，這使它和自行建立的短年數股利成長策略有明確差別；短資料能測後者，不能宣稱等同完整股利貴族規則。

補齊資料後，重跑原定四因子輪動

先前掩護性買權與股利研究因原基金歷史不足，以 SPMO、SPHQ、SPLV、RPV 做替代實驗。舊結果仍代表那四檔替代基金。本次 MTUM、QUAL、USMV、VLUE 的歷史已補齊，依原計畫重跑，沒有更換參數或把新結果覆蓋成舊實驗的績效。

設計 D 每月底依過去 L 個月含息報酬排名，選前 k 檔等權。原設定 L＝12、k＝2；九組為 L＝9／12／15，乘上 k＝1／2／3。一個月以二十一交易日近似；九組統一從備妥十五個月回看的第一個月底 2017-04-28 開始，避免短回看組多吃一段較好行情。沒有加停損、均線、槓桿或放空。

Asness、Moskowitz 與 Pedersen（2013）提供跨資產價值與動能的研究動機，但論文不保證對四個美股因子 ETF 做動能排名就會勝 QQQ。下面檢查的是這個具體實作，不是用單次失敗否定所有因子投資。

原設定年化 16.1%，QQQ 同期 19.4%；最大回撤 -33.6%，QQQ -35.1%。日夏普未四捨五入約為 0.8781 與 0.8865，雖然差距很小，仍然是輸。若只列小數一位，兩者都會變成 0.9，卻不會讓失敗變成勝出。

九組參數、前後半段與交易成本

分段點是 2022-01-26，每一半都用相同日期的 QQQ 比較。這是對已觀察樣本的穩定性檢查，並非未看過資料的樣本外驗證。雖然本輪規則在開跑前登記，題目與 ETF 清單本身仍是在知道整體歷史行情的背景下選出，不能宣稱完全沒有研究者選擇偏差。

固定權重對照用原設定在月底的平均配置，排除最後一次沒有後續持有區間的觀測，約為 MTUM 32.5%、QUAL 29.4%、USMV 18.0%、VLUE 20.2%，每月再平衡後日夏普 0.80，低於輪動的 0.88。輪動確實勝過這項對照，但仍未勝過 QQQ。平均權重由整段樣本事後計算，只用來辨認切換貢獻，不當成事前可執行的第二支策略。

扣 BIL 日報酬後，原設定夏普 0.75，QQQ 0.78，結論不變。勝出的三個鄰近設定全部只持有第一名，持兩檔與三檔都沒有勝出。這種成功集中在一側的情況，達不到預先規定的七成參數高原；本文沒有看完結果後把原設定改為一檔。

單獨基金的前後半段

完整持有視窗中，QQQ 的前後半段日夏普為 1.08／0.74；QUAL、VLUE 只在後半段勝過它，USMV 後半段非常接近，但未四捨五入前仍略低。SPLV、NOBL 兩段都輸。SPY 也是後半段才勝出。圖與主表列相同基金、相同切分，讓基金優勢何時出現一目了然，避免只靠最近的曲線排永久名次。

重現四因子原設定

import finlab
from finlab import data
from finlab.backtest import sim
from finlab.markets.us import USFundMarket
 
finlab.login()
data.set_market("us_fund")
data.truncate_end = "2026-10-30"
calendar = data.get("us_price:adj_close").index
price = data.get("us_fund_price:adj_close").reindex(calendar).ffill()
etfs = ["MTUM", "QUAL", "USMV", "VLUE"]
score = price[etfs] / price[etfs].shift(252) - 1
selected = score.rank(axis=1, ascending=False, method="first") <= 2
weights = selected.astype(float) / 2
class QQQMarket(USFundMarket):
    @staticmethod
    def get_benchmark():
        return price["QQQ"]
 
report = sim(weights.loc["2017-04-28":], resample="M", market=QQQMarket(), upload=False)
report.to_html("factor_rotation.html")

完整 research.py 另對齊股票交易日曆，第一筆報價後的零星缺值沿用前值，並保留第一筆模擬成交前的零報酬觀測。它同時跑完九組因子參數與三個相關的動能設計，產出互動報告、每日權益及統計；兩篇使用同一份快照，避免修改股票池後仍引用另一版本的數字。

用 FinLab skill 重現研究

從AI 輔助安裝流程連結帳號，agent 設定指南有 Claude Code、Codex 與 Gemini CLI 的操作方式。安裝指令如下：

npx skills add koreal6803/finlab-ai --skill finlab -g -y

接著請 agent 使用下載的 research.py、固定資料截止日，先重現原設定與九組參數。不需要自己從頭寫程式，也可以在瀏覽器的 FinLab Studio檢查程式。若之後想測其他均線或改持股數，另存為新實驗，保留本次原始結果；看過數字才改條件，已經不屬於原先的驗證。本文沒有提供通過驗證的策略部署入口。

互動報告的大盤基準也使用 QQQ。報告從首次模擬成交顯示，表格則保留前一個訊號日的現金觀測以納入首次交易成本；這一個交易日的起點差異，可能讓報告顯示的基準年化略有不同。

回測方法與限制

常見問題

QUAL 可以取代 QQQ 嗎？

它是不同配置。本次年化與日夏普都較低，最大回撤接近；品質篩選也不等於 Nasdaq 100 的產業暴露。

USMV 還是 SPLV 表現較好？

本段 USMV 報酬、夏普與回撤都較好，但建構方法不同，單一期間無法保證未來仍保持順序。

最小波動 ETF 能避免股災損失嗎？

仍是股票基金。USMV 本次日常波動較小，從高點往下的最大損失還是約三成三，不能當本金保證。

NOBL 算高股息策略嗎？

核心是長期增加股利的紀錄，與當前殖利率最高不同。報酬還受選股價格和市場變化影響。

歷史價格補齊後，輪動成立了嗎？

沒有。補齊讓原本的實驗可以做，實測仍未通過參數、前半段與成本檢查。資料完整與策略有效是兩個問題。

為何不改成只買第一名？

那是看到結果後選參。原設定為前兩檔，過關要求至少七組鄰近參數勝出；新的前一檔策略需要自己的登記與新證據。

下載與相關研究

• strategy.py：與共用引擎相同的完整研究程式。
• research.py：四設計共用引擎，執行後在程式旁輸出資料。
• data.csv、metrics.json：同一快照，含基金持有表、九組輪動、分段與對照。
• 原設定互動報告、固定權重對照報告。

其他持有方式可接著比較美股量化策略總覽、美股因子投資、產業輪動研究、懶人投資組合與掩護性買權及股利研究。前視偏差與周轉率則說明回測數字容易被高估的兩個原因。 六檔動能基金與趨勢濾網見SPMO、MTUM 動能 ETF 研究，選股與因子實作觀念見股票選股工具與方法。

最後更新：2026-11｜資料截至：2026-10-30｜重跑日：2026-11-02（台北）｜作者：FinLab 量化研究團隊。團隊以公開規則回測、參數敏感度測試與可下載資料呈現研究方法，讓讀者檢查結果。

歷史績效不代表未來報酬，全部結果均為樣本內回測。文中 ETF 用於說明研究結果，不代表買賣推薦。本內容僅供教育研究，不構成投資建議。