美股學術因子回測：10 個經典因子、90 組參數，
夏普全輸 QQQ

**本文把 10 個學術論文提出的選股因子搬到美股，每個因子每月持有分數最高的 30 檔，從 2017 年 8 月跑到 2026 年 10 月。結果沒有一個因子的風險調整後報酬贏過 QQQ 含息：原始參數裡日夏普最高的是低特質波動的 0.75，QQQ 是 0.89；每個因子再各換 9 組鄰近參數，90 組裡最高的 0.83 也沒贏。**這 10 個因子是資產定價文獻引用最多的一批：價值、毛利獲利能力、資產成長、應計、庫藏股、52 週高點、低 Beta、低特質波動、Piotroski F-Score 與品質減垃圾（QMJ）。每個因子都要過三項驗證才算成立，結果全部卡在第一關。所以本文回答的是一個具體的問題：「過去九年，用單一學術因子挑美股，有沒有比直接持有 QQQ 好？」10 個因子的答案都是沒有。

10 個因子的關鍵數字

所有組合都從 2017-08-01 起算到 2026-10-26；QQQ 與 SPY 是同一段日子的含息買進持有。QQQ 前半段日夏普 0.90、後半段 0.88。

三項驗證怎麼判

本文的「贏」只有一個意思：同一段交易日裡，日夏普值高於 QQQ 含息買進持有。日夏普＝日報酬平均 ÷ 日報酬標準差 × √252，不扣無風險利率；FinLab 美股策略比較頁用的是月夏普（QQQ 在那裡是 1.09），兩者的數字不能直接相比。一個因子要三項都過才算成立：

1. 換鄰近參數也要贏（要的是高原，不是單點）：每個因子的兩個主要參數各取原值和上下各一個鄰近值，共 9 組，至少 7 組（七成）要贏 QQQ。五個純財報比率因子與 QMJ 的兩個參數是股票池大小（流動性前 500、1,000、1,500 檔）與持股數（20、30、50 檔）；三個價格因子是回看天數與持股數，回看天數 52 週高點取 189、252、315 日，低 Beta 取 126、252、378 日，低特質波動取 10、21、42 日（原值是論文的一個月）；F-Score 是便宜股範圍（B/M 前 20%、30%、40%）與分數門檻（7、8、9 分）。
2. 前後兩段都要贏：回測期間在中點 2022-03-15 對半切，原始參數在兩段要各自贏 QQQ，避免只靠某一段行情。
3. 含交易成本：全部用 finlab sim() 的美股預設成本（USMarket：手續費 0、無交易稅，對應美國主流的零手續費券商），沒有為了結果把任何成本關掉。

10 個因子全部卡在第一關：90 組參數裡，贏 QQQ 的是 0 組。

10 個學術因子的定義與做法

每個因子都用 finlab 的美股資料表計算。財報欄位來自 us_income_statement、us_balance_sheet、us_cash_flow，finlab 以 SEC 申報日對齊，10-Q、10-K 公開之後數字才會進入分數，不需要再手動遞延。每個月月底依分數取股票池裡最高的 30 檔，隔天收盤進場，等權持有。

1. 價值（股價淨值比倒數，B/M）：Fama & French (1992) 發現帳面價值相對市值高的股票，平均報酬較高。分數＝最新一季股東權益 ÷ 每日市值，淨值為負的公司排除。
2. 毛利獲利能力：Novy-Marx (2013) 指出「毛利 ÷ 總資產」預測報酬的能力不輸 B/M，而且和價值因子互補。分數＝近四季毛利合計 ÷ 總資產。
3. 低資產成長：Cooper, Gulen & Schill (2008) 發現資產擴張最快的公司，之後報酬明顯較差。分數＝總資產年增率取負號，成長越慢分數越高。
4. 低應計：Sloan (1996) 發現有現金支撐的盈餘比較持久，靠應計項目堆出來的盈餘容易反轉。我們採用 Hribar & Collins (2002) 建議的現金流量表算法：（近四季淨利－近四季營業現金流）÷ 平均總資產，越低越好。
5. 淨庫藏股收益率：Pontiff & Woodgate (2008) 發現增發股票的公司後續報酬較差；Ikenberry, Lakonishok & Vermaelen (1995) 發現宣布買回庫藏股之後股價有正向漂移。分數＝近四季普通股淨發行金額取負號 ÷ 市值，淨買回越多分數越高。
6. 52 週高點：George & Hwang (2004) 發現股價越接近 52 週高點的股票，之後越容易續強。分數＝還原收盤價 ÷ 過去 252 個交易日的最高還原收盤價。
7. 低 Beta：Frazzini & Pedersen (2014) 的「押注低 Beta」是加槓桿做多低 Beta、放空高 Beta 的多空組合。只做多的投資人只能持有低 Beta 那一邊，所以本文測的是這一邊：個股日報酬對 SPY 的 252 日 Beta，由低到高取。
8. 低特質波動：Ang, Hodrick, Xing & Zhang (2006) 發現特質波動高的股票，後續報酬反而特別低。分數＝個股日報酬對 SPY 做單因子迴歸後，21 日殘差的標準差（論文用 Fama-French 三因子），由低到高取。
9. Piotroski F-Score：Piotroski (2000) 在便宜股裡用九個財報訊號打分，在 B/M 最高的五分之一裡買 8 分以上的公司。我們的原始設定把便宜股範圍放寬到股票池中 B/M 最高的 30%（參數網格含 20%），F-Score 至少 8 分的全部等權持有，持股數隨符合家數浮動。九個訊號的細節可參考 F-Score 選股。
10. 品質減垃圾（QMJ）：Asness, Frazzini & Pedersen (2019) 把品質定義為獲利、成長、安全、配發四個面向。我們把六項獲利指標、它們的一年變化（論文用五年變化，我們的資料從 2016 年起，撐不起五年）、三項安全指標（低 Beta、低負債比、低盈餘波動）與淨庫藏股收益率各自排名後平均。

結果一：原始參數全部明顯落後 QQQ

文首的圖把 10 個原始參數組合依日夏普排序。最接近 QQQ 的是低特質波動（0.75）、QMJ（0.69）與 52 週高點（0.64），但都還差 QQQ 的 0.89 一大截。價值因子只有 0.33，最大回撤 -70.9%；集中在最便宜股票的 Piotroski F-Score 組合墊底，只有 0.23。

圖上橘色虛線是一個重要的對照：把整個流動性股票池等權持有、每月再平衡，日夏普是 0.57。10 個因子裡有 4 個高於這條線（52 週高點、低 Beta、低特質波動、QMJ），代表最強的幾個因子確實比「平均一檔美股」好；問題在於平均一檔美股和 QQQ 之間的距離，比任何因子能補的都大。

結果二：90 組鄰近參數沒有任何一塊高原

每一小格是一個因子的 3×3 參數組合，格內數字是該組的日夏普，顏色是和 QQQ 的差距。90 格全部低於 QQQ。單一組參數最接近的是低資產成長在 500 檔股票池、持有 20 檔的 0.83，而且它整排 500 檔的設定都落在 0.78 到 0.83。乍看像一塊高原，但橫著讀就不是了：股票池放大到 1,000 或 1,500 檔，同一個因子掉到 0.35 到 0.70，所以這個差一點的結果，靠的是把測試限縮在最大的公司，也就是 QQQ 本來就持有的那一塊。五個純財報比率因子，最好的一組都出現在 500 檔股票池。52 週高點與低 Beta 在網格裡最穩定（0.63 到 0.71、0.55 到 0.64），QMJ 也只在 0.59 到 0.72 之間；低特質波動隨回看天數在 0.47 到 0.75 之間變動。它們都穩定地落在門檻下方。

結果三：前後兩段也一樣

要通過這一關，點必須落在綠色區域：前半段高於 QQQ 的 0.90、後半段也高於 0.88。綠色區域是空的。52 週高點與低 Beta 是前半段最強的兩個組合（0.75、0.71），2022 年 3 月之後轉弱。低特質波動剛好相反：前半段 0.70、後半段 0.90，是唯一在任何一段贏過 QQQ（後半段 0.88）的原始參數組合。Piotroski F-Score 前半段日夏普是負的（-0.12），後半段 0.75，走的是價值因子在 2020 年崩跌與 2022 年類股輪動中的路線，只是幅度更大。

為什麼會輸：難的是基準

三個原因解釋了大部分的落差。

**這十年是超大型股的十年。**QQQ 年化 19.7%，SPY 年化 14.8%，流動性股票池等權只有 10.5%。30 檔等權的因子組合，起點是「平均一檔股票」，不是 QQQ。上圖兩個最強的組合說明了這件事：QMJ 每年比股票池等權多賺 1.8 個百分點（12.3% 對 10.5%），低特質波動報酬和股票池差不多、波動卻小很多（年化 15.2% 對 21.4%）；但 1 美元最後只變成約 2.9 與 2.6 美元，QQQ 是 5.3 美元。

**因子溢酬本身很小。**我們在同一個股票池裡，每月把股票依因子分成十組，量最好一組減最差一組的報酬差。10 個因子裡有 6 個的最好組減最差組是正的，最大的是毛利獲利能力（年化 +6.5%）與低應計（+6.0%），但沒有一個的 t 值超過 1.4。價值因子的價差幾乎是零（-0.2%），低 Beta 是 -7.1%：Beta 最高的一組反而賺得比最低的一組多。完整的十分位分析在美股因子投資總覽。這和複製研究的結論一致：McLean & Pontiff (2016) 發現異常報酬在論文發表後平均少了 58%，其中約 32 個百分點可歸因於投資人照著論文交易；Hou, Xue & Zhang (2020) 發現多數異常在微型股不再主導平均數之後就不顯著。本文只取流動性前 1,000 檔、日成交額 500 萬美元以上的股票，同樣把微型股排除在外。

**低風險在多頭市場站錯邊。**低 Beta 與低特質波動是 10 個組合裡波動最低的兩個（年化 17.3% 與 15.2%，QQQ 是 23.3%），但在獎勵高 Beta 成長股的市場裡，少掉的報酬太多。Frazzini 與 Pedersen 的報酬有很大一部分來自放空高 Beta 股，而這段期間 Beta 最高的一組反而賺最多（十分位價差 -7.1%），所以只做多低 Beta 那一邊，連風險調整後都輸。

程式碼

核心流程只要幾步。下面這段建立股票池、計算一個因子（毛利獲利能力）、持有前 30 檔，再和 QQQ 比較；完整的 strategy.py 會跑完 10 個因子、90 組參數網格與十分位分析。

from finlab import data
from finlab.backtest import sim
 
data.set_market("us")
 
# 1. 股票池：60 日平均成交額前 1,000 檔、股價 > 5 美元
#   （strategy.py 另外只留普通股、排除 ADR 與金融股，
#    並把單日漲跌超過 50% 的股票剔除一年）
close = data.get("us_price:close")
volume = data.get("us_price:volume")
dollar_volume = (close * volume).rolling(60, min_periods=20).mean()
universe = dollar_volume.is_largest(1000) & (dollar_volume > 5e6) & (close > 5)
 
# 2. 毛利獲利能力（Novy-Marx 2013）：近四季毛利 ÷ 總資產
#    財報以 SEC 申報日對齊，不需要再手動遞延
gross_profit = data.get("us_income_statement:gross_profit").rolling(4).sum()
total_assets = data.get("us_balance_sheet:total_assets")
score = gross_profit / total_assets
 
# 3. 每月持有分數最高的 30 檔，等權
position = score[universe].is_largest(30)
report = sim(position.loc["2017-08-01":], resample="M", upload=False)
 
# 4. 和同一段日子的 QQQ 含息比較日夏普
qqq = data.get("us_fund_price:adj_close")["QQQ"].reindex(report.creturn.index).ffill()
for name, curve in [("strategy", report.creturn), ("QQQ", qqq / qqq.iloc[0])]:
    daily = curve.pct_change().dropna()
    print(name, round(daily.mean() / daily.std() * 252 ** 0.5, 2))

這段在我們的環境跑出來是策略 0.50、QQQ 0.89，和完整版的 0.51 差在普通股篩選（排除 ADR、金融股）與異常漲跌過濾。把它交給裝好 FinLab 技能的 AI 助理，請它一次只改一件事（例如持股數、改成產業中性），每改一次都重跑三項驗證，再決定要不要相信某一條曲線。

回測方法與限制

這個結果代表什麼、不代表什麼

在本文設定下，2017 到 2026 年、美股流動性前 1,000 檔，10 個教科書級的只做多因子組合，風險調整後都比直接持有 QQQ 差，而且換鄰近參數也一樣。它不代表這些因子是假的：論文量的是多空價差，樣本多半從 1960 或 1970 年代開始，長達 25 到 50 年，股票池也更廣。它也不代表未來十年一定繼續輸：因子報酬有很長的循環，2022 年多數因子組合就大幅贏過 QQQ，逐年拆解見因子投資的逐年表現。

對想拿真錢跑這些選股條件的讀者，比較實際的解讀是：在美股大型股裡，單一學術因子、只做多，本身不夠。台股的情況不同，可以對照台股因子選股總綱與股價淨值比選股策略的實測；想從頭學怎麼在美股做回測，可以看美股回測教學。

常見問題 FAQ

美股因子投資還有效嗎？

以本文的方式（只做多、前 30 檔、對照 QQQ）來看，2017 到 2026 年 10 個因子全部輸在夏普值；在流動性股票池裡，十分位多空價差還是正的只有 6 個。

價值因子已死了嗎？

在這次測試裡它是表現最差的之一：日夏普 0.33、最大回撤 -70.9%，十分位多空價差 -0.2%。九年的視窗不足以替一個有近百年資料的因子下定論，但這段期間對價值因子確實非常不友善。

哪個因子最接近 QQQ？

原始參數裡是低特質波動，日夏普 0.75，其次是 QMJ 的 0.69。低特質波動在後半段甚至以 0.90 贏過 QQQ 的 0.88，但前半段落後 0.20，所以沒過「前後兩段都要贏」這一關。整個參數網格裡最接近的單一組是 500 檔股票池的低資產成長，0.83。

為什麼用 QQQ 當基準，不用 S&P 500？

QQQ 含息是 FinLab 所有美股策略共用的基準，方便跨文章比較。文首圖也列了 SPY 含息，它的日夏普 0.84 一樣高於所有因子組合。

F-Score 為什麼表現這麼差？

Piotroski 的規則只在最便宜的股票裡挑財報改善的公司，等於把價值因子的部位放大。價值因子在這段期間本身就弱，F-Score 組合前半段日夏普是負的（-0.12），後半段回到 0.75，但仍低於 QQQ。台股的 F-Score 實測可以參考 F-Score 選股。

低 Beta 加槓桿會不會就贏了？

本文沒有測。槓桿會改變報酬的大小，但在不計融資成本時不改變夏普值，而本文的判準就是夏普值。

有包含已下市的股票嗎？

有。股票池每天從當時有交易的普通股重建，之後被併購或下市的公司都在裡面。

可以自己改參數重跑嗎？

可以。先完成 AI 輔助安裝，下載文末的 strategy.py，加 --grid 會跑 90 組參數熱圖，加 --deciles 會跑十分位分析。

延伸閱讀

• 美股因子投資總覽：因子投資的定義、10 個因子的十分位價差與逐年表現
• 股票選股完整指南、量化交易完整指南
• 台股低波動選股實測、Information Coefficient（IC）是什麼
• 名詞：Beta

下載資源

**投資警語：本文僅供教學參考，不構成投資建議。過去績效不代表未來表現，投資有風險。**本文所有回測均為全段樣本內結果；前後兩段只是穩定度檢查，未經樣本外驗證。

最後更新：2026-10｜回測區間：2017-08～2026-10｜基準：QQQ 含息｜作者：FinLab 量化研究團隊（經量化研究員審閱）