美股低波動策略回測：QQQ 擇時配 2 倍槓桿 ETF，
年化 29.3%、回撤 -22%

提到低波動投資，多數人想到的是「少賺一點，換晚上睡得好」。這份美股回測給出不同的答案。2016 年 5 月到 2026 年 10 月，用 QQQ 的趨勢與動能判斷市場是否處於平穩的進攻狀態，只在那段時間持有一檔 2 倍槓桿指數 ETF，其餘時間換到防守型 ETF，結果年化報酬 29.3%、最大回撤 -22.2%；同期買進持有含息 QQQ 是年化 20.7%、最大回撤 -35.1%。這個結果也通過了後段的三項驗證：鄰近的 9 組參數裡有 8 組日夏普勝過 QQQ，回測期間切成前後兩半各自勝出，每筆買賣加收 0.1% 成本後依然勝出。

真正有意思的是它為什麼有效。這個擇時濾網並不會預測下跌：在防守狀態的日子，QQQ 之後的平均報酬仍是正的，拉長到 21 個交易日看甚至略高於進攻狀態。它預測的是波動：防守日 QQQ 隔日的年化波動是 32.0%，進攻日只有 18.2%。每日重置的槓桿 ETF，耗損大致隨波動的平方放大，所以避開高波動期，正是讓 2 倍槓桿能夠複利、不被磨損掉的關鍵。

這是 FinLab 十支美股策略之一，十支策略共用同一套槓桿 ETF 執行方式，美股量化交易策略總覽有完整比較；以 finlab 回測報告的夏普比率（扣除 2% 無風險利率，十支策略互相比較時用的口徑）排序，本策略落在十支裡的後半段。如果你要找的是台股的低波動選股，請看台股低波動選股 18 年實測；本篇談的是美股、用 ETF 擇時實現的低波動版本。

關鍵數字：策略 vs QQQ、SPY 與單純持有槓桿 ETF

先看 QLD 那一欄，那才是公平的比較對象。同樣持有 2 倍 ETF、完全不擇時，年化報酬 33.3%，反而比策略的 29.3% 高；單看報酬，什麼都不做的人贏了。擇時濾網換來的是風險那幾列：最大回撤從 -63.7% 降到 -22.2%，年化波動不到一半，月夏普從 0.93 提高到 1.32。1 美元在策略裡長成約 14.8 美元，單純持有 QLD 則約 20.4 美元，而上圖也看得出 QLD 是怎麼走到那裡的：中途經歷了好幾次資產腰斬。

所有基準都用含息還原價（total return）、同一段期間計算；槓桿 ETF 的價格本身已內含每日重置的耗損與管理費。

低波動異常：學術研究怎麼說

本策略倚靠的是資產定價裡最頑強的發現之一：風險與報酬並不如教科書說的成正比。Ang、Hodrick、Xing 與 Zhang（2006） 發現波動最高的股票，未來報酬反而異常地低。Baker、Bradley 與 Wurgler（2011） 指出低波動異常延續了數十年，部分原因是以指數為績效基準的機構法人無法去套利它。Frazzini 與 Pedersen（2014） 把同一件事整理成「押注低貝他」（betting against beta）：不能或不願加槓桿的投資人，會為高波動資產付出過高的價格，因此持有較平穩的資產再加上槓桿，長期會比直接追逐高波動資產多拿到一份溢酬。

最後這個說法就是本策略的設計：對大盤指數只加中等程度（2 倍）的槓桿，而且只在持有槓桿成本低的平穩時期加。所謂「防守型複利」，靠的是避開深度虧損的算術：回撤 -22% 只要上漲 28% 就能回本，QLD 的 -64% 則需要上漲 175%。

訊號分析：擇時濾網到底預測了什麼

這是 ETF 擇時策略，底下沒有選股池，所以沒有個股十分位報酬或 Rank IC 可以看；想看有個股層級因子驗證的同系列策略，可以參考美股動能策略研究。這裡要先交代一件事：這個想法的最初版本確實是選股，從美股挑出一籃子低波動的防守型績優股，但在最初的研究中就明顯沒有通過本系列的篩選門檻（該版本這次沒有重跑）。所以本文的數字並非來自個股低波動選股；正式版本把「防守」的概念改用「依市場狀態開關的指數槓桿」來實現。對應的檢驗方式，是把訊號拆開，量它到底預測了什麼。

訊號本身刻意保持簡單：進攻狀態（risk-on）＝ QQQ 收盤價高於 200 日均線，且過去 126 個交易日（約半年）報酬為正，每天計算、每月交易。整段回測期間有 76.6% 的交易日處於進攻狀態（2,719 天中的 2,082 天）。關鍵證據是 QQQ 在兩種狀態「之後」的表現：

報酬這幾列拼不出「崩盤預警」。防守日之後 QQQ 的隔日報酬年化仍有 15.9%，拉長到 21 個交易日，防守日之後的平均報酬（1.79%）甚至略高於進攻日（1.74%）。把這個濾網當成預測崩盤的工具，是誤讀。真正拉開差距的是波動那一列：防守日年化 32.0%、進攻日 18.2%，相差將近 14 個百分點；用 63 日已實現波動的平均值來看也一樣（28.0% 對 18.1%）。

一個能預測波動、卻不太改變預期報酬的訊號，正是 Moreira 與 Muir（2017） 所說「波動管理投資組合」的原料：近期波動高時降低曝險，同一組資產就能得到更高的風險調整後報酬。本策略是這個想法的粗略兩段式版本，再加上槓桿。

從時間序列看會更具體。滾動 6 個月的進攻日佔比，在 2019 年跌破 20%，2022 年底到 2023 年初掉到 0，2025 年降到約 63%；這幾段期間，策略的權益曲線大多橫盤或小幅下滑，沒有跟著指數一路往下。2020 年新冠崩盤在這個 6 個月指標上反而不明顯（佔比仍在 80% 左右），因為崩跌與反彈都在幾個月內完成：

改用已實現波動疊圖，也能從另一面看到同樣的對應：策略曲線走平的時段，和 2018 年底、2020 年、2022 年的波動高峰重疊，也就是濾網在槓桿部位最容易被波動耗損的時候讓開。2025 年 4 月那次波動高峰是例外：下跌開始時訊號仍是進攻狀態，策略在濾網轉向之前就已經吃到虧損（細節見後面的崩盤段落）：

為什麼波動是槓桿 ETF 的天敵

每日重置的槓桿 ETF 放大的是「每一天」的報酬，長期結果取決於路徑。路徑成本隨變異數增加：在劇烈震盪的盤整市，即使指數最後回到原點，每天的乘法也會把淨值慢慢磨掉。這個耗損大致與「槓桿倍數的平方 × 變異數」成正比，所以 18% 與 32% 兩種波動環境的差距，對 2 倍基金的影響遠大於對不加槓桿的指數。

同一段期間三種槓桿倍數的買進持有紀錄，把這個取捨畫得很清楚：

TQQQ 的 3 倍複利拿到三者中最高的年化報酬（40.6%），也承受了 -81.7% 的回撤，花了好幾年才回到前高；QLD 的 2 倍是年化 33.3%、回撤 -63.7%。選 2 倍而不選 3 倍，是在這條曲線上刻意挑的位置：槓桿夠大，能明顯跑贏指數；又不至於大到讓濾網犯錯時的殘餘損失無法承受。槓桿倍數與回撤控制如何互相取捨，另一篇用隨機漫步模擬 3,000 次的研究可以對照：用 MDD 動態調整槓桿。

策略規則與 Python 程式碼

規則只有四條：

1. 判斷市場狀態：QQQ 高於 200 日均線且 126 日報酬為正，就是進攻狀態，否則是防守狀態。
2. 進攻時：在 QLD（2 倍那斯達克 100）與 SSO（2 倍標普 500）中，持有「189 日報酬減 21 日報酬」較高的那一檔。
3. 防守時：在 IEF（7 至 10 年期美國公債）、GLD（黃金）、SHY（1 至 3 年期美國公債）中，持有「63 日報酬減 21 日報酬」最高的那一檔。
4. 執行：每月收盤換倉，任何時候只持有一檔 ETF，持有部位設 6% 盤中觸價停損。

下面這段程式碼與可下載的 strategy.py 邏輯相同，可以整段貼給 AI，或在 Python 裡執行：

import finlab
from finlab import data
from finlab.backtest import sim
from finlab.dataframe import FinlabDataFrame
 
finlab.login()  # finlab 會自動引導登入
 
data.set_market("us_fund")
close = data.get("us_fund_price:adj_close")[["QQQ", "QLD", "SSO", "IEF", "GLD", "SHY"]]
 
# 1. 市場狀態：QQQ 高於 200 日均線，且 126 日報酬為正，就是進攻狀態
qqq_trend = close["QQQ"] > close["QQQ"].rolling(200, min_periods=100).mean()
qqq_momentum = close["QQQ"] / close["QQQ"].shift(126) - 1
risk_on = qqq_trend & (qqq_momentum > 0)
 
# 2. 進攻部位：QLD、SSO 中「189 日減 21 日報酬」較高的一檔
risk_score = FinlabDataFrame(
    close[["QLD", "SSO"]].pct_change(189) - close[["QLD", "SSO"]].pct_change(21)
)
risky = risk_score.is_largest(1) & risk_on.to_frame().reindex(risk_score.index).iloc[:, 0]
 
# 3. 防守部位：IEF、GLD、SHY 中「63 日減 21 日報酬」最高的一檔
defensive_score = FinlabDataFrame(
    close[["IEF", "GLD", "SHY"]].pct_change(63) - close[["IEF", "GLD", "SHY"]].pct_change(21)
)
risk_off = (~risk_on).to_frame().reindex(defensive_score.index).iloc[:, 0]
defensive = defensive_score.is_largest(1) & risk_off
 
# 4. 合併兩邊：同一時間只會有一檔 ETF 被選中
position = (
    risky.reindex(close.index).fillna(False).astype(float)
    .join(defensive.reindex(close.index).fillna(False).astype(float), how="outer")
    .fillna(0)
    .T.groupby(level=0).max().T
)
position = position.loc["2016-01-01":]
 
# 5. 每月收盤換倉、只持有一檔、6% 盤中觸價停損
report = sim(
    position,
    resample="M",
    position_limit=1,
    stop_loss=0.06,
    touched_exit=True,
    trade_at_price="close",
)
report.display()

整個策略只用 us_fund_price:adj_close，也就是 FinLab 的美股 ETF 含息還原價；策略與 QQQ、SPY 基準都用同一份資料，配息在比較的兩邊處理方式一致。

在所有月度換倉點中，策略有 55.9% 持有 QLD、16.5% 持有 SSO、11.8% 持有 GLD、6.3% 持有 SHY、3.9% 持有 IEF，其餘 5.5% 是停損出場後的現金。換句話說，它略多於一半的時間是一檔 2 倍那斯達克基金，其餘時間持有防守資產或空手。

崩盤期間的表現

防守型複利的說法成不成立，要看壞日子。下面三段涵蓋了這段期間裡不同速度的下跌：

2018 年第四季是最乾淨的一次：9 月初 6% 停損就把策略從 QLD 帶出場，之後空手度過 10 月的跌勢，11、12 月改持 SHY 與黃金，全段只跌 6.1%，同期 QQQ 跌 22.7%。

2022 年的慢速空頭比較複雜。股票這一側，濾網做到了它該做的事：1 月第一週策略就在 QLD 上停損出場，之後整年都沒有再持有槓桿股票部位。虧損來自防守那一側：黃金在 3 到 5 月吐回年初的部分漲幅，中期公債 IEF 在 8、9 月隨著利率上升跌了約 8%，全年回撤因此仍達 -19.3%。這比 QQQ 的 -34.8%、單純持有 2 倍 ETF 的 -63.1% 好得多，但也提醒一件事：防守狀態不等於零風險。

2020 年與 2025 年則暴露了弱點。2020 年 QQQ 在幾週內跌了 28.6%，速度快過 200 日均線能反應的範圍，策略在濾網與停損生效前跌了 17.9%。整段期間最深的 -22.2% 回撤發生在 2025 年 2 月到 4 月的賣壓，這一次策略並沒有比不加槓桿的指數好（同三個月 QQQ 回撤 -22.8%，單純持有 QLD 為 -41.8%）。下跌開始時訊號仍是進攻狀態：策略 2 月底在 QLD 停損，3 月初又在 SSO 停損，接著空手，到 4 月換倉時轉入黃金，偏偏黃金在 4 月第一週也回檔。以趨勢判斷來避開波動，對慢慢轉變的行情很有效，對突發衝擊則反應不及。

互動式回測報告與樣本外測試

下面是 finlab 的互動式回測報告，可以自己檢查回撤、月報酬與每一筆交易：

參數是用 2016 至 2021 年的資料決定的，2022 年之後完全沒有再調整；這段樣本外期間包含 2022 年空頭與 2025 年的賣壓：

樣本外明顯較弱：年化報酬少了 13 個百分點，月夏普從 1.50 降到 1.16，最深回撤（2025 年的 -22.2%）也比研究期任何一次都深。其中一部分是市場本身：用同一份含息曲線計算，QQQ 在 2016 至 2021 年年化 27.2%，2022 年以後只有 13.3%。換算下來，策略領先 QQQ 的幅度在研究期約 8 個百分點，樣本外約 9 個百分點。絕對數字確實退步了，但相對指數的優勢並沒有在沒看過的資料上消失。

補充一個口徑說明：本文表格裡的月夏普，策略與 QQQ、SPY、單純持有的槓桿 ETF 一律用月底報酬計算、不扣無風險利率，而且都從策略的起始日（2016-05-02）起算；在這個口徑下全期月夏普是 1.32。finlab 回測報告對同一條曲線顯示 1.23，因為它扣除了 2% 的無風險利率；本頁資料欄位裡的夏普用的是這個數字，不能拿來和本文的基準數字直接比較。

三項驗證：鄰近參數、前後兩段、交易成本

本節的「勝過 QQQ」，指日夏普比率（日報酬平均除以標準差，乘以 √252 年化，不扣無風險利率）高於同一段日期買進持有含息 QQQ。

鄰近參數。 兩個決定市場狀態的參數各往前後移動一格：QQQ 趨勢均線的長度（150、200、250 日），以及 QQQ 動能的回看期間（63、126、189 個交易日，約 3、6、9 個月）。9 組裡有 8 組勝過 QQQ，門檻是 7 組。原始設定（200 日均線、126 日回看）的日夏普是 1.29，QQQ 是 0.95。唯一沒過的是 200 日均線配 63 日回看：日夏普 0.95，取到小數點後兩位與 QQQ 相同，但沒有比 QQQ 高；驗證程式只把嚴格高於 QQQ 的夏普算成勝出。熱圖也看得出優勢從哪裡來：回看期只有 3 個月時，策略與 QQQ 相當或只些微領先（0.95 到 1.02，對 0.95 到 0.96）；回看 6 個月與 9 個月時則是 1.22 到 1.35。動能條件需要夠長的視窗才發揮得了作用。

前後兩段。 把回測期間依交易日數切成兩半：

兩段各自都勝過 QQQ。後半段的絕對水準較低，和前面樣本外的結果一致，但它領先 QQQ 的幅度（0.30）與前半段（0.34）相近。

交易成本。 finlab 美股市場預設的手續費與交易稅都是 0（對應零佣金券商），所以預設回測完全沒有成本。驗證時改成每筆買進、每筆賣出各收 0.1%（fee_ratio=0.001），代表買賣價差與滑價，策略年化報酬仍有 28.1%，日夏普 1.24，QQQ 是 0.95。這個策略每年周轉約 3.6 倍、交易的都是流動性很高的 ETF，這個程度的成本不會改變結論。

結論：三項驗證全部通過（鄰近參數 8／9、前後兩段皆勝、加計成本後仍勝）。下載 strategy.py 後執行 python strategy.py --validate，就能重現本節所有數字。

回測方法與限制

本系列策略的篩選門檻是風險調整指標至少 1.5。以本文表格的口徑（月報酬、不扣無風險利率）衡量，這支策略的夏普比率沒有過關：全期月夏普 1.32、樣本外月夏普 1.16，都低於門檻。同一口徑下，它是靠索提諾比率過關的：全期 3.45、樣本外 4.00，計算方式是月報酬平均除以「負報酬月份」的標準差再年化。finlab 回測報告用自己的下檔標準差公式，對同一條曲線顯示 3.16。兩個比率差距這麼大，本身就是資訊：一個會截斷虧損期的擇時策略，負報酬月份少而且淺，索提諾自然被這種右偏分布墊高。兩個數字要一起看：日常起伏和夏普 1.32 相符，下檔風險則比夏普單獨呈現的好得多。想自己換算不同報酬與波動下的夏普比率，可以用夏普比率計算器。

槓桿 ETF 的風險

這個策略大部分時間持有每日重置的 2 倍 ETF，槓桿是最可能傷到你的地方：

• 每日重置與路徑依賴：槓桿 ETF 複利的是每天的報酬，震盪盤整會侵蝕淨值，耗損隨槓桿倍數的平方放大。上面單純持有的數字（2 倍 -63.7%、3 倍 -81.7%）就是十年間毫無防護地承受這套算術的結果。
• 濾網天生反應慢：200 日均線需要好幾週的證據才會翻轉。2020 年新冠崩盤在三個月內讓策略跌了 17.9%，2025 年的賣壓在濾網轉向前造成全期最大的 -22.2% 回撤。更快的衝擊，會在停損或月度換倉反應前以完整的 2 倍曝險承受。
• 停損可能來回被洗：6% 觸價停損能迅速砍掉虧損部位，也會在急跌後立刻反彈的行情裡把策略踢成現金；持倉統計裡那 5.5% 的現金，就是這層保護的代價。實盤遇到跳空時，成交價也可能比 6% 更差。
• 防守不等於安全：2022 年的虧損來自黃金與公債，與股票無關。防守部位只是在三檔 ETF 之間輪動，利率上升時它們可能一起下跌。
• 高度集中：同一時間只持有一檔 ETF，等於單一部位、單一主題（美國大型股指數）的風險，策略內部沒有任何分散。
• 預設績效沒有成本：預設回測不扣佣金、價差與稅；每邊 0.1% 的成本會讓年化從 29.3% 降到 28.1%。你實際的成本與稅負可能不同，而且只會往不利的方向走。

量化策略共通的風險，例如過度擬合、對回測期間敏感、成本低估，可以參考量化交易的缺點與風險。

適合誰、不適合誰

適合想要指數等級的簡單、外加一層規則化風險控管的投資人：能接受槓桿 ETF 作為工具，而且重視回撤控制勝過極大化報酬（別忘了，單純持有 QLD 的年化報酬比策略高）。不適合需要最高報酬、無法承受 -22% 回撤，或是在一般市場雜訊中抱不住 2 倍商品的人。對台灣投資人來說，還要另外考慮複委託或海外券商的手續費、匯率，以及美國對外國投資人配息的預扣稅，這些都不在回測裡。

常見問題

低波動策略是什麼？和低波動選股有什麼不同？ 低波動策略建立在一個學術發現上：低波動資產的風險調整後報酬，往往比高波動資產好。常見做法是在股票之間挑低波動的個股，台股的例子可以看低波動選股的台股回測；本文的版本則是在「時間」上應用：低波動時期持有槓桿指數 ETF，高波動時期退到防守資產。

QQQ 跌破 200 日均線就代表要崩盤了嗎？ 不代表。防守日之後 QQQ 的隔日報酬仍是正的（年化 15.9%，進攻日為 22.0%），看未來 21 天，防守日之後的表現甚至略好。這個濾網預測的是波動（年化 32.0% 對 18.2%），而避開波動才是保護槓桿部位的關鍵。

2 倍槓桿 ETF 可以長期持有嗎？QLD 和 TQQQ 差在哪裡？ 回測期間單純持有 QLD 年化 33.3%、最大回撤 -63.7%；TQQQ 年化 40.6%、最大回撤 -81.7%。報酬確實較高，但要撐過資產一度只剩約三分之一、甚至不到五分之一的過程。加上狀態濾網後，2 倍部位的最大回撤降到 -22.2%。選 2 倍不選 3 倍，是為了讓濾網犯錯時（例如 2020 年的 -17.9%、2025 年的 -22.2%）的損失還承受得住。

這個策略是不是過度擬合？ 它通過了三項驗證：趨勢均線（150／200／250 日）與動能回看（63／126／189 日）的 9 組組合中，有 8 組日夏普勝過 QQQ；回測期間前後兩半各自勝過 QQQ；每邊加收 0.1% 成本後日夏普仍有 1.24，高於 QQQ 的 0.95。弱點在動能回看太短（3 個月）時，優勢幾乎消失。想進一步了解怎麼判斷一個策略是否過擬合，可以參考回測過擬合機率。

為什麼索提諾比率（3.45）比夏普比率（1.32）高這麼多？ 索提諾只懲罰下檔波動。濾網截斷了虧損期，策略的負報酬月份少而淺，索提諾因此相對偏高。1.32 的夏普是比較保守的數字，兩個都列出來供參考。

多久換一次？交易成本影響大嗎？ 每月換倉一次，每年周轉約 3.6 倍，全期 103 筆交易。每邊加收 0.1% 成本後，年化從 29.3% 降到 28.1%。回測報酬怎麼計算、成交價與費用怎麼設定，可以參考FinLab 回測報酬率的計算規則。

我可以自己跑這個策略嗎？ 可以。透過 AI 輔助安裝流程 設定好 FinLab 後，下載下方的 strategy.py 就能執行，也可以請 AI 幫你修改參數再重跑。

下載與重現

• strategy.py：完整策略。python strategy.py 跑回測，python strategy.py --validate 跑三項驗證。
• data.csv：策略、QQQ、SPY 的每日權益曲線。

最快的做法是讓 AI 代理幫你執行與修改：試試 100 日或 150 日均線、把 QLD 換成不加槓桿的 QQQ、調整停損幅度，再讓 AI 重跑回測，看每個選擇的代價。用 AI 寫回測、自動化執行的完整做法，見程式交易完整指南；量化交易的整體入門，見量化交易完整指南。

延伸閱讀

• 美股十支量化策略比較
• 美股品質價值策略回測
• 美股財報驚喜策略回測
• 美股回測教學：finlab 完整上手流程
• 年化報酬率（CAGR）是什麼

**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。**槓桿 ETF 另有每日重置造成的波動耗損與虧損放大風險；文中所有績效均為歷史回測，不保證未來報酬，請依自身風險承受度評估。

最後更新：2026-10｜回測區間：2016-05～2026-10｜作者：FinLab 量化研究團隊（經量化研究員審閱）