美股動能策略回測：12-1 動能因子驗證＋槓桿 ETF 擇時（附程式碼）

「強者恆強」在美股還成立嗎？動能是學術界重現次數最多的股市異常之一，但多數文章只停在引用論文，或只放一條漂亮的淨值曲線，沒有證明背後的選股訊號真的有效。這篇做兩件事：先在美股整個流動性宇宙檢驗 12-1 動能能不能把股票排出高低，再把這個訊號做成可交易的策略，用可下載的 finlab 程式碼回測。

結果：2016 年 5 月到 2026 年 10 月，策略年化報酬 29.9%、月夏普 1.46、最大回撤 -21.1%；同一段日期買進持有那斯達克 100（QQQ）含息分別是 20.7%、1.09、-35.1%。策略也通過本文的三項驗證：鄰近的 9 組參數、前後兩段期間，以及每筆買賣加計 0.1% 成本之後，日夏普都高於 QQQ。

有一點要先講清楚，因為它會改變你讀每個數字的方式：可交易的版本不持有選出來的股票。它持有一小籃 ETF，只在大盤趨勢與動能參與度都支持時，才加入槓桿成長 ETF（TQQQ、TECL）。股票宇宙負責產生「訊號」，槓桿 ETF 負責「執行」。這個設計有特定風險，後文會完整交代。這套動能系統是我們用同一套執行模型測試的十個美股策略之一，彼此的比較整理在美股量化策略總覽。

關鍵數字：策略、QQQ、SPY 與 TQQQ 對照

TQQQ 那一欄是整個實驗的重點。三倍槓桿的那斯達克 100 ETF 一路抱著，年化報酬 40.6% 比策略高，但最大回撤 -81.7%、年化波動 65%，幾乎沒有人抱得過一整個循環。用市場狀態濾網控制同樣的槓桿，保留了大部分報酬，最大虧損壓在 -21% 左右。數字來自 finlab 回測，QQQ、SPY 與 TQQQ 用含息還原價（us_fund_price:adj_close）。每一欄都是同一段日期（2016-05-02 至 2026-10-26），本文所有夏普與索提諾，策略與基準一律不扣無風險利率計算；頁首與 finlab 回測報告顯示的月夏普 1.36，則是扣除 2% 無風險利率後的數字。

什麼是橫截面動能（12-1 動能）

橫截面動能是把股票互相比較排名，押注近期相對強勢的股票，在接下來幾週到幾個月會繼續跑贏相對弱勢的股票。本文採用學術界的標準量法 12-1 動能：過去 12 個月報酬，扣掉最近一個月（最近一個月的短期報酬常出現反轉，所以跳過）。買進過去贏家、賣出過去輸家可以賺到超額報酬，最早由 Jegadeesh & Titman（1993）系統性記錄，Carhart（1997）再把它納入四因子模型，成為標準的動能因子。

它和趨勢追蹤或「創新高」突破不一樣：後兩者看的是單一標的自己的價格路徑，橫截面動能則是同時在一大群股票之間做相對排名，所以必須用完整的宇宙才量得準。台股讀者可以對照我們的台股動能策略 18 年回測：同樣的 12-1 動能在台股直接做成選股組合，2008 到 2026 年化 11.5%，輸給含息 0050 的 14.8%。美股的結果不同，下一節會看到動能優勢在最強那一組特別明顯。

因子分析：12-1 動能在美股選得出強勢股嗎

相信任何策略之前，底層因子要能在整個宇宙裡把報酬排出高低，而不只在一籃挑過的股票裡有效。本文的宇宙是 60 日平均成交金額前 500 大的美股，再加三道門檻：股價 10 美元以上、日均成交金額 1,000 萬美元以上，以及單日漲跌超過 50% 的個股剔除一年（防止拆股與資料異常混進來）。成交金額與股價門檻用未還原收盤價計算，原因在回測方法一節說明。所有計算都是時點正確（point-in-time），每個月只用當天已經拿得到的資料，避免前視偏差。

把宇宙依 12-1 動能分成十組，量測每組下一個月的平均報酬，是檢驗這個想法最乾淨的方法。

報酬集中在頭尾兩端。最強的 D10 每月平均 2.38%，大約是最弱 D1（0.53%）的 4.5 倍；做多 D10、放空 D1 的多空價差平均每月 1.84%，年化約 22%。中間的 D2 到 D8 幾乎是平的，全部落在 0.88% 到 1.10% 之間，代表這個因子分得出頭尾，卻排不出中段股票的高低。和本研究 2026 年 6 月的版本相比，這次「只有最強一組突出」的形狀更明顯，部分原因是宇宙定義的修正（見回測方法）。

第二個、也更嚴格的檢驗是資訊係數（IC）：這個月的因子值與下一期報酬的等級相關係數。IC 為正而且穩定，代表因子真的帶有預測資訊。

這些 IC 都很小。1 個月 IC 平均 0.012，IC 資訊比率（IC 平均除以標準差）只有約 0.06，表示在全部 500 檔之間，動能排名與下月報酬的關係又弱又不穩定；表現最好的 6 個月期也只有 0.022。這就是動能的真實樣貌：IC 低、報酬分佈有肥尾，賺錢主要靠右尾（最強十分位），整個宇宙之間並沒有平滑的線性關係。

滾動 IC 在動能反轉期間會明顯跌到零以下，圖中最深的一段落在 2021 年，這正是 Daniel & Moskowitz（2016）分析的「動能崩跌」風險；2025 年以後則大致在零附近徘徊。十分位價差和 IC 說的是同一件事：優勢確實存在於最強十分位，放到整個宇宙就很吵雜，這也是可交易版本加上市場狀態濾網、不直接持有原始股票籃的原因。

為了讓個股層面的優勢更具體，下圖是一個不加槓桿、不擇時的組合：每月等權持有動能最強十分位，對照等權全宇宙與 QQQ。

不用槓桿、不擇時，最強十分位在期末仍明顯高於全宇宙與 QQQ。過程並不平順：2020 年以前一直落後 QQQ，2026 年年中創高之後又急跌一段。這就是整個策略賴以建立的超額報酬。Asness, Moskowitz & Pedersen（2013）在八個不同市場與資產類別都找到動能溢酬，這類跨市場證據加上上面的因子檢驗，是條件許可時值得用較積極方式表達動能的理由。

從因子到訊號：用動能廣度與 QQQ 趨勢判斷多空

直接持有最強十分位有效，但不加槓桿的股票籃報酬上限有限，空頭時也照樣吃滿大盤回撤。所以策略改用兩個條件控制槓桿部位：QQQ 的趨勢負責實際的多空切換；動能的廣度（breadth，宇宙中「12 個月報酬為正、而且排在動能前 10%」的股票佔比）用來確認參與是廣泛的。

多頭狀態要三個條件同時成立：動能廣度高於 8%、QQQ 站上 200 日均線、QQQ 過去 126 日報酬為正。因為廣度只計算「動能前 10% 且 12 個月報酬為正」的股票，它的上限大約就是宇宙的 10%；這段樣本裡，月底讀數一直落在 9.5% 到 10.2% 之間。所以 8% 的門檻在這段期間從來沒有把策略關掉，只有在動能前 10% 的股票裡有相當比例過去 12 個月下跌的市場才會觸發，實際的切換全部來自 QQQ 的趨勢與動能條件。

三個條件都成立時，策略買進兩檔最強的槓桿成長 ETF（TQQQ 與 TECL）；不成立時持有一檔防禦型 ETF（中期公債 IEF、黃金 GLD 或短期公債 SHY）。回測中，防禦型 ETF 在多頭月份通常也留在組合裡：交易明細中有 70 個月持有槓桿 ETF，其中 66 個月是 TQQQ、TECL 各約 25%，旁邊配一檔約 50% 的防禦型 ETF。換句話說，典型的多頭月份大約一半資金放在三倍槓桿產品上。每月再平衡一次，ETF 部位設 8% 觸價停損。

資料與程式碼：把這段貼給 AI 或自己執行

所有資料都來自 FinLab 的美股資料庫：個股篩選用 us_price，ETF 執行用 us_fund_price。us_price:adj_close 是含息還原價，動能因子不會被股利或拆股扭曲；成交量沒有做拆股調整，所以計算成交金額時要搭配未還原的 us_price:close。槓桿 ETF 的價格序列本身已經反映每日重設與管理費，三倍產品的波動耗損都算在結果裡。資料表的完整清單可以參考美股資料庫使用指南。

下面是頁面版的核心邏輯，一步一個動作；完整可執行的版本在文末下載。

import finlab
from finlab import data
from finlab.backtest import sim
from finlab.dataframe import FinlabDataFrame
 
finlab.login()  # 需要資料時，finlab 會自動引導登入
 
# 一、載入資料
data.set_market("us")
close = data.get("us_price:adj_close")   # 含息還原價：算報酬與動能
raw_close = data.get("us_price:close")   # 未還原價：算成交金額與股價門檻
volume = data.get("us_price:volume")     # 成交股數，沒有拆股調整
fund_close = data.get("us_fund_price:adj_close")[["QQQ", "TQQQ", "TECL", "IEF", "GLD", "SHY"]]
 
# 二、流動性宇宙與 12-1 動能
universe = liquid_universe(close, raw_close, volume, top_n=500)
ret_12m = close / close.shift(252) - 1
ret_1m = close / close.shift(21) - 1
momentum = ret_12m - ret_1m
 
# 三、動能廣度：宇宙中動能前 10% 且 12 個月報酬為正的比例
leaders = (momentum[universe].rank(axis=1, pct=True) > 0.90) & (ret_12m > 0)
breadth = leaders.sum(axis=1) / universe.sum(axis=1)
 
# 四、多頭狀態：廣度與 QQQ 趨勢同時成立
qqq = fund_close["QQQ"]
qqq_trend = qqq > qqq.rolling(200, min_periods=100).mean()
qqq_mom = qqq / qqq.shift(126) - 1
risk_on = (breadth > 0.08) & (qqq_trend & (qqq_mom > 0)).reindex(breadth.index)
 
# 五、多頭時加入最強的兩檔槓桿 ETF，防禦型 ETF 依趨勢挑一檔，
#     多數多頭月份兩者並存（約 25% / 25% / 50%）
#     完整的權重與 sim() 設定（月再平衡、8% 停損）在可下載的 strategy.py

liquid_universe 函式在 strategy.py 裡，做的就是上面說的成交金額、股價與異常值三道過濾。如果你不想自己讀程式碼，可以把這段連同文章網址貼給 AI 助理，請它解釋每一步或改參數重跑。

回測結果與樣本外檢驗

策略與基準的淨值曲線就是文首那張圖。下面是 finlab 的互動式回測報告，回撤、月報酬與交易明細都可以點開檢查：

任何回測最重要的穩健性問題是：它是不是只在設計它的那段期間有效。策略參數用 2016 到 2021 年的資料決定，2022 年以後完全不動，當作沒看過的樣本外期間，其中包含 2022 年的空頭。

樣本外的表現大致守住：年化從 31.4% 降到 28.1%，月夏普略高、最大回撤略小。樣本外一開始就是 2022 年，那年從 1 月第一週之後，濾網讓策略全年只持有防禦型 ETF，全年 -7.9%，同期 QQQ -32.6%。這是對策略有利的證據，但它只涵蓋一個市場循環，不能當成保證。

三項驗證：鄰近參數、前後兩段、交易成本

這裡的「贏過 QQQ」定義為：在完全相同的日期上，策略的日夏普（每日平均報酬除以標準差，乘上 √252 年化，不扣無風險利率）高於買進持有含息 QQQ。用這個量法，預設參數的策略是 1.40、QQQ 是 0.95，所以這一節的數字和關鍵數字表裡的月夏普不同。夏普比率的算法與解讀另有完整說明。

**鄰近參數。**調整的是讀者最可能去改的兩個設定：動能廣度門檻（6%、8%、10%，原始值 8%）與 QQQ 趨勢均線長度（150、200、250 日，原始值 200 日），9 組全部跑一次，至少 7 組贏過 QQQ 才算通過。結果 9 組全部贏過 QQQ。最弱的是 10% 那一列，日夏普 1.06 對 QQQ 的 0.95：廣度實際落在 9.5% 到 10.2% 之間，10% 的門檻剛好在這個範圍內，所以真的會擋掉一些月份。6% 與 8% 兩列的結果完全相同（1.40、1.40、1.36），和廣度在月底從未跌到這兩個水準一致。150 日與 200 日兩欄在這次回測中結果也完全相同；250 日那一欄在 6% 與 8% 兩列略低（1.36），在 10% 那一列則相同。

**前後兩段。**把整段回測依交易日數切成兩半，各自和 QQQ 比較：

兩段都贏過 QQQ。這個切法依交易日數對半，和上一節以日曆年劃分的研究段、樣本外不同。

**交易成本。**finlab 美股市場的預設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。驗證時每筆買進、每筆賣出各收 0.1%，當作買賣價差與滑價的替代：年化報酬從 29.9% 降到 28.4%，日夏普 1.34，仍高於 QQQ 的 0.95。

**結論：三項驗證全數通過。**想自己重跑，下載文末的 strategy.py 後執行 python strategy.py --validate。

回測方法與限制

本策略以「風險調整後指標至少 1.5」為主要門檻，一律以不扣無風險利率的口徑判斷：月索提諾 3.99、日索提諾 1.67、樣本外月夏普 1.50 都達標，全期月夏普 1.46 則略低於門檻。

槓桿 ETF 的風險

這不是一個買進持有股票的策略，真正可能傷到你的是槓桿：

• **每日重設與路徑依賴。**三倍槓桿 ETF 每天重設，盤整震盪的市場即使指數最後回到原點，淨值也會被侵蝕。上表直接持有 TQQQ 的 -81.7% 回撤，就是不加控管的三倍曝險長相。
• **跳空可能穿過停損。**回測中的 8% 停損是觸價停損；實盤遇到大幅跳空，成交價可能比停損價差很多。
• **每月切換擋不住月內崩跌。**濾網每月才再平衡一次，月中快速崩跌時，槓桿部位會一直承受到停損或下次再平衡。
• **可能長時間落後指數。**濾網會讓策略錯過或落後強勢行情：2019 年 QQQ 上漲 39.0%，策略 -2.5%；2023 年 QQQ 上漲 54.9%，策略 19.9%。
• **集中度。**同時只持有一到三檔 ETF，等於押注單一主題（美國大型成長股）。

如果這些風險超出你的承受範圍，前面那個不加槓桿的最強十分位股票組合，同樣捕捉動能優勢，又沒有槓桿特有的風險（每日重設、跳空穿過停損），只是它在這段樣本中的回撤比策略更深。

適合誰、不適合誰

適合想要規則化、偏成長風格的美股策略，了解槓桿 ETF 運作方式，並且能為了較高的複利承受 20% 以上回撤的投資人。不適合需要資本穩定、無法每月執行再平衡，或在任何時點都不想持有三倍槓桿產品的人。想先建立量化交易的整體概念，可以從量化交易完整指南開始；想把策略接上自動下單，參考程式交易指南。

常見問題

動能策略在美股還有效嗎？

2016 到 2026 年的十分位排序與為正（但偏小）的 IC 顯示，動能在最強十分位依然有效，與 Jegadeesh & Titman（1993）以來的研究一致。優勢集中在最強的那一群股票，而且容易遇到急速反轉。

為什麼持有槓桿 ETF，不直接買動能股？

動能股票籃有真實的超額報酬，但報酬上限有限，空頭時也吃滿大盤回撤。用市場狀態判斷多空、再透過槓桿 ETF 表達，目標是提高複利並在弱勢期間退場，代價是槓桿風險。

年化 30% 是不是好得不像真的？

它伴隨 -21% 的最大回撤、20% 的年化波動與三倍槓桿 ETF 曝險。直接抱 TQQQ 的對照（年化 40.6%、回撤 -82%）說明原始報酬本來就存在，策略的貢獻在於風險控管。

這個結果是不是挑到剛好的參數？

本文的測試結果不支持這個疑慮：動能廣度門檻 6%、8%、10% 與 QQQ 均線 150、200、250 日的 9 組組合，日夏普全部高於 QQQ；前後兩段都贏 QQQ；每筆買賣加計 0.1% 成本後仍然贏 QQQ。執行 python strategy.py --validate 可以自己驗證。

多久換一次股？周轉率多高？

每月再平衡一次，年周轉率約 4.0 倍。月中觸發 8% 停損時會提前出場。

美股動能策略要用哪些資料？

個股篩選用 FinLab 的 us_price:*（還原價、未還原價、成交量），ETF 用 us_fund_price:*，兩者都在標準的 FinLab 帳號裡。第一次做美股回測，可以先讀美股回測教學，它把資料取得到回測執行的完整流程走過一遍。

台股也能用同樣的動能策略嗎？

語法可以照用，結果要重新驗證。我們在台股的實測裡，純 12-1 動能選股輸給含息 0050，加上 ROE 品質、營收成長與複合動能確認之後才大幅勝出，細節見台股動能策略：純追強勢股為何輸 0050。

自己重現這個策略

兩個檔案可以重現上面的結果：

• 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 的每日淨值。

最快的方法是走 AI 輔助安裝流程，再請你的 AI 助理執行與修改：換宇宙大小、調整廣度門檻，或把槓桿 ETF 換成不加槓桿的版本，讓它重跑回測。用同一套資料引擎測試的其他美股策略，例如美股品質價值策略、美股盈餘驚喜策略與美股低波動策略，十個策略的並排比較都在美股量化策略總覽。

**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 另有波動耗損與虧損放大等風險；文中的策略績效均為歷史回測，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）