Please enable JavaScript.

Coggle requires JavaScript to display documents.

論文的批判性分析與未來研究方向 - Coggle Diagram

- - - - 問題: 研究期間僅到 2015 年底，未能涵蓋近年（如 2016-2024）的市場結構變化，例如：
        
        COVID-19 疫情造成的劇烈波動。
        
        近年來 AI 趨勢帶動的特定科技股行情。
        
        主被動投資與當沖交易佔比的改變。
      - 影響: 策略的有效性與穩健性在新的市場環境下可能發生改變，歷史回測結果的外推性 (Extrapolation) 存疑。
    - - 問題: 學術研究常忽略或簡化實際交易成本，包含：
        
        手續費與證交稅: 論文未明確說明是否扣除，這在高頻換股策略中影響巨大。
        
        滑價成本 (Slippage): 在買賣流動性較差的成分股時，實際成交價可能劣於回測價格。
        
        衝擊成本 (Impact Cost): 大量資金進出可能推高買價或壓低賣價。
      - 影響: 論文計算出的「超額報酬」在現實中可能被交易成本大幅侵蝕，甚至變為負值。
    - - 問題: 論文主要將超額報酬歸因於「動能」，但可能未完全排除其他風險因子的影響。
        
        例如，贏家組合是否恰好曝險於更高的市場風險 (Beta)、公司規模 (Size) 或價值 (Value) 因子？
      - 影響: 若未經多因子模型（如 Fama-French Three-Factor Model）檢驗，我們無法確定觀測到的超額報酬是純粹的「動能 Alpha」，還是對其他風險的補償。
    - - 問題: 研究對象僅限於 0050 成分股，這些是台灣市場上規模最大、流動性最好的股票。
      - 影響: 動能效應在不同市場板塊（如中小型股、OTC市場）的表現可能截然不同。此研究的結論不應直接推廣至所有台股。
    - - 問題: 測試了 16 種 (4J x 4K) 參數組合，並從中挑選出最佳的 (J=9, K=9)。
      - 影響: 這個「最佳組合」可能只是在該特定歷史數據上表現最好，存在數據探勘 (Data Snooping) 的疑慮。策略的穩健性應觀察是否在「大多數」組合下都存在正向績效，而不僅僅是單一最佳點。
  - - - 方向: 將回測期間延伸至當前，以驗證動能策略在經歷了多空循環與不同宏觀環境後的穩健性 (Robustness)。
    - - 方向: 在回測模型中加入對手續費、稅、以及預估滑價的模擬，重新計算策略的淨報酬，評估其在現實中的可行性。
    - - 方向: 採用 Fama-French 三因子或五因子模型進行迴歸分析，剝離市場、規模、價值等因子的影響，檢驗動能策略是否仍存在顯著的 Alpha (α) 值。
    - - 方向: 將研究對象擴展至台灣中型100指數成分股、櫃買指數 (OTC) 成分股等，比較動能效應在不同規模與流動性股票上的差異。
    - - 方向: 嘗試將動能因子與其他因子結合，例如：
        
        動能 + 價值: 尋找價格強勢但價值被低估的股票。
        
        動能 + 品質: 尋找價格強勢且公司基本面（如高 ROE、低負債）優良的股票。
      - 目標: 探索是否能透過多因子組合，創造更穩定或更優異的風險調整後報酬。
    - - 方向: 將市場劃分為牛市、熊市、盤整市等不同狀態 (Market Regimes)，分別檢驗動能策略在各種狀態下的績效表現，以了解其適用場景與潛在弱點。