來源於：
{%preview https://podcasts.apple.com/tw/podcast/ep138-%E6%A9%AB%E6%88%AA%E9%9D%A2%E7%AD%96%E7%95%A5%E5%88%B0%E5%BA%95%E5%9C%A8%E5%81%9A%E4%BB%80%E9%BA%BC-alpha-%E7%9A%84%E4%BE%86%E6%BA%90/id1681473106?i=1000757637092 %}

----

## 橫截面策略（Cross-Sectional Strategy
核心概念是透過在同一時間點，買進（做多）表現較好或指標較強的一組資產，同時放空（做空）表現較差或指標較弱的另一組資產，藉此建構出一個「部位中性」（Position Neutral）的投資組合

這種做法的經典起源來自於探討因子收益的研究（例如Fama的因子模型），透過買入排名前段（如前30%）的股票，並放空排名後段（如後30%）的股票來獲利，本質是透過多空雙向操作來抵銷掉大盤的系統性風險，追求純粹的相對強弱差異

時間序列策略（Time Series Strategy，如CTA趨勢追蹤的差異

1. 捕捉的收益類型不同（絕對報酬 vs. 相對報酬）
* 時間序列策略捕捉的是單一資產自身的「絕對收益報酬」與時間動能（Time-series momentum）。例如當特定資產突破某條均線時就買入做多，跌破時就放空，它賭的是價格趨勢在下一秒會延續
* 橫截面策略捕捉的則是不同資產之間的「相對報酬」（Relative return）或價差（Spread trade），它並不在意單一資產絕對價格的漲跌，而是專注於找出相對市場平均表現更好與更差的標的

2. 部位中性與方向性曝險
* 時間序列策略會承擔方向性風險（Directional bet），並擁抱市場的Beta。例如在大多頭市場中，時間序列策略的部位可能會呈現100%全面做多，其淨曝險絕對不是零
* 橫截面策略的哲學是避險（Hedge），追求大盤風險與因子曝險為零。無論市場是大漲還是大跌，它永遠保持多空部位相加的淨曝險趨近於零

3. 持倉狀態的連續性
* 時間序列策略在沒有觸發交易訊號（例如所有股票都沒有突破均線）時，可能會完全沒有倉位（空手）
* 橫截面策略本質上要求每天都必須持倉，因為它相信因子特性一直存在，每天都會依據相對強弱進行多空排序與配對，不會有「關掉或停掉」的情況

## 投資管理的基本定律
由 Richard Grinold於 1998 年的著名論文中提出。
$$IR = IC \times \sqrt{BR}$$
其核心公式為： Sharpe Ratio（夏普比率） ≈ IC（資訊係數） × √N（獨立資產數量的平方根）

1. Information Ratio (IR)： 衡量的是「主動風險調整後的超額報酬」。公式是將投資組合的超額報酬（相對於基準指標，如大盤）除以追蹤誤差（Tracking Error，即超額報酬的標準差）。因為基本定律探討的是「主動管理」能創造多少 Alpha。
2. Sharpe Ratio： 衡量的是「總風險調整後的絕對報酬」。公式是將投資組合的總報酬減去無風險利率後，除以投資組合的總波動率（標準差）。它包含了市場本身的漲跌（Beta），無法單獨分離出經理人選股或擇時的「預測能力」（IC）。
3. IC（Information Coefficient，資訊係數）：用來衡量模型預測的品質與準確度。在線性模型的規範下，IC 描述的是輸入訊號與預測值之間的確定性關係（例如輸入 1 時，能確實得到 1.2 的結果），而不單純只是數值高低的相對排序
* IC 越高，代表模型預測越準確，能賺取的利潤也越多
* 實務上，IC 往往非常微弱且充滿雜訊，單一獨立因子的 IC 要達到 0.01 甚至 0.05 都是極度困難的事
4. N（獨立資產數量）：這裡的 N 並非單純指投資組合中的資產總額，而是嚴格定義為「獨立資產」的數量。也就是扣除市場平均報酬後，資產間的殘差相關性（Correlation）必須接近於零，確保它們不會同漲同跌

資產數量（N）是用來放大微弱勝率（IC）的關鍵：因為實務上的 IC 通常非常低（勝率只比 0.5 高一點點），為了確保長期的期望值為正並穩定獲利，你必須「無限多次地擲骰子」。

這裡的「獨立資產數量 N」就代表了「擲骰子的次數」。N 越大（獨立股數越多或交易頻率越高），你就越有機會靠著微小的優勢（Edge），從市場走勢中把收益穩定地榨取出來。

資產必須「獨立」，否則 N 會失效：如果資產之間不獨立（例如同漲同跌），就無法產生相對強弱的差異，這等同於你並沒有獲得額外的擲骰子機會。只要市場上的標的越獨立，或者像高頻交易那樣透過極短的持有時間讓資產走勢趨近於獨立，Alpha 策略的效果就會越好

若 N 不足，則需要極高的 IC 或槓桿來補救：如果獨立資產的數量不夠多（擲骰子次數少），你就必須要求你的模型特徵（Feature）非常強大，強到只要玩兩次就能贏，但這在實務上難度極高。這也解釋了為什麼當市場上出現極少數的高勝率機會時（N 很小但 IC 高），投資人往往只能透過「開槓桿」的方式來放大絕對收益

在一個完美的市場中性策略中：
* 你完全對沖掉了市場風險（Beta = 0）。
* 你的基準指標（Benchmark）就等同於無風險利率（Risk-free rate）。
* 此時，你的「超額報酬」就等於「總報酬減去無風險利率」，而你的「追蹤誤差」就等於「總波動率」。

在這種極端的假設情境下，該策略的 Information Ratio 在數學上會剛好等於 Sharpe Ratio。 由於許多量化對沖基金（尤其是操作高頻或橫截面策略的機構）習慣將 Sharpe Ratio 視為最終 KPI，因此在口語或實務傳遞時，經常會把公式左邊的 IR 直接代換為 Sharpe Ratio。

## 因子動物園和限制

* 因子同質性過高： 橫截面領域存在所謂的「因子動物園」現象，許多人聲稱找到了新因子，但其實只是將舊有的基準模型（如 Fama-French 模型）換個華麗的名稱，本質上同質性極高
* 回測結果失真： 如果回測時間拉得夠長，散戶很容易因為隨機性或運氣好，而湊巧找到看似會賺錢的訊號（即 p-hacking）。這種過度擬合出來的策略在實戰中通常毫無用處，但卻會讓散戶誤以為自己找到了獲利方程式

放空部位的成本之所以特別高，主要來自於實體借券的流動性限制以及市場參與者之間的逆選擇（Adverse Selection）防備，具體原因如下：
* 借券困難與無券可空：放空股票的先決條件是必須先「借到券」。然而實務上，一旦部位放大，許多股票根本借不到券，或者標的本身就不開放放空
* 造市商的「逆選擇」防備與高收費：當部位較大（例如超級散戶）轉向券商（Broker）或造市商（Market Maker）要求借取大量股票來放空時，這些經驗老道的機構會立刻產生警覺
* 獲利遭侵蝕與標的受限：這些高昂的放空成本，是導致許多因子模型在理論回測上看似會賺錢，但在實務上卻完全無效的主要原因，因為預期的利潤全被放空成本吃掉了
* 為了盡可能滿足獨立的條件，實務上（例如高頻交易）會透過極度縮短持有時間來達成。當時間切得越碎、持有時間越短，資產受到整體市場大趨勢波段的影響就會被移除，它們彼此之間的走勢就會越來越趨近於所謂的獨立

雖然可以透過正二反二等標的進行多空組合，但橫斷面策略排除對設備上的要求，加上交易成本和放空成本，並不適合散戶，因此時間序列策略仍然是散戶的首選。

----

## 橫截面策略的開發 SOP
步驟一： 想到一個點子，並為每檔股票生成對應的特徵值
步驟二： 進行簡單的多空回測，初步檢視這個訊號能不能賺錢
步驟三： 如果初步看來有潛力，且經過「正交化」處理後依然有效，就會將其丟入模型中進行擬合
步驟四： 最後放入「優化器」中，檢視優化出來的結果能否讓整體的投資組合更賺錢