「回撤變淺」的真相：把風險拉到同一條線再比，六個因子只剩一個站得住

市場一波動就減碼，行情平靜再加回來。這套規則寫成程式只要幾行，直覺上又非常合理：風浪大的時候船開慢一點，翻船機率自然低。學界替它取了個名字叫波動率調控（volatility management），Moreira 和 Muir 在 2017 年發表在《Journal of Finance》的論文，讓它成了近十年最紅的風控技巧之一。

賣點永遠是同一句話： 回撤變小了 。

我們把這句話拿去驗。六個經典因子（小型股、價值、高獲利、保守投資、動能、品質），全部套上同一套波動率調控規則，縮放常數固定在 2000 年以前算好、之後完全不再回頭調整，成本抓每次調整曝險 25 個基點。時間拉到 2000 年 1 月至 2026 年 4 月，316 個月的真正樣本外。

結論先講：帳面上的回撤確實變淺了。 但把風險拉到同一條線再比，這個「變淺」大半是幻覺。

帳面數字有多漂亮

先看沒動手腳的原始數字。

六個裡面五個變好，動能那一格更是誇張：最大回撤從腰斬（−56.2%）縮到不到一成（−9.2%）。這種數字放在行銷簡報上，任何人都會想簽名。

少賠的錢是怎麼省下來的

問題出在一個容易被跳過的欄位： 調控後的部位到底剩多少 。

動能因子原本的年化波動是 17.4%。套上波動率調控之後，實際跑出來的年化波動只剩 4.4% ，大約只有原來的四分之一。高獲利因子從 9.9% 掉到 2.3%，品質從 10.3% 掉到 2.7%。六個因子沒有一個例外，全部大幅縮水。

原因不難懂。縮放常數是用 2000 年以前的波動水準校準的，而 2000 年以後市場的實現波動整體更高，於是這套規則幾乎一路在減碼。

所以「回撤變淺」有兩種可能的來源，這兩種在帳面上長得一模一樣：

第一種是 會擇時 ：它在該減碼的那幾個月剛好減對了，避開了真正的崩盤。

第二種是 只是少冒險 ：它從頭到尾都少壓一半的部位，賠的時候當然也少賠一半。你把倉位砍半，回撤同樣會變淺，這裡面沒有任何技巧成分。

拿一個只押四分之一資金的部位，去比一個滿倉的部位，然後宣稱前者「風控有效」。這是在比較兩件不同的事。

把風險拉到同一條線再比

公平的比法只有一個：把原始因子等比例縮小，縮到跟調控後 一樣的實現波動 ，再比一次回撤。同樣的膽量，看誰摔得輕。這一步在研究裡叫曝險匹配（exposure matching）。

換句話說，動能因子調控後波動是 4.4%，那就把原始動能也縮到 4.4%，讓兩邊站在同一條起跑線上。

藍柱是帳面上的改善，紅柱是把風險拉齊之後的改善。同一組資料，同一段期間，只換了比較基準，五個正的變成一個正的。

價值因子最戲劇。帳面上調控幫它把回撤從 −56.0% 縮到 −43.5%；可是把原始價值因子縮到同樣波動，它的回撤只有 −30.2%，比調控後的 −43.5% 還淺。也就是說，如果你的目的只是「少冒點險」，那你直接把倉位砍一半，結果比這套聰明規則還好。

動能是唯一還撐得住的一個，匹配後仍有 +8.2 個百分點的優勢。

剩下的那一個，經得起考驗嗎

+8.2 個百分點看起來還行。但在下結論之前，要先回答一個問題： 如果加減碼的時點是亂猜的，能不能也做出 +8.2？

檢驗方法叫相位隨機化。我們把動能那條加減碼的權重路徑整條保留（同樣的加碼幅度、同樣的減碼次數、同樣的交易成本），只把時間軸整段推移，讓它對準錯的月份。推 1 個月、2 個月、一路推到 316 個月，得到 316 條「時點完全打亂、其他條件一模一樣」的假訊號。

如果真實訊號有擇時能力，它應該把這 316 條假訊號遠遠甩開。

實際結果：316 條假訊號裡面，有 50 條的表現比真實訊號更好 。單尾 p 值 0.158，離統計顯著的門檻還有一段距離。六個因子做完同樣的檢定、再用 Holm 校正處理多重比較， 存活數量是 0 。

亂猜時點也能做到差不多的效果，那就表示效果不是來自時點。

那報酬呢

回撤這條線斷了，看報酬。這裡用夏普值：每承擔一單位風險，換到多少報酬。這個指標對倉位大小免疫，砍半倉位不會讓它自動變好，所以拿來比較是公平的。

六個因子，五個變差，只有動能變好。中位數是 −0.231 。

動能那 +0.265 一樣要過檢定關。配對重抽樣檢定校正多重比較之後，六個因子通過的數量是 0 ；把調控後的績效對原始因子做迴歸、看有沒有多出來的超額報酬，通過的數量同樣是 0 （動能的年化超額報酬 +1.6%，t 值 2.37，沒到本研究預設的 3.0 門檻）。

把六個因子等權組成一個「因子動物園」，在完全不計成本的情況下，夏普值只提升 0.036 ，p 值 0.815，跟零沒有分別。成本抓 10 個基點就翻負。抓到 50 個基點，調控後的組合夏普值變成 −0.177 ，從賺變賠。

這個 null 不是程式寫錯

一個做不出結果的實驗，永遠有兩種解釋：世界上真的沒有這個效果，或者你的程式有 bug。

所以在相信任何 null 之前，我們用 同一條程式 去複製 Moreira 和 Muir 的原始結果：市場因子、1926 年到 2015 年、不設槓桿上限、不計成本、完全照論文設定。

跑出來夏普值從 0.416 提升到 0.511，超額報酬 +4.7%/年，t 值 2.70。論文原文報的是 +4.9%/年。數量級對得上，方向對得上。這條程式有能力驗出正結果。

它在因子動物園上驗不出來，是因為那裡本來就沒有。

對一般投資人來說，這代表什麼

看到「回撤變小」，先問倉位是不是也變小了。 一個把部位砍到四分之一的策略，回撤本來就會變淺，那是算術，不需要任何預測能力。真正該問的是：在 同樣的風險預算 下，它有沒有比單純減碼更好？

風控規則的價值要在同一條風險線上比。 市面上大量「智慧風控」「動態調節」的績效展示，比較基準都是滿倉買進持有。這種比法對減碼型策略天然有利，看起來永遠會贏。

成本會吃掉薄的優勢。 波動率調控要頻繁調整曝險，每次調整都要付錢。這份實驗裡，等權組合的毛效果只有 0.036 個夏普值，10 個基點的成本就足以抹平。任何需要高換手的策略，先算成本再談績效。

誠實的邊界

這份實驗只測了 學術用的多空因子組合 （月頻、官方資料、單一縮放規則）。它不能證明所有形式的波動率調控都無效，也不能推翻用其他訊號（例如 VIX、已實現波動）在其他資產上的做法，那些設計沒有在這裡被測到，得各自重驗。

它能證明的是一件很具體的事： 六個經典因子套上這套規則，2000 年之後、算進成本，沒有一個通過檢定。而那個最好賣的「回撤變小」賣點，在把風險拉到同一條線之後，六個裡面剩一個，那一個再經過時點隨機化檢定也站不住。

我們原本就預期會是 null。null 如實報告，本身就是結果。

資料來源 ：Fama-French 官方日頻因子（SMB / HML / RMW / CMA / MOM）+ AQR 官方日頻 QMJ；樣本外 2000-01～2026-04（316 個月），成本 25 個基點，槓桿上限 3 倍。全部數字可在本站實驗 K1702 的結果檔中逐項覆核。

參考文獻 ：Moreira & Muir (2017, JF)；Cederburg, O'Doherty, Wang & Yan (2020, JFE)；Barroso & Detzel (2021, JFE)。

懶人包