背景：

AiLA 方法論有四個 alpha 來源，包括：

• 配置決策：依據因子分類，決定何時持有多頭、空頭或中性部位
• 風險最佳化：依據預先設定的持有期間與風險／報酬比，決定配置可承擔風險的時間長度。
• 曲線分散：由獨立模型決策決定應配置期貨曲線上的哪一個點。例如：WTI 將有 12 個獨立模型，決定配置曲線上的哪些點
• 投資組合建構：步驟 1、2 與 3 產生大量獨立的報酬流，再以波動率目標法加以組合，使變異數與相關性效果降至最低。

研究方法：

• 目的在於將 AiLA 所產生的 alpha 拆解為上述各項組成要素，以更深入了解其來源
• 本研究建立了 3 個規模容量為 $1B 的投資組合。這 3 個投資組合的投資組合建構與風險最佳化方式均一致。此外，共使用橫跨 23 項分散化原物料商品的 151 檔標的：
  • UVV：未分類的隨機配置、風險最佳化，每項原物料商品僅交易曲線上的 1 個點
  • CVV：經分類的配置、風險最佳化，每項原物料商品僅交易曲線上的 1 個點
  • F1B：經分類的配置、風險最佳化，每項原物料商品交易曲線上的所有點（共 151 檔標的）
• 我們希望運用這些投資組合的結果，對 AiLA alpha 產生的組成要素作出若干推論

• 一如預期，我們觀察到績效排序為 F1B > CVV > UVV
• CVV 與 UVV 的年化風險較低，原因在於每項原物料商品僅交易曲線上的一個點，配置數量較少。
• 比較 CVV 與 UVV，夏普比率相差 0.6，此即在每項原物料商品僅交易曲線上一個點時的基準分類效果。
• 比較 UVV 與 F1B，將近 2 的夏普比率差異來自於：i) 配置的分類、ii) 曲線上各標的的獨立建模，以及 iii) 投資組合建構的分散效益。
• 當曲線上的每檔標的皆經獨立建模，且可納入投資組合進行交易時，投資組合建構的分散效益更為明顯
  • 這 3 個投資組合均採用相同的投資組合建構方法論。
  • 在基本的 UVV 案例中，夏普比率基準偏低，僅為 0.4。若缺少分類，也未針對每項原物料商品交易曲線上的獨立標的，投資組合建構本身並不會產生太多 alpha
  • 比較 F1B 與 CVV，F1B 的主要差異在於其交易沿曲線分布、經獨立建模的多檔標的。在夏普比率為 1 的情況下，即使採用投資組合建構方法論，所產生的 alpha 也並不顯著。然而，當投資組合交易曲線上經獨立建模的標的時，夏普比率大幅提升至 2.4

• 如本次演練所示，單獨進行配置分類或投資組合建構，均無法產生顯著的 alpha。
• 分類所產生的 alpha 單獨來看雖然似乎較不顯著，但它為投資組合建構方法論的輸入程序帶來系統化方法與可靠性，因而具有價值
• 當存在曲線上各交易標的的獨立報酬流，並搭配穩健的投資組合建構方法論時，分類所產生的 alpha 會大幅提升。
• 雖然要以貢獻百分比來分配各組成要素、藉此拆解 AiLA 方法論的 alpha 具有挑戰性，但本次演練合理地證實，alpha 產生的各組成要素能相互提升彼此的效能。