策略建構方法論

方法論的 4 大支柱

1. 訊號產生
   • 主要配置訊號由以因子資料訓練的機器學習（ML）模型產生，用於伺機配置
   • 明確劃分訓練期、驗證期與樣本外期間，以消除過度擬合
2. 風險最佳化
   • 使配置與標的市場的價格週期一致
   • 所得的風險報酬比至少為 1:3，最長持有期間為 30 天，於配置時即提供防護機制
3. 配置上限
   • 對資產的權重配置須遵守整體資產、類股及群組的上限限制
   • 所套用的再平衡上限使最終配置與市場流動性相符，讓策略得以執行
4. 投資組合建構
   • 每項策略均以 Markowitz 模型為基礎，並納入具流動性的期貨合約建構而成
   • 透過分散化及沿曲線配置，強化獨立的報酬流

總結而言，AiLA 採用差異化的策略建構方法創造 alpha，並提供不相關的報酬​

概述

背景

AILA 策略可分為三種不同類型：

1. 季節性策略
2. 事件驅動策略
3. 貿易流策略

接著將這些策略加以拆解，以檢視：

• 是否與特定因子高度相關
• 是否有任何單一因子或一組因子能解釋大部分的 alpha
• alpha 是否確實為這 14 項因子無法解釋的殘差

納入分析的策略

1. AILAS002：歐洲電力與天然氣策略
2. AILAF010：分散化原物料商品策略
3. AILAF012：事件驅動型分散化原物料商品策略
4. AILAS043：農產品策略 - 穀物、油籽及軟性商品
5. AILAS066：基本金屬策略

迴歸方法論

將各策略的報酬流與因子報酬流進行多變量迴歸及相關性分析：

評估中共考量 14 項因子：

因子拆解

• 此策略與所考量的全部 14 項因子均不相關，顯示其具有無法由此處所考量之 14 項因子解釋的殘差 alpha
• 具統計顯著性的關鍵因子為逆價差與歐盟電力 Beta

• 此策略與所考量的全部 14 項因子均不相關，顯示其具有無法由此處所考量之 14 項因子解釋的殘差 alpha
• 具統計顯著性的關鍵因子為逆價差、價值、貴金屬 Beta、軟性商品 Beta 及石油 Beta

• 此策略與所考量的全部 14 項因子均不相關，顯示其具有無法由此處所考量之 14 項因子解釋的殘差 alpha
• 具統計顯著性的關鍵因子為曲線持有收益、趨勢、波動率持有收益、原物料商品 Beta、歐盟電力 Beta 及石油 Beta

• 此策略與所考量的全部 14 項因子均不相關，顯示其具有無法由此處所考量之 14 項因子解釋的殘差 alpha
• 具統計顯著性的關鍵因子為逆價差、波動率持有收益、原物料商品 Beta、軟性商品 Beta 及穀物／油籽 Beta

• 此策略與所考量的全部 14 項因子均不相關，顯示其具有無法由此處所考量之 14 項因子解釋的殘差 alpha
• 具統計顯著性的關鍵因子為趨勢、波動率持有收益及基本金屬 Beta

結論

• 這些策略與標準因子之間的相關性極低。
• 基本金屬與農產品策略確實與各自的類股因子呈現輕微的正相關。

• F012 策略依其設計，與大多數因子呈負相關，因為此策略預期在市場突然修正時發揮作用。
• 標示的因子代表對標的策略具統計顯著性的因子。