背景

• AILA 策略建構於多項資產之上，而這些資產又採用專屬分類模型所產生的配置訊號，這些模型依循下述的滾動多模型（RMM）方法：
• 2017 年至 2021 年：配置訊號由 1016 產生。
• 自 2022 年起，此後每年都會在現有的視窗組合中疊加一個新視窗，各視窗的訊號貢獻以等權重方式納入考量。
• 此方法的目標是在避免資料洩漏與過度擬合的同時，最大限度地運用有限的訓練資料。
• 在每個訓練視窗中訓練、部署及運作模型都需要額外投入，因此有必要評估其是否有益。

目標

本檢驗的目的在於評估：

• 就整體投資組合績效而言，多視窗方法與單一視窗方法的比較。
• 依據組合後整體報酬的一致性，評估底層訓練方法的穩健性。

做法

• 我們建構了涵蓋相同合約的分散化投資組合，橫跨農產品（穀物、畜產、油籽及軟性商品）、金屬（基本金屬及貴金屬）、石油（原油及精煉油品）以及天然氣，以模擬每年逐步加入新的訓練-驗證（T-V）視窗（以下稱「視窗」）模型。
• 由於在我們的投資組合建構方法中，新視窗自 2022 年起才開始疊加，本分析將以各投資組合自該年起的績效作為評估基礎。
• 據此，5 個投資組合依下列 RMM 加入邏輯建構：
  • W0：僅包含 1016，亦稱為單一視窗投資組合。
  • W1：包含 1016 及 1117，自 2022 年起每個視窗的權重各為 50%。
  • W2：2022 年與 W1 相同，之後加入 1218 進行疊加，自 2023 年起每個視窗的權重各為 33.33%。
  • W3：至 2023 年為止與 W2 相同，自 2024 年起加入 1319 進行疊加，自 2024 年起每個視窗的權重各為 25%。
  • W4：至 2024 年為止與 W3 相同，自 2025 年起加入 1420 進行疊加，自 2024 年起每個視窗的權重各為 20%。
  • W5：至 2025 年為止與 W4 相同，自 2025 年起加入 1521 進行疊加，自 2024 年起每個視窗的權重各為 16.66%。

績效衡量

• 這些投資組合的績效將以其累積報酬與夏普比率衡量。
• 須注意的是，這些指標並非評估個別視窗的績效，而是評估每年逐步疊加視窗的滾動方法。
• 我們也將報酬拆解至商品層級，以便詳細檢視每個成分的滾動績效。

• 就整體累積報酬與夏普比率而言，所有投資組合的走勢都非常接近：
  • W0：108.36% / 整體夏普比率：3.09
  • W1：105.69% / 整體夏普比率：2.76
  • W2：106.54% / 整體夏普比率：2.73
  • W3：104.89% / 整體夏普比率：2.68
  • W4：106.43% / 整體夏普比率：2.70
  • W5：107.28% / 整體夏普比率：2.71
• 在整個期間內，以單一視窗 1016 為基礎的 W0 表現略優於其他視窗投資組合，包含所有視窗的 W5 則居次。
• 一如預期，2022 年至 2023 年期間的報酬績效相互一致，接著在 2023 年至 2024 年中期間，W0 表現較佳。
• 進一步檢視可發現，自 2024 年中起，W1–W5 的累積報酬變化率更為陡峭，縮小了與 W0 投資組合之間的差距，顯示所有多視窗投資組合的績效都較佳。
• W0 的夏普比率較高，為 3.09；隨著投資組合中組合的視窗數增加，夏普比率急遽下降，但穩定在 2.70 左右。
• 各投資組合的每日報酬彼此高度相關，多視窗投資組合之間的相關性更是非常接近。

• 所建構的投資組合共包含 25 項商品。我們依各商品的報酬拆解分析，以更詳細地了解各項貢獻。
• 此處呈現的兩張直方圖，分別代表在 25 項商品中，依累積報酬與夏普比率計算 W0–W5 成為績效領先者（第 1 名）的次數。
• W1 在整體投資組合層級的累積報酬最低，但在累積報酬與夏普比率兩方面，都在 6 項商品中排名第 1。
• W5 依累積報酬在 8 項商品中排名第 1，但依夏普比率則僅在 4 項商品中排名第 1。
• 從個別圖表（見附錄）可見，就每項商品而言，雖然績效的趨勢與方向相近，但 W0 與 W1–W5 之間的績效差異程度較高。
• W0 與 W1–W5 之間的夏普比率差異（見附錄）也較高。
• 此差異的原因可能在於：投資組合建構參數（資本、最佳化目標、類股-資產上限等）雖然在全部 5 個投資組合中都相同，但可能在個別商品層級放大差異，同時使整體層級的績效趨於一致。

• 本分析的一個基本關注重點，是檢視以多視窗方法彙整配置訊號，就整體績效而言是否優於單一視窗。
• 在本分析中，我們看到單一視窗投資組合 W0 的表現優於其他視窗組合。
• 進一步檢視可發現一些有趣的型態：在最初 2 年疊加視窗時，績效似乎確實下降，顯示相對於 W0 報酬有所減損。自 2024 年起，我們觀察到績效迎頭趕上並趨於一致，顯示這些視窗在此期間對報酬具有加成效果。
• 檢視個別商品層級的績效可見，雖然單一視窗報酬勝出的次數最多，但其他視窗組合（W1 及 W5）在某些商品上的表現也相當可觀。然而，各視窗組合之間的績效差異較大。
• 雖然我們無法明確斷定增加視窗數量與績效之間存在正向關係，但滾動視窗並不會顯著降低絕對報酬或報酬品質，同時在單一視窗投資組合表現失常的某些期間，還能提供支撐績效的緩衝。
• 根據 W0 的績效以及 W0–W5 績效之間的高度相關性，可以得出一個較明確的結論：AILA 的底層訓練方法具有高度一致性，因此相當穩健。