量化投資這個詞聽起來很硬，但拆開來看，核心其實就是一句話：「用可以被量化、可以被驗證的規則，取代憑感覺的選股。」而因子模型（Factor Model），就是這整套邏輯背後最重要的骨架。這篇文章想從最早的單因子模型開始，一路講到今天業界與學術界常用的多因子架構，並且用制度面的規則、匿名化的案例，幫大家把這個常常被講得很玄的概念，拆解成可以自己動手驗證的東西。
什麼是因子模型：先從「風險有沒有被定價」講起
在因子模型出現之前，投資學裡最早被廣泛使用的定價工具是資本資產定價模型（Capital Asset Pricing Model，CAPM）。這個模型的邏輯很單純：一檔股票或一個投資組合的預期報酬率，應該等於無風險利率，加上這個資產承擔的「系統性風險」所應該得到的補償。用公式表示：
Ra = Rf + βa × (Rm − Rf)
其中 Ra 是資產的預期報酬率，Rf 是無風險利率（台灣市場常用短期公債殖利率或定存利率作為代理變數），βa 是這個資產的貝他係數，Rm 是市場整體的預期報酬率，(Rm − Rf) 則稱為「市場風險溢酬」。
貝他係數（Beta）衡量的是一檔股票相對於大盤的波動敏感度。白話一點說：如果大盤漲跌 1%，某檔股票平均會跟著漲跌超過 1%，代表它的貝他大於 1，屬於波動較劇烈的族群；如果貝他小於 1，代表這檔股票對大盤變動的反應相對溫和。CAPM 的核心主張是：只要用這一個貝他值，就足以解釋一檔股票長期預期報酬率的高低——貝他越高，理論上要求的報酬率就該越高，因為投資人承擔了更多系統性風險。
這就是所謂的「單因子模型」：市場風險（也就是貝他）是唯一被拿來解釋報酬差異的因子。這個架構在學術上簡潔優雅，也長期是財務學教科書的標準教材，但問題是——後來的實證研究發現，光靠貝他，遠遠沒辦法解釋股票報酬率的所有差異。
從單因子到三因子：規模與價值被納入定價
1990 年代，尤金·法瑪（Eugene Fama）與肯尼斯·法蘭奇（Kenneth French）透過長期的美股實證資料發現，除了市場風險之外，還有兩個現象長期而穩定地存在：
第一，小型股（市值較小的公司）的長期平均報酬，往往高於大型股，即使把貝他值的差異考慮進去也是如此，這個現象被稱為「規模溢酬」（Size Premium）。
第二，帳面市值比（Book-to-Market Ratio，也就是股東權益淨值除以市值，可以理解為本淨比的倒數概念）較高的股票——也就是相對於帳面價值而言，市場價格較低的股票——長期平均報酬也高於帳面市值比較低的股票，這個現象被稱為「價值溢酬」（Value Premium）。
法瑪與法蘭奇因此在 1992 到 1993 年間提出了「三因子模型」，把市場風險、規模、價值這三個因子一起放進報酬率的解釋方程式：
Ri − Rf = αi + β1(Rm − Rf) + β2 × SMB + β3 × HML + εi
這裡的 SMB（Small Minus Big）代表小型股減去大型股投資組合的報酬差，用來捕捉規模因子；HML（High Minus Low）代表高帳面市值比減去低帳面市值比投資組合的報酬差，用來捕捉價值因子。εi 是無法被這三個因子解釋的殘差項，理論上應該趨近於雜訊。
三因子模型的重要意義在於：它把「主動選股是不是真的有本事」這件事，變成一個可以拆解檢驗的問題。如果一檔基金長期報酬看起來很亮眼，但用三因子模型回歸分析後發現，這個超額報酬其實大部分來自它持續持有小型股與價值股（也就是承擔了規模與價值這兩種系統性風險），而不是選股眼光真的比別人準，那麼這個「亮眼績效」的性質就完全不一樣了——它是承擔特定風險換來的補償，而不是無中生有的超額報酬（Alpha）。
五因子模型：加入獲利能力與投資水準
2014 年，法瑪與法蘭奇進一步把模型擴充成五因子模型，新增了兩個因子：
- RMW（Robust Minus Weak）：獲利能力因子，比較高獲利能力公司與低獲利能力公司的報酬差異。獲利能力通常以營業利益除以股東權益帳面價值來衡量。
- CMA（Conservative Minus Aggressive）：投資水準因子，比較資產成長保守的公司與資產快速擴張公司的報酬差異。
這兩個因子背後的邏輯，其實來自於股利折現模型的推導：在其他條件相同的情況下，獲利能力越強、資產擴張越保守（代表未來現金流不會被稀釋太多）的公司，理論上應該有更高的預期報酬率。五因子模型上路後，學界也做了大量後續研究，檢驗這五個因子在美股以外市場（包括台灣、日本、歐洲）是否同樣成立，結果因市場、因時間區間而有所差異——這也是因子投資領域至今仍在持續辯論的地方，沒有一個因子是「放諸四海皆準、任何時期都有效」的萬靈丹。
台股常見的因子分類：基本面、技術面、籌碼面
在學術上，因子模型多半聚焦在規模、價值、獲利、投資這幾個經過嚴謹統計檢定的因子；但在台灣的量化投資實務圈，因子的分類方式通常更貼近資料的來源，大致可以分成三大類：
| 因子類別 | 常見指標 | 資料頻率 |
|---|---|---|
| 基本面因子 | 本益比、股價淨值比、股東權益報酬率（ROE）、營收成長率 | 季度或月度（隨財報公告） |
| 技術面因子 | 過去 N 個月報酬率（動能）、相對強弱指標、乖離率 | 日度 |
| 籌碼面因子 | 外資買賣超、投信買賣超、融資融券餘額變化、大戶持股比例 | 日度 |
其中，「動能因子」（Momentum）雖然不在法瑪與法蘭奇原始的三因子或五因子模型裡，但由於納拉辛漢與提特曼（Narasimhan Jegadeesh & Sheridan Titman）在 1993 年的研究發現「過去表現較好的股票，在接下來 3 到 12 個月傾向延續相對強勢」這個現象具有統計顯著性，動能因子後來也被廣泛納入實務界的多因子模型中，成為除了規模、價值之外最常被引用的第三支柱。
值得留意的是，動能因子和價值因子在邏輯方向上其實有點「打架」：價值因子傾向找「便宜」（相對於基本面而言，市場價格偏低）的股票，動能因子則傾向找「近期強勢延續」的股票，這兩者在單一時間點篩選出來的股票池經常是不同的族群，甚至有部分重疊度很低。這也是為什麼多因子模型的存在意義，並不是把所有因子的訊號做簡單加總，而是要理解每個因子背後代表的風險敘事是否彼此獨立、是否有互補效果。
多因子選股的運作機制：從單一排序到綜合評分
多因子選股模型最基本的操作邏輯，通常分成以下幾個步驟：
第一步：建立股票池。 通常會先用市值、成交量、上市年限等條件過濾掉流動性太差、資料不完整的標的，避免因子計算失真。
第二步：計算各因子的原始數值。 例如某一期間，對股票池內每一檔股票計算本益比、ROE、過去 6 個月報酬率等指標。
第三步：因子標準化（Standardization）。 因為不同因子的單位、量綱完全不同（本益比可能是個位數到三位數，ROE 是百分比），無法直接加總，通常會做 Z-score 標準化，也就是把每個因子的原始值，轉換成「距離該期間全體樣本平均值有幾個標準差」的相對位置，公式為：
Z = (X − 平均值) / 標準差
第四步：因子加權合成綜合分數。 依照事先設定的權重，把標準化後的各因子分數加總，得出一個綜合評分。例如某個簡化的三因子模型，可能給價值因子 40% 權重、獲利因子 30% 權重、動能因子 30% 權重，加總後由高到低排序。
第五步：建構投資組合並定期再平衡。 依照綜合評分排序，選出前面一定比例（例如前 10% 或前 20%）的股票組成投資組合，並且設定固定週期（例如每季或每半年）重新計算因子分數、調整持股名單，這個動作稱為「再平衡」（Rebalancing）。
這整套流程的重點在於「規則透明、可回測、可重複驗證」，而不是靠單一時間點的主觀判斷。這也是量化投資與傳統主觀選股在方法論上最本質的差異。
一個簡化的匿名化案例：型態說明而非操作建議
為了幫助理解，我們用一個完全匿名化、不對應任何真實個股的假設情境來說明因子模型「型態上」可能呈現的樣子。
假設有一個模擬股票池，其中「甲類股票」長期呈現本益比偏低（低於股票池平均值一個標準差以上）、股價淨值比也偏低的特徵，同時 ROE 維持在相對穩定的水準；「乙類股票」則呈現本益比偏高、股價淨值比偏高，但過去 12 個月股價報酬率明顯優於股票池平均值的特徵。
如果只用「價值因子」這一個維度篩選，模型會傾向選出甲類股票；如果只用「動能因子」篩選，模型則會傾向選出乙類股票。而在歷史資料的統計檢定中（例如上述提到的法瑪與法蘭奇及傑加迪希與提特曼的研究），這兩種型態的股票，在不同市場狀態、不同時間區間下，呈現出來的長期平均報酬與波動特性並不相同，且沒有一種型態在「所有」歷史區間都持續優於另一種。這正是為什麼多因子模型會傾向把價值與動能兩個因子「同時」納入考量，而不是二選一——當市場處於不同階段時，單一因子可能會經歷長達數年的失靈期，多因子的組合設計目的是分散「單一因子失靈」的風險，而不是保證每個時間點都能取得正報酬。
這個案例純粹是說明因子模型「篩選邏輯的型態」，並不是對應任何一檔真實股票，也不構成任何操作建議。
常見誤解一：因子有效等於「找到聖杯」
因子投資領域最常見的誤解，是把「某個因子在歷史回測中呈現統計上顯著的正報酬」，直接等同於「這個因子未來一定能穩定賺錢」。實際上，因子溢酬本質上仍然是一種風險溢酬——也就是說，投資人之所以能長期獲得比大盤更高的預期報酬，是因為承擔了對應的風險（例如小型股的流動性風險、價值股可能陷入基本面持續惡化的風險、動能股可能面臨反轉的風險）。這代表因子策略在特定期間出現顯著虧損或落後大盤，本身是策略設計上已經預期會發生的正常現象，而不是策略「壞掉」的訊號。
常見誤解二：因子越多越好
另一個常見誤解，是認為把因子數量無限疊加，選股準確度就會跟著提升。實務上，因子之間經常存在高度相關性（例如低本益比與高股利率因子高度重疊），疊加高度相關的因子並不會真正增加資訊量，反而可能造成「過度配適」（Overfitting）——也就是模型在歷史資料上表現得異常完美，但那份完美其實是把歷史雜訊也一併「記憶」進去，換到樣本外的未來資料時，績效大幅衰退。學術界在因子研究上會特別重視樣本外驗證（Out-of-Sample Testing）與統計顯著性檢定，就是為了降低這種「資料探勘偏誤」（Data Mining Bias）的風險。
常見誤解三：因子模型可以完全取代基本面理解
因子模型提供的是「篩選規則」，但規則背後對應的公司基本面狀況，仍然需要被理解。舉例來說，本益比偏低有可能代表股票相對於獲利被低估，但也有可能是市場預期該公司未來獲利將顯著衰退，因此用「目前」的獲利水準計算出來的本益比才會顯得偏低——這兩種情境在數字上可能長得很像，但代表的意義完全不同。這也是為什麼許多多因子模型會同時搭配獲利品質、財務體質相關的因子（例如負債比、營運現金流穩定度）做為輔助篩選條件，而不是單獨依賴單一比率型指標。
與台灣市場的連結：從指數編製到 ETF 實務
台灣市場近年來因子投資概念被大量運用在指數化投資商品上。舉例來說，台灣證券交易所與證券櫃檯買賣中心近年推出多檔 ESG 及高股息相關指數化商品，部分指數編製規則即採用「目標因子曝險法」，也就是先設定股利率、ESG 評等等因子門檻，再從符合條件的成分股中依照因子分數排序選股，這與前面介紹的多因子選股邏輯在方法論上是一致的，只是選用的因子組合（例如股利率因子）針對特定投資目標（例如穩定配息）做了客製化設計。
此外，台灣學術圈近年也累積不少針對台股市場的因子實證研究，部分研究會同時檢驗數十個財務報表相關的年頻率因子，以及數個與交易面相關的月頻率因子，並發現不同頻率的因子在「因子動能」（也就是過去表現與未來表現的相關性）現象上，呈現出不一致的方向性——這也提醒我們，源自美股市場的因子研究結論，套用到台股時仍需要用台股自己的歷史資料重新檢驗，不能直接假設完全適用。
投資人在挑選市面上標榜「因子投資」或「Smart Beta」的 ETF 商品時，也可以參考這個邏輯，先去查閱該指數編製機構公開揭露的選股規則說明書，理解該產品實際採用的因子定義、權重配置與再平衡頻率，而不是只看商品名稱或行銷文案。
重點回顧
- 單因子模型（CAPM） 只用市場貝他一個變數解釋預期報酬，後續實證發現解釋力有限。
- 三因子模型 在市場風險之外，加入規模因子（SMB）與價值因子（HML），把「主動選股績效」拆解為系統性風險補償與真正的選股能力兩部分。
- 五因子模型 進一步納入獲利能力因子（RMW）與投資水準因子（CMA），但各因子在不同市場、不同期間的有效性仍持續受到學術檢驗，並非放諸四海皆準。
- 台股實務常見因子 可分為基本面（本益比、ROE）、技術面（動能）、籌碼面（外資買賣超）三大類，動能因子與價值因子在選股邏輯上經常呈現互補而非重疊的關係。
- 多因子選股流程 大致為：建立股票池 → 計算因子原始值 → 標準化 → 加權合成綜合分數 → 排序建構組合 → 定期再平衡。
- 因子溢酬本質是風險溢酬，這代表任何因子策略都可能經歷長期落後大盤的階段，這是策略設計本身已經預期到的特性，而非策略失效的證明。
- 因子數量並非越多越好，因子間的高度相關性可能導致過度配適；因子模型也無法完全取代對公司基本面的理解，兩者應該互為輔助而非互相替代。
- 台灣市場的 ESG、高股息等指數化商品，部分也採用因子曝險的編製邏輯，投資人可透過查閱指數編製規則書，理解商品實際採用的因子定義與再平衡機制。