最小變異數組合：追求最低波動｜財經知識

最小變異數組合：追求最低波動

在現代投資組合理論的效率前緣（Efficient Frontier）曲線上，有一個特殊的端點——它不是報酬最高的那個，也不是夏普比率最佳的那個，而是波動性最低的那個。這個端點所對應的資產配置，就是所謂的「最小變異數投資組合（Minimum Variance Portfolio, MVP）」。

對許多投資人而言，追求「最低波動」聽起來像是保守主義的代名詞，彷彿注定犧牲報酬換取安全感。然而，幾十年來的學術研究和實務驗證卻帶來了一個令人意外的發現：最小變異數組合不只波動更低，在很多時期其報酬甚至不輸，甚至超越了高波動的市值加權指數。這個現象被稱為「低波動異常」（Low Volatility Anomaly），至今仍是金融學界爭論不休的謎題之一。

台灣市場同樣存在這個現象。長期追蹤台股數據的研究顯示，以最小化波動為目標構建的台股組合，在過去十餘年間的累積報酬與台灣50指數相當，但標準差顯著更低——換言之，投資人不需要承受更多的「過山車」體驗，就能獲得類似的長期財富積累。

理解最小變異數組合，是掌握量化投資思維的重要一步。本文將從數學原理出發，深入台股的實際應用，並誠實討論這套方法的侷限性。

一、理論基礎：現代投資組合理論的核心概念

馬可維茲的革命性洞見

1952年，哈利·馬可維茲（Harry Markowitz）在其劃時代論文《投資組合選擇》中，提出了一個簡單卻深刻的數學事實：資產組合的波動性不等於各資產波動性的加權平均，它取決於資產之間的相關性。

具體來說，若兩個資產的相關性係數為負，將它們組合在一起後的整體波動性，可以遠低於任何一個單獨資產的波動性。這是所謂「分散化效益」的數學本質。

以一個簡單的兩資產例子說明：

設資產A（台積電）年化波動率為25%，資產B（中信金）年化波動率為15%，兩者相關係數為0.3。

若各投入50%，組合的波動率為：

σ_portfolio = √(0.5² × 0.25² + 0.5² × 0.15² + 2 × 0.5 × 0.5 × 0.3 × 0.25 × 0.15)
= √(0.015625 + 0.005625 + 0.005625)
= √0.026875
≈ 16.4%

注意：這個結果低於兩者波動率的簡單平均（0.5 × 25% + 0.5 × 15% = 20%）！分散化效益讓組合波動從理論上的20%降至16.4%。

現在，如果我們進一步問：是否存在一個最優的配置比例，使組合波動率降到最低？這個問題的答案，正是最小變異數組合所要解決的核心問題。

最小化問題的數學形式

最小變異數問題的數學形式如下：

目標函數：最小化 w^T Σ w

限制條件：

w^T 1 = 1（各資產權重總和為1）
w_i ≥ 0（不允許放空，適用於一般投資人）

其中：

w 是各資產的權重向量
Σ 是協方差矩陣（Covariance Matrix），包含所有資產對的協方差
1 是全1向量

這是一個標準的**二次規劃（Quadratic Programming）**問題，可以用數值最佳化方法求解。在Excel的Solver、Python的scipy.optimize或R的quadprog套件中，都可以輕鬆實現。

協方差矩陣的重要性

整個最小變異數計算的核心，是協方差矩陣。這個矩陣捕捉了所有資產對之間的波動聯動關係。若你的組合有N個資產，協方差矩陣就是一個N×N的對稱矩陣，包含N個自身方差和N(N-1)/2個跨資產協方差。

以台股30檔股票為例，協方差矩陣有435個獨立參數需要估計。這些參數通常用過去12-36個月的歷史報酬率計算，但歷史協方差的穩定性（或稱「均值回歸」）問題，是影響最小變異數策略實際效果的關鍵挑戰，後文將深入討論。

二、最小變異數組合的獨特優點：無需預測報酬率

傳統效率前緣的致命弱點

馬可維茲的效率前緣理論雖然優美，但在實際應用中面臨一個巨大障礙：找到最大夏普比率組合（切點組合）需要預測每種資產的未來期望報酬率。

而期望報酬率的預測，是金融學中最困難的任務之一。無論是個人投資者還是機構法人，對於「台積電未來一年的期望年化報酬率是15%還是20%？」這類問題，都無法給出可靠的答案。更糟糕的是，效率前緣組合對期望報酬率的估計極度敏感——報酬率估計只要有1-2%的偏差，最優組合的配置比例可能就會發生天翻地覆的變化，導致所謂的「最優組合」實際上是基於誤差的配置。

最小變異數的優雅解法：只需協方差，不需報酬預測

最小變異數組合之所以特別，就在於它完全不需要輸入期望報酬率的估計值。整個最佳化計算只需要協方差矩陣，而協方差從歷史數據計算比期望報酬率估計穩定得多。

這個特性使最小變異數策略在實際應用中遠比其他「最優化」策略更為穩健。當分析師對未來報酬率存在嚴重不確定時（幾乎永遠如此），最小變異數組合是最不依賴主觀判斷的量化方法之一。

從實務角度看，這意味著最小變異數策略可以系統化、自動化地執行，不受人為預測偏誤的干擾，特別適合紀律性長期投資的操作框架。

三、低波動異常：為何最小變異數組合常常打敗市場

學術界的發現

根據傳統的資本資產定價模型（CAPM），更高的風險（Beta）應該帶來更高的報酬。但無數實証研究顯示，低波動股票的長期報酬往往超越高波動股票，而最小變異數組合作為極致的低波動策略，其歷史績效常常超出理論預期。

Baker、Bradley和Wurgler（2011年）的研究指出，在1968年至2008年間，美國市值最低波動20%的股票，累積報酬遠超最高波動20%的股票，這與傳統金融理論「高風險高報酬」的預測完全相反。

解釋低波動異常的幾個主流理論

行為金融學解釋：彩券偏好（Lottery Preference）

許多投資人對高波動股票有強烈偏好，因為高波動代表「一飛衝天」的可能性，就像買彩票一樣。這種過度需求推高了高波動股票的價格，壓低了它們的預期報酬；相反，低波動的「無聊股票」被忽視，導致估值偏低，長期報酬反而更佳。

制度性限制（Institutional Constraints）

許多機構投資者受到相對排名的考核壓力——必須「跟上市場」，導致他們無法大量持有與市場差異較大的低波動組合。這種制度性限制讓低波動股票長期缺乏機構資金的充分定價，形成系統性的折價。

台股的情境：台股散戶比例較高，追逐高波動熱門股的行為更為明顯。每逢飆股行情（如2021年的航運股、半導體設備股），大量資金湧入高波動股，往往最後被套在高點。相對地，穩定獲利的傳統產業、金融股等低波動標的長期被市場冷落，但累積報酬卻往往不輸於飆股。

四、台股實戰：建立最小變異數組合的完整流程

步驟一：選定股票池與數據準備

在台股實施最小變異數策略，首先需要確定股票池。常見選擇包括：

台灣50成分股（50檔）：流動性佳、數據完整，是入門的最佳選擇
台灣中型100成分股：增加中型股的分散效益
自訂篩選池：如獲利穩定、股息殖利率高於3%、市值超過100億的股票

收集所選股票過去36個月（3年）的月度報酬率，並計算各自的月度協方差。3年是常用的歷史視窗，既有足夠的數據量估計協方差，又不會過於受到10年前的市場結構影響。

步驟二：建立協方差矩陣

以Python為例，可用以下方式計算協方差矩陣：

import pandas as pd
import numpy as np

# returns: DataFrame，每列為一支股票，每行為一個月的報酬率
cov_matrix = returns.cov() * 12  # 年化協方差矩陣

若選取台灣50中的20支股票，協方差矩陣就是20×20的對稱矩陣，包含190個獨立協方差估計值。

步驟三：求解最小變異數最佳化問題

使用Python的scipy套件求解：

from scipy.optimize import minimize

n = len(tickers)  # 股票數量

def portfolio_variance(weights, cov_matrix):
    return weights.T @ cov_matrix @ weights

constraints = [{'type': 'eq', 'fun': lambda w: np.sum(w) - 1}]
bounds = [(0, 1) for _ in range(n)]  # 不允許做空
initial_weights = np.ones(n) / n  # 等權重初始解

result = minimize(
    portfolio_variance,
    initial_weights,
    args=(cov_matrix,),
    method='SLSQP',
    bounds=bounds,
    constraints=constraints
)

optimal_weights = result.x

求解後會得到每支股票的最優配置比例，使整體組合的年化波動率最小化。

步驟四：解讀結果與集中度問題

最小變異數的求解結果常常令人意外：它往往會高度集中在少數幾檔低波動、低相關的股票上，其餘股票的配置權重接近於零。這與直覺上的「分散投資」背道而馳。

例如，在台灣50的成分股中，最小變異數最佳化可能會輸出以下類型的結果：

股票	波動率（年化）	最優配置權重
中信金（2891）	12%	18.5%
國泰金（2882）	13%	15.2%
富邦金（2881）	13.5%	14.8%
兆豐金（2886）	11.5%	17.1%
中華電（2412）	10%	20.3%
台灣大（3045）	10.5%	14.1%
其他44檔	18-30%	合計<1%

金融股和電信股因為歷史波動率低，主宰了最小變異數組合。台積電儘管是市場龍頭，卻因波動率較高而幾乎不出現在最小變異數組合中。

這個結果揭示了一個重要問題：原汁原味的最小變異數組合過於集中，缺乏足夠的分散。在實際應用中，通常需要對個股權重加上上限約束（如單一股票不超過10-15%）來緩解集中問題。

五、協方差矩陣的估計挑戰與解決方案

歷史協方差的不穩定性

最小變異數策略的最大技術挑戰，是協方差矩陣的估計誤差問題。用歷史數據計算的協方差，不一定能準確代表未來的真實相關性結構，原因有三：

1. 樣本量不足：若觀測期間只有36個月，估計20×20協方差矩陣的190個獨立參數，每個參數只有36個觀測值，估計誤差相當大。

2. 市場機制轉變：資產間的相關性會隨市場環境變化。例如，台股金融股和科技股在平常時期相關性較低，但在系統性危機（如2008年金融海嘯）中，幾乎所有資產的相關性都會急速趨近於1。

3. 過度擬合歷史：協方差最小化的最佳組合，可能只是在訓練數據上「完美」，在樣本外（未來）表現卻大幅下滑。

改善協方差估計的主流方法

方法一：萊德沃夫收縮估計（Ledoit-Wolf Shrinkage）

這是目前學術界和業界最廣泛使用的協方差矩陣改善方法。它將樣本協方差矩陣與一個更有結構的目標矩陣（如等相關矩陣）進行加權平均，縮小估計誤差。

Python的sklearn套件提供了現成的實現：

from sklearn.covariance import LedoitWolf
lw = LedoitWolf().fit(returns)
cov_shrunk = lw.covariance_

方法二：因子模型協方差

將所有股票的波動分解為「市場因子」和「個股因子」兩部分，用因子模型重構協方差矩陣，可以大幅降低估計所需的參數數量。台股常用的因子包括：大盤因子（加權指數）、規模因子（市值大小）、價值因子（本益比）、動能因子（過去12個月報酬）。

方法三：滾動視窗與指數加權

相較於固定3年歷史視窗，使用指數加權方法（對近期數據賦予更高權重）可以讓協方差估計對市場近期變化更敏感，在趨勢性市場中表現更佳。

六、最小變異數策略的實際績效評估與台股驗證

台股回測框架

以台灣50成分股為股票池，採用以下回測設定驗證最小變異數策略：

計算期：每季末用過去36個月月報酬計算協方差
再平衡頻率：每季調整一次（降低交易成本）
權重限制：單一股票最高15%，避免過度集中
比較基準：元大台灣50 ETF（0050）
評估期間：2010年至2023年（包含多個市場週期）

根據類似研究的歷史回測結果（以學術研究估計值呈現）：

指標	最小變異數組合	0050（台灣50）
年化報酬率	約9.8%	約10.2%
年化波動率	約11.3%	約16.8%
夏普比率	約0.87	約0.61
最大回撤	約-28%	約-44%
年化Beta	約0.52	約1.0

最小變異數組合的年化報酬率僅略低於市場加權指數（差距在0.5%以內），但波動率降低了三分之一，最大回撤更是大幅縮小。夏普比率的大幅提升（0.87 vs 0.61）說明每承擔一單位風險，最小變異數組合獲取了更多報酬。

為什麼最大回撤如此重要

台灣投資人有一個常常被忽視的心理弱點：在大幅回撤時容易停損出場，之後又追高買回。這種行為偏誤是長期財富積累最大的殺手之一。

最小變異數組合較小的最大回撤（-28% vs -44%），意味著在2008年金融海嘯或2022年大熊市中，持有最小變異數組合的投資人面臨的心理壓力遠小於持有市值加權指數的投資人。更少的人會在低點停損，更多的人能持續持有到市場恢復。

這種行為上的優勢，加上數學上更低的波動性，使最小變異數策略在實際投資人的真實財富積累上，往往比理論回測結果更具優勢——因為理論回測假設投資人不會中途停損，但真實的人類投資者常常做不到這一點。

七、最小變異數策略的侷限性與使用場合

主要侷限性

1. 錯失高報酬板塊：在台股牛市中，科技股的強勁漲勢是帶動指數上行的主力。最小變異數組合因迴避高波動的科技股，在這類多頭市場中往往顯著跑輸大盤。2020-2021年的台股科技牛市就是典型例子——最小變異數組合的穩健金融、電信配置，相對於以台積電為首的科技大漲而言，落後相當顯著。

2. 交易成本：每季再平衡需要買賣多支股票，產生券商手續費和證交稅。台灣的證交稅率為千分之三（僅賣出時收取），對換手率較高的最小變異數策略是不可忽視的成本。設計再平衡機制時，需要設定「最小交易門檻」（如權重偏離超過5%才調整）以控制成本。

3. 因子暴露問題：最小變異數組合往往高度暴露於「低Beta」和「低波動」因子，同時對「成長」因子幾乎沒有暴露。這意味著它的表現高度依賴「低波動溢價」是否在未來持續存在，若市場機制發生轉變，這個策略的歷史優勢可能無法複製。

4. 集中在特定產業：如前所述，台股的最小變異數組合往往高度集中在金融股和電信股。這兩個產業面臨特定的系統性風險（如升息對金融股的影響、頻譜競爭對電信股的影響），投資人需要意識到這種隱性的產業集中度。

最適合使用最小變異數策略的投資情境

以下是最小變異數策略最能發揮優勢的投資情境：

接近退休的保守型投資人：最大限度降低資產縮水風險，維持資本保存
對心理壓力敏感的投資人：希望在熊市中保持投資紀律，不因大幅回撤而恐慌停損
作為多策略組合的一個部分：與高Beta的成長股策略搭配，提供組合的穩定器功能
在市場高度不確定時期的防禦性配置：如地緣政治風險升溫、利率大幅波動的時期

反之，若你是追求資產高速成長、能夠承受高波動的年輕積極型投資人，純粹的最小變異數策略可能並不適合作為主要投資框架。

結語：數學的謙遜與真實的智慧

最小變異數投資組合的美妙之處，在於它展現了數學工具在投資上的一種罕見的謙遜：它不預測報酬、不做宏觀判斷、不挑選「會漲的股票」，只是誠實地利用歷史數據找出最能降低不必要波動的資產組合。

在一個充滿過度自信的投資市場中，這種基於「減少不必要風險」而非「最大化預期報酬」的思維框架，有其深刻的實用價值。半個世紀以來的實証研究反覆確認，低波動並不意味著低報酬——在大多數市場環境和多數時間段中，波動更低的組合在風險調整後的績效（夏普比率）往往優於市場。

對台灣投資人而言，最小變異數策略提供了一個從「感性挑股」轉向「系統化量化管理」的可行入口。即使你沒有能力自行編寫最佳化程式，也可以從最簡單的原則開始：有意識地降低組合的平均波動率，增加低波動、低相關資產的比例，讓每一次市場震盪都成為考驗紀律而非考驗判斷的機會。

波動，是市場強迫投資人承受的代價；而最小化不必要的波動，是每一位理性投資人都應該放在首位的核心目標之一。

最小變異數組合：追求最低波動