歡迎來到多因子模型（Multifactor Models）的世界！
在 Level I，你已經學過資本資產定價模型（CAPM），它告訴我們只有一件事很重要：那就是「市場」。但現實世界可複雜得多。你可以這樣想像：如果你想預測一輛車跑得有多快，「市場」模型只會看引擎的大小。然而，多因子模型不僅會看引擎大小，還會考量風速、駕駛重量以及輪胎品質。它能為我們呈現一幅更精細的畫面！在本章中，我們將探討如何運用這些模型來理解投資回報，並像專業人士一樣管理風險。
1. 套利定價理論（APT）
APT 是多因子模型的基石。它的基礎理念很簡單：在一個理性的市場中，你不應該能夠獲得「無風險利潤」（即套利）。如果兩種資產擁有相同的風險但回報不同，投資者會買入便宜的資產並賣出昂貴的資產，直到兩者價格達到平衡為止。
與 CAPM 認為只有市場風險重要不同，APT 認為存在多種系統性風險來源。其公式如下：
\( E(R_i) = R_f + \beta_{i1}(\lambda_1) + \beta_{i2}(\lambda_2) + ... + \beta_{ik}(\lambda_k) \)
其中：
\( R_f \) = 無風險利率。
\( \beta_{ik} \) = 資產 i 對因子 k 的敏感度（也稱為「因子負荷量」或 Factor loadings）。
\( \lambda_k \) = 因子 k 的風險溢價（即為了承擔該特定風險所獲得的額外回報）。
快速複習：APT 的三個假設
1. 資產回報由多因子模型描述。
2. 市場上有足夠多的證券，足以透過分散投資消除個別（非系統性）風險。
3. 在充分分散的投資組合之間不存在套利機會。
2. 宏觀經濟因子模型（Macroeconomic Factor Models）
在宏觀經濟因子模型中，我們假設股票回報是由經濟數據中的「驚喜」（Surprises）所驅動的。真正影響股價的不是實際的通脹率，而是預期值與實際發生值之間的差額。
公式：
\( R_i = E(R_i) + b_{i1}F_1 + b_{i2}F_2 + ... + \epsilon_i \)
其中：
\( E(R_i) \) = 基於分析師預測的預期回報。
\( F_k \) = 該因子的驚喜值（實際值減去預期值）。
\( b_{ik} \) = 股票對該驚喜值的敏感度。
\( \epsilon_i \) = 公司特定的衝擊（例如 CEO 醜聞或工廠火災）。
範例：如果市場預期通脹為 2%，但實際為 3%，那麼「驚喜」就是 +1%。如果一隻股票對通脹的敏感度（\( b \)）為 -2.0，那麼該股價很可能會下跌 2%（-2.0 \(\times\) 1% 的驚喜）。
重點總結：在宏觀模型中，因子是公司外部的變數（如 GDP、利率或通脹）。
3. 基本面因子模型（Fundamental Factor Models）
這些模型則往公司內部看。我們使用諸如市盈率（P/E ratio）、市值（大小）或財務槓桿等特徵。這部分的邏輯與宏觀模型有點不同，所以請特別留意！
在基本面因子模型中：
- 「Beta」或敏感度指的是實際特徵（例如，公司的 P/E 比率）。
- 「因子」則是與該特徵相關的回報（例如，「價值型」股票今天跑贏市場的幅度）。
為了讓模型運作，我們通常會使用標準化 Beta（Z-分數）：
\( \beta_{standardized} = \frac{(Value - Average)}{Standard Deviation} \)
如果覺得這部分有點繞口，別擔心！只要記住：在宏觀模型中，我們測量股票對「驚喜」的反應。而在基本面模型中，我們透過觀察股票的屬性（例如：「它是小市值股票嗎？」）來解釋其回報。
比較表：宏觀 vs. 基本面
宏觀經濟模型：因子是變數的「驚喜」。因子敏感度（\( \beta \)）透過回歸分析估算。
基本面模型：因子是特徵帶來的「回報」。因子敏感度（\( \beta \)）由公司數據（如 P/E 或市值）計算得出。
4. 統計因子模型（Statistical Factor Models）
這些模型是數據科學家的最愛！我們不再自行挑選像「通脹」或「P/E 比率」這樣的因子，而是透過電腦程式（使用主成分分析 PCA 等技術）觀察歷史回報並找出規律。
優點：它能找出數據中所有可能的關聯。
缺點：這些因子沒有名字。電腦可能會說「因子 1」很重要，但它不會告訴你因子 1 是「利率」還是「消費者信心」。這使得向客戶解釋時非常困難！
5. 使用模型進行回報與風險歸因（Return and Risk Attribution）
這是本章「那又怎樣？」的部分。我們做這麼多數學計算是為了什麼？是為了找出我們的獲利來源。
A. 回報歸因
主動回報（Active return）是投資組合回報與基準指數回報之間的差額。我們可以將其拆解為：
主動回報 = 因子回報 + 選股回報
因子回報：我們獲利是因為我們將投資組合側重於「小市值」或「價值」因子嗎？
選股回報：我們獲利是因為在這些類別中，我們挑選出了比基準指數中更好的個股嗎？
B. 風險歸因
就像回報一樣，我們也可以拆解主動風險（Active Risk，也稱為追蹤誤差 Tracking error）：
1. 主動因子風險：源於與基準指數的「因子曝險」不同所產生的風險（例如：相對於指數，對油價有更高的 Beta）。
2. 主動特定風險：源於挑選了行為模式與同類群組不同的特定股票所產生的風險。
你知道嗎？大多數專業基金經理人試圖最大化他們的「信息比率」（Information Ratio），即主動回報除以主動風險。它衡量的是你每承擔一個單位的「獨特性」所獲得的額外回報。
6. 投資組合建構與多因子方法
在建立投資組合時，經理人會使用這些模型來「鎖定」特定的曝險部位。如果你認為經濟增長將高於預期，你可能會使用多因子模型來尋找對 GDP 增長敏感度最高的股票。
因子投資（Factor-Based Investing）：這涉及建立追蹤特定因子的投資組合，例如「價值」因子或「低波動」因子。這通常被稱為聰明 Beta（Smart Beta）。
7. 總結與關鍵要點
1. APT 認為多種系統性風險驅動回報，且無套利機制使價格維持合理。
2. 宏觀模型使用經濟驚喜。敏感度透過回歸分析計算。
3. 基本面模型使用公司特徵（P/E、市值）。敏感度就是特徵本身（Z-分數）。
4. 統計模型由數據驅動，但難以解釋。
5. 主動回報來自你的因子側重或挑選贏家股票的能力。
6. 主動風險可拆解為因子風險與特定風險。
要避免的常見錯誤：考試時，千萬不要搞混宏觀與基本面模型中的因子。在宏觀模型中，因子是驚喜；在基本面模型中，因子是該特徵帶來的回報。如果題目提到「驚喜」，就往宏觀模型方向想！