買因子 ETF 前，先看一眼它真的有沒有超額報酬訊號

很多人買因子 ETF 時，心裡常有一個期待：「我買到一種比較聰明的篩選規則」。

動能 MTUM 聽起來會追上強者，品質 QUAL 聽起來比較穩，價值 VLUE 聽起來比較便宜。名字都合理，故事也都順。但投資上最麻煩的地方在這裡：故事順，不代表下個月真的能多賺。

我們把 2014 年到 2026 年的月資料拉出來，問一個很窄的問題：

如果某檔因子 ETF 過去 12 個月表現比較強，它下個月相對 SPY 會不會比較容易有超額報酬？

結果很冷。三檔都沒有過關。

先講結論

這次檢查的三檔 ETF 是：

QUAL 是唯一稍微有痕跡的那檔，但反覆切資料後，原本看起來像訊號的東西縮小很多。更嚴格地說，它沒有強到可以拿來當「品質因子下個月會打敗 SPY」的證據。

白話說：這不是在否定因子投資。它只是在提醒一件更實用的事，買到因子 ETF，不等於買到可操作的下個月超額報酬。

為什麼要扣掉市場狀態

因子 ETF 很容易和市場狀態混在一起。

舉例，動能股在多頭市場常常跑得好，品質股在壓力升高時比較抗跌，價值股有時受利率環境影響很大。如果只看 ETF 自己的過去報酬，很容易把「整個市場剛好站在順風位置」誤認成「這檔因子本身有預測力」。

所以這次實驗把幾個會干擾判斷的東西一起放進去：月末 VIX、殖利率曲線資料、上一個月的 SPY 報酬、上一個月自己的報酬。目的很單純：扣掉市場背景後，因子 ETF 自己還剩多少訊號？

答案是，剩下的不多。

第二張圖看的是三檔 ETF 各自有沒有通過同一條嚴格門檻。門檻的設計很簡單：既然一次看三檔，就不能讓任何一檔靠運氣中獎。三個結果都在門檻上方，代表沒有一檔能穩穩過關。

最值得注意的是 QUAL

這次最值得停下來看的標的是 QUAL。

一開始只跑一次資料切分時，QUAL 看起來有邊緣訊號：品質 ETF 過去 12 個月表現越強，下個月相對 SPY 反而略差。這個方向聽起來也有故事，可能是品質股漲多後短期均值回歸。

問題是，這種月資料樣本很小，只有 142 個月。模型每次把資料切成訓練與檢查區塊，結果都可能受到切法影響。

我們後來把切分重複 20 次。QUAL 的估計值從原本比較醒目的負向訊號，縮到大約一半；統計強度也從「看起來可討論」，變成「不足以支持結論」。

這個變化比單一數字更重要。很多量化策略在小樣本裡看起來漂亮，是因為剛好切到一段順的資料。多切幾次，漂亮就消失了。

對一般投資人有什麼用

第一，因子 ETF 可以是配置工具，但不要把名稱當成預測模型。

MTUM、QUAL、VLUE 都有清楚的編製邏輯，也可能改善某些風險輪廓。舉例，先前的低波動 ETF 風險帳本研究就發現，USMV 的確比較不晃。但「比較不晃」和「下個月會多賺」是兩件事。

第二，買因子 ETF 前，先問自己買的是哪一種用途。

如果你想要的是不同風格的股票曝險，因子 ETF 可以討論。如果你期待它每個月幫你抓住超額報酬，這次資料不支持那個期待。

第三，ETF 層級的資料本來就很薄。

三檔 ETF 的共同歷史大約只有 12 年、140 多個月。對長期配置來說，12 年已經不短；對統計檢查來說，這其實很少。真正要問因子是否有效，最好回到成分股層級，用更大的橫斷面資料檢查。

一句話結論

因子 ETF 的名字可以幫你理解它在買什麼，但不能直接證明它下個月會打敗 SPY。

K1512 這次的結果很樸素：MTUM、VLUE、QUAL 在 2014 到 2026 年的月資料裡，扣掉市場狀態後，都沒有足夠證據能預測下個月相對 SPY 的超額報酬。

資料來源：本文基於實驗 K1512（腳本：experiments/k1512/k1512.py，結果：experiments/k1512/k1512_results.json，圖表：experiments/k1512/fig_a_dml_theta_with_ci.png 與 experiments/k1512/fig_b_pvalue_gate.png）。資料源為 yfinance（MTUM、VLUE、QUAL、SPY、^VIX）與 FRED term spread 嘗試；FRED 端點在本次執行失敗，因此 term spread 以常數 0 替代，這是限制之一。樣本為月頻資料：MTUM/VLUE 2014-04-30 至 2026-04-30，共 145 個月；QUAL 2014-07-31 至 2026-04-30，共 142 個月。隨機種子固定為 42。