AI幫我們管理資金的時代來了嗎？
是人還是AI 做決策 ？
0. 引言
從最早的被動型指數投資(Index Investing，到後來的因子投資（factor investing），再到近年的量化策略與機器學習模型，投資決策的核心正在逐步從「人類判斷」轉向「系統性規則」。而人工智慧（AI）的出現，則讓這個轉變進入另一個層次——不單單只是自動化，還包括了學習與適應（learning & adaptation）。
這也帶出一個更深層的問題：當模型可以自行從資料中「學習」哪些特徵重要、哪些訊號有效時，人類投資人的角色，究竟是被取代，還是被重新定位？
AI-powered/AI-enhanced ETF，正是在這個脈絡下誕生的產品形態。
0.1 什麼是 AI-powered ETF / AI-enhanced ETF
傳統 ETF 大致可以分為兩類。
第一類是被動追蹤型 ETF。
其核心邏輯是依循一組事先定義好的規則，例如市值加權、等權重或因子篩選，去複製某個指數的表現。在這個框架下，投資決策已經被「規則化」，人類的角色主要在於設計指數，而非持續干預。
第二類則是主動管理型 ETF。
在這裡，投資決策重新回到經理人手中——由人來判斷哪些公司值得持有、何時調整部位、如何應對市場變化。其優勢在於彈性與直覺，但同時也不可避免地受到行為偏誤（behavioral biases）與資訊處理限制的影響。
所謂 AI-powered ETF 或 AI-enhanced ETF，本質上並不是第三種類型，而是在這兩者之間，加入一層新的決策機制：人工智慧模型。
在一個完整的投資流程中，大致可以拆解為幾個環節：
股票（或資產）篩選（screening）
報酬預測（return forecasting）
權重配置（portfolio construction）
風險控制（risk management）
甚至是跨資產配置與市場環境判斷（regime detection）
AI 模型可以只參與其中某一個環節，例如強化選股；也可以貫穿多個層次，從訊號生成一路延伸到最終配置決策。因此，「AI-enhanced」與「AI-powered」之間的差異，其實是一條光譜（spectrum），而非一條明確的分界線：
AI-enhanced ETF：AI 作為輔助工具，用來優化既有策略（例如 value、momentum 或 quality），但最終決策仍由人類主導
AI-powered ETF：AI 在決策流程中扮演更核心角色，甚至主導選股與配置，人類主要負責監督與風控
我們必須思考真正的問題不是「AI 有沒有參與」?應該是：人類與模型之間，誰在做最後的決定（who has the final say）。
這也解釋了為什麼不同的 AI ETF，雖然都標榜「AI 驅動」，但其本質差異可能非常大。有些產品只是將 AI 用於資料整理與訊號輔助；有些則讓模型直接決定持股與權重；更進一步的，甚至讓 AI 參與市場狀態（market regime）的判斷與跨資產配置。
也因此，理解 AI ETF 的第一步，不應該是去看「買了哪些股票」，而是我們要先試著回答一個更根本的問題：這個 ETF，是把 AI 放在投資流程的哪一個位置？
1. AI-powered ETF/AI-enhanced ETF 的優點與限制
在進入個別產品之前，我們想先討論看看：AI 的引入，究竟改變了什麼？又沒有改變什麼？如果沒有先建立一組評估標準，那麼後面看到各種「AI-powered」的標籤，很容易流於敘事，而非分析。
1.1. AI ETF 的潛在優勢
1) AI 可以處理遠超人類的資料維度與規模
以 AIEQ 的說明為例，其模型同時讀取歷史價格資料、近期總體經濟數據、新聞、分析師報告，甚至社群資訊。這代表決策基礎已不再只是財報與估值指標，而是一個多維度資訊整合系統。
傳統投資經理人當然也會看這些資訊，但問題在於：人類可以理解，但無法同步處理。
2) AI 有機會提高決策與更新頻率
傳統主動管理的一個結構性限制，在於決策流程本身的「節奏」。研究會議、投資委員會、季報更新——這些都是必要，但同時也意味著調整往往具有延遲性。
相較之下，AI 模型可以以固定頻率重新訓練與更新投組。例如：
QRAFT 系列每四週更新資料庫與投資組合
AIVI 採取月度更新
這背後的意義是：決策可以更接近資料更新的節奏，而非組織運作的節奏。但這同時也埋下了後面會提到的另一個問題：頻率本身是否有成本。
3) AI 能將非結構化資訊納入投資決策
傳統量化模型多半依賴結構化資料（例如財務比率、價格、因子暴露），而 AI 模型可以進一步處理，像是：
新聞稿
公司公告
分析師評論
市場敘事與情緒
例如 AIVI 明確指出其模型同時使用結構化與非結構化資料；AIEQ 亦將近期經濟與新聞資料納入模型。這意味著投資決策開始納入一個過去難以量化的維度：敘事（narrative）與語氣（tone）。
4) AI ETF 將機構級工具「商品化」
AIEQ 的 factsheet 直接指出，這類基於 AI 的投資方法，過去多半只存在於 hedge funds 或專業機構內部。換句話說，AI ETF 的出現，本質上是：將原本封閉於機構內部的模型能力，以 ETF 形式開放給一般投資人。
這不只是產品創新，更是工具可得性（accessibility的改變。若從這個角度來看，AI ETF 更像是：一個將「量化基礎設施」包裝成資產配置工具的載體。
1.2. AI ETF 的現實限制
然而上述這些能力，是否真的能轉化為投資績效？我們可以從以下幾個觀點來討論看看：
1) 模型風險不會因為稱為 AI 而消失
這是最核心、也最容易被忽略的一點。QRAFT 的 prospectus 非常直接地指出：若模型設計、假設或資料本身出錯，可能導致：
應該納入的股票被排除
不應納入的標的被加入
AIVI 亦強調，AI 可能無法學習到正確模式，甚至可能產生錯誤結論，並且仍受到人為設計與干預的限制。換句話說，AI 並沒有消除模型風險（model risk），只是將其轉換為另一種形式：
從「人判斷錯」變成「模型學錯」。
2) 高換手率可能侵蝕績效
這一點，是 AI ETF 最具體、也最有「數據張力」的限制。由於模型持續更新訊號，投資組合往往出現極高的周轉率：
AIEQ：804%
DRAI：911%（自成立至 2025/5/31）
AMOM：354%（2025 年度）
AIVI：約 130%
這些數字的告訴我們故事在於：AI 很會調整，但調整本身是有成本的。交易成本、滑價（slippage）、市場衝擊，最終都會反映在投資報酬上。因此，這裡的關鍵問題不是「模型是否聰明」，而是：模型產生的訊號，是否足以覆蓋其帶來的交易成本？
3) AI 的存在，不等於超額報酬的保證
從投資結果來看，AI ETF 並未一致性地打敗 benchmark。例如：
AIEQ（截至 2025/12/31）：1 年報酬 13.80%，低於 S&P 500 的 17.88%
AIVI（截至 2024 年底）：1 年報酬 2.11%，低於 MSCI EAFE Value 的 5.68%
這些結果提醒我們一件事：AI 只是一種方法（method），不是一種必然的成果（outcome）。
即使模型更複雜、資料更多，市場仍然是一個競爭性極高的環境，任何優勢都可能被迅速套利。
4) 多數產品仍保留人類裁量權
最後一點，其實既是限制，也是風險控制機制。許多 AI ETF 並非完全由模型自主決策：
QRAFT 系列的 adviser 保有 full discretion
DRAI 在極端情況下可 override 模型
這代表「AI-powered」在多數情況下應理解為：AI 參與決策，而非取代決策。
從治理（governance）的角度來看，這是必要的；但從產品定義的角度來看，也意味著：投資人購買的，其實是一個「人機共決（human-in-the-loop）」的系統。
2. AI ETF 個案分析
在前一小簡建立評分標準之後，下一步才是我們回到個產品本身。我們用以下同一個框架來看：
Snapshot
選投原則
AI 扮演的角色
這檔基金真正適合誰
這樣的好處是——我們比較的不是產品本身，比較的是「 AI決策結構」的差異。
2.1 AIEQ：最早期、最具話題性的 AI 選股 ETF
Snapshot
AIEQ 於 2017/10/17 上市，費用率 0.75%。截至 2025/12/31，持股 159 檔，採月度再平衡，追蹤 AI Powered Equity Index。整體風格偏大型股，大型股比重達 95.2%。
選投原則
AIEQ 的核心來自 EquBot 在 IBM Watson 平台上的模型。其做法並不是單純排序，而是：
從美國總股市 universe 中
利用 AI 預測未來一個月的相對報酬
篩選約 30–200 檔具備未來 12 個月升值潛力的公司
再根據預期報酬與資產間相關性進行配置
同時設有約束條件：
單一公司權重上限 10%
單一產業上限 25%
AI 扮演的角色
AIEQ 的 AI 介入程度屬於目前市場上比較深的一類。AI 不只是輔助分析，而是：直接構成指數的選股邏輯，同時吸收十年以上歷史資料，整合近期經濟數據與新聞，最後使用機器學習、情緒分析與 NLP。換句話說，這檔 ETF 的核心不是「策略」，而是模型本身。
這檔基金適合誰
AIEQ 比較適合：
想直接押注「AI 選股能力」的投資人
願意接受模型風險與較高換手率
將其視為 satellite allocation，而非核心配置
不適合將其當作「更聰明的 S&P 500 替代品」。
我們可以說AIEQ 比較像是：AI 驅動的主題型主動指數 ETF。而不是傳統主動基金，也不是典型 smart beta。
2.2. AMOM：AI 強化的動能 ETF
Snapshot
AMOM 費用率 0.75%，2025 年度周轉率 354%；但歷年報酬波動明顯：
2025：8.18%
2024：27.62%
2023：4.65%
2022：-20.63%
2021：69.95%
呈現出典型動能策略的高彈性與高循環性。
選投原則
AMOM 並非單純的 momentum 排序，而是兩段式架構：
第一步：
由 QRAFT AI 從整體 universe 中篩選出約 100–200 檔股票
第二步：
再透過 proprietary momentum scoring formula 進行排序，包含：
12 個月動能
風險調整後 12 個月動能
也就是說，AI 決定誰有資格進入動能競賽。
AI 扮演的角色
AMOM 的 AI 屬於「前端篩選＋權重優化」：
AI 負責 universe selection
傳統因子（momentum）仍是核心邏輯
因此，它更接近AI-enhanced ETF，而非 fully AI-driven ETF
這檔基金真正適合誰
AMOM 比較適合：
已經相信動能因子的投資人
想用 AI 優化傳統 factor exposure
能接受較高波動與景氣循環敏感度
2.3. AIVI：AI 強化 Value，而非 AI 隨機選股
Snapshot
AIVI 費用率 0.58%，為本組中成本相對較低者。周轉率約 130%，顯著低於 AIEQ 與 DRAI，策略節奏較為穩定。
選投原則
AIVI 投資於 developed markets（排除美國與加拿大），並採三層邏輯：
先鎖定具 value 特徵的股票
再由 Voya AI 模型分析基本面與市場情緒
從 20 年以上的結構化與非結構化資料中選出 60–190 檔
其結果通常呈現：
較低 P/B
較低 P/E
較高 free cash flow
這仍然是一個價值投資框架，只是用 AI 強化訊號品質。
AI 扮演的角色
AIVI 的 AI 並不是重新定義策略，而是：提升既有 value 投資的判斷精度
特別是在：
避開 value traps
整合市場敘事與基本面
這使它在 AI ETF 光譜中，屬於較「保守」的一端。
這檔基金真正適合誰
AIVI 比較適合：
原本就相信 value investing 的投資人
希望降低價值陷阱風險
想要 AI，但不希望完全交出決策主導權
2.4. DRAI：當 AI 不只選股，而是決定整體配置
Snapshot
DRAI 成立於 2024/7/9，總費用率 1.34%（含 0.49% acquired fund fees），為本組中最高。周轉率高達 911%，代表其策略極度動態。
選投原則
DRAI 並不直接選股，而是採取「regime-based allocation」：
先判斷市場處於何種狀態（bullish / bearish）
再在不同資產間配置
配置範圍包括：
ETF（股票、債券）
槓桿 ETF / 反向 ETF
ETN
黃金、美元等避險資產
整體持股通常僅 10–20 個部位，屬於高度集中的戰術配置。
AI 扮演的角色
DRAI 的 Draco Model 為混合架構：
約 70% 由 AI 模型主導（短期 regime 判斷）
使用價格與技術指標預測市場方向
再由較低頻的總經數據（如失業、訂單、利差、貨幣供給）修正長期配置
當模型轉空時：
配置美債、黃金、美元、反向 ETF
轉多時：
增加股票、高收益債、槓桿 ETF
這已經不是選股問題，而是：
由 AI 主導的資產配置決策系統
這檔基金真正適合誰
DRAI 比較適合：
相信市場存在可辨識 regime 的投資人
想用單一 ETF 實現戰術資產配置
能接受高成本與高換手
不適合長期 buy-and-hold 的核心配置。DRAI 代表的是：AI 從選股工具，進化為資產配置決策者。
3. AI ETF 的績效表現
在討論 AI ETF 時，如果只停留在「模型多強、資料多廣」，其實很容易忽略最關鍵的問題：這些優勢，是否真的轉化為可持續的投資報酬？
3.1. AIEQ：AI 故事最強，但結果未必優於市場
從績效來看，AIEQ 提供了一個非常具有代表性的案例。
截至 2025/12/31：
1 年報酬：13.80%（低於 S&P 500 的 17.88%）
5 年年化：5.75%（顯著低於 S&P 500 的 14.42%）
自 inception 年化：9.40%（低於 S&P 500 的 14.62%）
同時也低於其自身 AI Powered Equity Index（15.02%）
這組數據的重要性，不在於「輸了多少」，而在於它揭示了一個更本質的問題：當 AI 直接主導選股時，其複雜度並沒有自然轉化為超額報酬。
AIEQ 幾乎代表了市場上最純粹的「AI-driven stock picking」實驗，但其長期表現，反而不如最簡單的被動指數投資。這並不代表 AI 無效，而是提醒了我們：在高度競爭的市場中，訊號優勢很容易被成本、噪音與模型不穩定性抵消。
3.2. AIVI：AI 強化策略，但需重新定義績效區間
截至 2024 年底：
1 年報酬：2.11%（低於 MSCI EAFE Value 的 5.68%）
5 年年化：3.25%（低於 5.09%）
10 年年化：3.47%（低於 4.31%）
表面上看，AIVI 同樣未能打敗 benchmark。
但這裡有一個關鍵註記不能忽略：該基金自 2022/1/18 起才轉為目前的 AI-enhanced 策略。因此，較長期的績效（5 年、10 年）其實混合了「AI 前」與「AI 後」兩種不同策略邏輯。
3.3. QRAFT 系列：不一定每年勝出，但長期未必落後
相較之下，QRAFT 系列（如 QRFT）呈現出更有意思的結構。
截至 2024 年底：
1 年報酬：21.42%（低於 S&P 500 的 25.02%）
5 年年化：14.91%（略高於 S&P 500 的 14.53%）
自 inception 年化：16.21%（略高於 15.70%）
這組結果傳達出一個更細緻的訊號：
短期不一定贏（甚至經常落後）
但在較長區間中，未必輸給市場
這與其策略定位一致——QRAFT 並非完全由 AI 自主選股，而是讓 AI 強化既有投資流程。因此，它的績效更接近：「優化後的市場曝險」，而非「顛覆市場的 alpha」
3.4. AMOM 與 DRAI：策略清晰，但績效仍待驗證
相較於上述三者，AMOM 與 DRAI 在績效分析上有兩個限制。
AMOM
目前可取得的資料主要為年度 NAV total return：
2025：8.18%
2024：27.62%
2023：4.65%
2022：-20.63%
2021：69.95%
這組數據顯示其具備高度彈性與循環性，但：缺乏完整且一致的 benchmark 年化比較表，使其難以進行嚴格的相對績效評估。因此，在正式分析中，這檔更適合作為「策略觀察案例」，而非績效結論依據。
DRAI
DRAI 則面臨另一種限制：
成立時間：2024/7/9
策略成熟度高，但歷史績效極短
目前可取得的資料主要集中在策略、費用與風險揭露，而非完整的長期績效對照。
因此更合理的想法應是：DRAI 屬於高辨識度的 AI 資產配置產品，但其長期績效仍處於不可驗證（unproven）階段。
寫在最後
從前文論，我們可以看出有些產品讓 AI 強化既有投資風格（如 value 或 momentum），有些讓 AI 直接參與選股，甚至有些，開始讓 AI 決定整體資產配置。
但從結果來看，AI 並沒有穩定打敗市場。有些策略在長期不一定輸，但也很少出現持續性的顯著超額報酬。這提醒我們一件很重要的事：
AI 是一種方法，不是一種保證。它也許可以幫助我們處理更多資料、提高更新頻率、納入過去難以量化的資訊，但同時也帶來新的問題——模型風險、交易成本，以及策略不穩定性。
真正的問題應該是：
它把 AI 用在哪一層？
這樣的使用方式，是否真的創造價值？
以及，這個決策權，你是否願意交出去？
在 AI 開始進入投資決策的時代，投資人需要學會的，不只是理解模型，
而是重新理解一件更根本的事情：你在投資的，不只是資產，其實是一套決策系統。
AI 輔助揭示
本文撰寫過程中使用 AI 工具進行資料整理與文字輔助。內容之觀點、架構與結論，均由作者獨立判斷。
本文所提及之 AI ETF，亦屬「模型輔助決策」之應用，並不代表 AI 能穩定產生超額報酬。
本文僅供教學與研究討論使用，不構成任何投資建議。
參考資料
ETF 官方文件：
AIEQ Fact Sheet / Prospectus（EquBot / ETF Managers Group）
QRAFT AI ETFs（AMOM、QRFT）Prospectus / Annual Reports
AIVI Fact Sheet / Prospectus（Voya Investment Management）
DRAI Summary Prospectus
指數資料：
S&P 500 Index（S&P Dow Jones Indices）
MSCI EAFE / MSCI EAFE Value Index（MSCI）