如何運用AI協助資產管理--筆記系列(3)
從巴菲特的 Alpha、PCA 到 AI 選股，重新思考超額報酬 (Alpha) 的來源
0. 引言
最近和一位很有研究精神的小夥伴討論 AI 選股，從半導體 ETF（SMH）延伸到 PCA（Principal Component Analysis）與資產定價理論。
討論的起點其實是一個有趣的問題：如果一個投資組合能大幅擊敗市場，究竟代表這個投資邏輯是真的擁有 Alpha，還是只是承擔了市場尚未理解的風險？
他以 SMH 為例，觀察過去十多年報酬率遠高於大盤。但若拿去做 Fama-French 五因子分析，也能得到顯著的 Alpha。但我們知道 SMH ETF 並不選股，也不擇時，它只是被動追蹤一籃子半導體公司。既然如此，這個 Alpha 究竟從何而來？
這讓我想到CFA期刊中《Buffett’s Alpha》的一個核心觀點：許多過去被認為是投資天賦的超額報酬，後來都被發現可以用新的因子來解釋。
那麼今天 AI 找到的 Alpha 呢？若我們利用 PCA與機器學習模型分析市場時，究竟是在發現新的投資機會，還是在找到傳統因子模型尚未命名的風險結構？
這篇文章想討論的，正是這個問題。
Figure 1 & Figure 2：Buffett 是否只是運氣好？
圖中顯示 Berkshire Hathaway 的 Information Ratio 位於共同基金與個股分布的最右端。這意味著 Buffett 的成功難以用隨機運氣解釋，也促使後續研究進一步探討其績效究竟來自真正的選股能力，還是來自尚未被傳統因子模型捕捉的風險曝險。
1. 股神巴菲特的Alpha?
如果要找一位能代表 Alpha 的投資人，許多人第一個想到的名字大概都是股神巴菲特（Warren Buffett）。過去半個世紀以來，波克夏海瑟威創造了遠超市場平均的投資績效，因此許多人相信，巴菲特擁有某種無法複製的投資天賦。
但2018 年發表於CFA期刊的《Buffett’s Alpha》卻提出了一個顛覆性的觀點，研究團隊沒有把巴菲特視為天才，而是回答了一個簡單的問題：
巴菲特的超額報酬，究竟來自哪裡？
結果發現，巴菲特長期偏好的企業往往同時具備幾個特徵：
價格相對便宜（Value）
獲利能力強（Quality）
財務體質穩健（Low Risk）
並透過低成本資金適度放大報酬
換句話說，巴菲特並非是隨機地找到偉大的公司，而是長期暴露在某些具有報酬溢酬的因子之上。
這個發現的重要性在於它說明了一件事情：
昨天還被稱為 Alpha 的東西，而今天可能會是被重新命名的 Factor。
事實上，類似的故事在投資史上不斷重演。
小型股效應（SMB）曾被認為是異常報酬；動能效應（Momentum）在發現初期也曾被批評只是資料探勘；品質因子（Quality）更曾被視為巴菲特獨有的選股能力。
然而隨著研究累積，這些現象逐漸從「神秘的 Alpha」變成「可量化的因子」。
於是乎一個值得我們討論而又有趣的問題出現了：如果巴菲特的 Alpha 最後可以被拆解成因子，那麼今天許多 AI 選股模型所創造的 Alpha，是否也只是某種尚未被命名的風險暴露？
或許問題是我們對市場結構的理解是否不夠完整？
2. 因子投資其實是不斷重新命名 Alpha 的歷史
如果回顧過去五十年的資產定價研究，會發現一個有趣的現象。許多曾被市場視為投資天賦的超額報酬，最後都被重新定義為因子（Factor）。
1970年代，研究者發現小型公司股票長期表現優於大型公司，可能原因包括經濟不規模、小股公司更加靈活；當時許多人認為這是一種市場失靈，甚至是某些投資人的特殊能力。
後來，這個現象被納入 Fama-French 三因子模型，成為大家所熟悉的 SMB因子（Small Minus Big）。
1980年代，動能策略（Momentum）開始受到關注。買進過去表現好的股票、賣出過去表現差的股票(Winners always win; losers always lose) ，竟然能在不同市場與不同時期持續獲得超額報酬。
起初許多人認為這只是資料探勘（Data Mining）的結果，但隨著越來越多實證研究出現，Momentum 最終成為學術界與實務界普遍接受的重要因子之一。
巴菲特的故事也是如此。
在《Buffett’s Alpha》發表之前，市場普遍認為巴菲特的成功來自無法複製的投資直覺；而在研究之後，人們開始用 Quality、Value、Low Risk 等因子重新理解他的投資框架。
於是我們逐漸發現：Alpha 並不是一個固定不變的概念；它比較像是市場尚未理解的現象。
當一種現象剛被發現時，人們稱它為 Alpha；當它被大量驗證、建立理論基礎並被納入模型之後，它便成為 Factor。從某種角度來看，投資史其實是一部不斷重新命名 Alpha 的歷史。
然而，新的問題也隨之出現。
如果昨天的 Alpha 會變成今天的 Factor，那麼今天市場上最熱門的主題——人工智慧、半導體、雲端運算——究竟是下一代因子，還是只是另一場短暫的市場敘事？
而這，正是 PCA 與機器學習開始受到投資界關注的原因，也許PCA無法幫我們找到Alpha，但確實可以幫助我們避免踩坑。
3. PCA 找到的究竟是因子，還是故事？
近年來，隨著 AI 與機器學習被大量應用於投資研究，PCA（Principal Component Analysis）也重新受到關注。
也許有會投資者把 PCA 視為一種尋找投資機會的方法，但從資產定價的角度來看，PCA 有趣的地方並不在於它能不能選股，應該是在於它能否幫助我們發現市場中尚未被理解的結構？
以半導體產業為例。
假設我們把 NVIDIA、AMD、TSMC、ASML、Applied Materials 等公司的報酬率時間序列放在一起進行 PCA 分析。
在大多數情況下，第一主成分（PC1）上的權重都會呈現相同方向。換句話說，這些公司傾向一起上漲，也傾向一起下跌。
但PCA 不會告訴我們背後原，它只會告訴我們在這些股票背後，有一種共同驅動力量。
投資人可能把它稱為：
半導體因子
AI 基礎建設因子
算力因子
但這些名稱其實都是事後賦予的解釋，也就是PCA 本身並不知道它找到了什麼。它只知道市場中確實存在一種共同波動的結構。
然而，這裡有一個極容易被忽略的問題，PCA 所尋找的是變異量最大的方向，而不是報酬最高的方向；因此，它找到的未必是 Alpha。
它可能是：
市場因子
利率因子
流動性因子
景氣循環因子
甚至也有可能只是市場情緒最集中的方向。這也是為什麼 PCA 找到的 latent structure，不一定會成為真正的投資因子。
歷史上出現過許多共同波動的結構，比如說：網路泡沫時期的 Internet Stocks、疫情期間的 Stay-at-Home Stocks（居家概念股）、近年的電動車與元宇宙概念股。
它們都曾經展現出強烈的共同變動特徵。但大部分最終都沒有成為像 Value、Momentum 或 Quality 那樣能夠長時間橫跨不同市場並且持續存在的因子。
因此，PCA 可以檢查的是市場是否正在形成一種新的共同風險結構？
至於這種結構最終是否會成為新的因子，還是只是另一個被市場遺忘的主題故事，我們無法得知，這是需要更長時間的驗證。
3.1. 主題投資(Theme)與因子(Factor)投資的差別
如果 PCA 能夠找到市場中的共同(振)結構，那麼我們應該問的下一個問題自然是：
所有共同結構都值得投資嗎？
答案顯然是否定的。
因為投資史上不缺乏看起來合理、甚至令人興奮的投資主題。回顧台灣基金市場的發展，從中國內需與新興市場熱潮、生技醫療投資風潮、高收益債商品盛行，到5G、ESG永續投資，以及近年的AI人工智慧浪潮，各種主題基金輪番登場，反映的不只是市場資金的追逐，更是投資人對未來成長故事的想像。
從技術角度來看，這些主題確實可能形成強烈的共同波動結構。如果在當時對相關公司進行 PCA 分析，很可能都能觀察到顯著的主成分與聚類現象。
但是這樣的共同波動並不等於長期報酬。
Morningstar 在研究全球主題型基金（Thematic Funds）時發現，長期能夠存活並持續擊敗市場的基金其實是少數。更多的情況是，當一個主題真正成為市場焦點時，投資人早已大量湧入，價格也早已反映了未來的美好想像。
換句話說，投資人買到的往往不是趨勢本身，而是對趨勢的過度期待。這也讓因子投資會開始思考：我們是否太容易把 Theme 當成 Factor？
從學術角度來看，一個真正的因子通常至少具備三個條件：
具有持續性（Persistence）。
它不應是只在某幾年有效，而是能夠跨越不同景氣循環與市場環境。
具有實質上經濟意義（Economic Rationale）。
我們能夠合理解釋投資人為什麼會因承擔這項風險而獲得補償。
具有跨市場穩健性（Cross-Market Robustness）。
它不應只存在於單一國家、單一產業或單一時期。
Value、Momentum 與 Quality 因子之所以能被學術界接受，正是因為它們經得起這些檢驗。
反觀這些熱門主題的投資主合，雖然短期內能夠吸引大量資金與關注，但往往缺乏足夠長的歷史資料與經濟理論支持。
因此，從投資研究的角度來看，我們更應該把 PCA 找到的結構視為一種假說（Hypothesis），而不應該是結論（Conclusion）。
它告訴我們市場中可能存在某種共同風險；但是它並無法告訴我們：這種風險一定會獲得長期報酬的補償，而這也是 Theme 與 Factor 之間最大的差別。
這張圖顯示的並不是價值股表現有多差，而是市場願意為熱門成長股支付多高的價格。當 Value Spread 升至歷史 90% 以上分位數時，代表價值股與成長股的估值差距已達極端水準，而這正是 Asness 認為未來價值投資機會可能正在累積的重要證據。
3.2. 當市場越來越沒效率，故事開始主導價格
如果 Theme 不等於 Factor，那為什麼市場總是不斷創造新的 Theme？
從網路泡沫、電動車、元宇宙，到近年的人工智慧、記憶體或半導體主題拠資，每隔幾年，市場似乎總會出現一個新的熱門故事。
而這些故事往往伴隨著驚人的資金流入、令人、咋舌的高估值，以及投資人對未來無限可能的想像。
在《The Less-Efficient-Market Hypothesis》這篇文中，AQR的共同創辦人Cliff Asness 提出了一個有趣的觀點。他認為，過去許多人相信科技進步會讓市場變得更有效率，因為資訊傳播更快、運算能力更強、資料取得成本更低。
然而，我們要知道速度（Speed）並不等於效率（Efficiency）。
從某個角度來看，隨著科技日新月異，資訊傳播的速度確實變快了，但這不代表價格會更接近真實價值。
所以Asness 試圖解釋另一個現象：
為什麼價值股與熱門成長股之間的估值差距(Value Spread)，近年來屢次出現歷史級別的極端水準？
對此，他提出了三種可能的解釋。
第一種是被動投資（Passive Investing）的崛起。在過去二十年，ETF 與指數基金快速成長，越來越多資金不再分析個股，而是直接買進整個市場。
理論上，當參與價格發現的人變少，市場價格偏離基本面的機率可能提高。
不過 Asness 並不認為這是主要原因。畢竟即使被動投資規模增加，市場中仍然存在大量主動投資人與套利者，因此單靠 ETF 並不足以解釋近年的極端估值現象。
第二種可能是長期低利率環境。
當資金成本接近零時，投資人更願意為未來數十年的成長故事支付高昂價格。
無論是 SaaS、電動車還是 AI 公司，其共同特徵都是：大部分的價值都是來自於對未來的想像。低利率使這些遙遠現金流的折現價值大幅提升，進而推高估值。
然而 Asness 同樣認為，這個解釋並不完整。因為類似的市場狂熱早在 1990 年代的網路泡沫就已經出現，而當時並不存在今天這樣的超低利率環境。
因此，他最重視的是第三個因素是社群媒體與資訊傳播方式的改變。
過去的投資人即使犯錯，往往是獨立地犯錯。但今天的投資人則同時閱讀相同的新聞、觀看相同的影片、追蹤相同的 KOL、參與相同的社群。
當所有人開始互相影響時，市場便容易形成強烈的敘事及情緒共振（Narrative & Emotion Resonance）。
推動價格上漲的，不一定是企業價值本身，而是我認為別人也會相信這個故事。
這也是為什麼近年我們看到：
Meme Stocks (AMC & Gamestop)
NFT
SPAC
AI 概念股
這些都在短時間內吸引龐大資金並產生極端價格波動，Asness 引用了一個有趣的概念：群眾智慧（Wisdom of Crowds）。
當每個人獨立思考時，群體往往能做出相當準確的判斷；但一旦當所有人開始互相影響時，群眾智慧可能逐漸演變成群眾狂熱（Madness of Crowds）。
若是從 PCA 的角度來看，這些現象同樣值得注意。
當大量資金同時流向 AI、半導體或電動車相關公司時，相關股票的相關性會快速上升，共同波動結構也會變得更加明顯。
於是 PCA 很可能找到一個強大的主成分。但問題在於PCA 並不知道這個主成分來自企業基本面、利率環境、被動資金流，還是市場情緒。
它只能告訴我們：有一群股票正在一起移動。
甚至，這是一個新的風險溢酬、一個值得長期投資的因子？還是一場正在形成的泡沫？則需要更長時間的驗證。
因此，PCA 最危險的誤用方式，就是把市場最響亮的聲音誤認為市場最重要的真相。而投資史告訴我們，這兩者不是同一件事。
3.3. AI 找到的是 Alpha，還是市場最大的噪音？
當 AI 開始應用於投資組合研究時，不少人心中都有一個共同期待：如果果我們能藉由一般運算找到 Value、Momentum、Quality 等因子，那麼運算能力遠超人類的 AI，是否有機會找到更多尚未被發現的 Alpha？
從技術上來看，答案確實是可能的。假設我們收集數百檔股票的財務資料、價格資料與產業資訊，再利用 PCA、Clustering 或其他機器學習方法進行分析，AI 很可能會發現一些傳統因子模型無法描述的共同結構。
例如：
半導體集群
AI 基礎建設集群
雲端運算集群
醫療創新集群
接著再從這些群組中篩選：
動能較強的公司
品質較高的公司
現金流較穩定的公司
最後形成一個新的投資組合。如果將這個投資組合拿去進行 Fama-French 或 Carhart 因子分析，很有可能得到顯著的 Alpha。然而，這裡有一個容易忽略的問題，也是小夥伴和我提出的討論內容之一。
如果 AI 的訓練目標本來就是尋找傳統模型無法解釋的結構，那麼最後得到 Alpha 幾乎是必然的結果。因為AI 不一定是在發現 Alpha，它也可能只是在尋找現有模型尚未定義的風險暴露。
以小夥伴說的半導體 ETF（SMH）為例。如果 FF5 模型無法描述半導體產業的共同風險，那麼 SMH 自然可能產生顯著 Alpha；但這並不代表市場出現了免費午餐。更合理的解釋可能是：
我們只是少放了一個 Semiconductor Factor或Sector。
這也是近年 Machine Learning Asset Pricing 文獻的重要觀點：Alpha 經常不是能力的證明，而是模型不完整的證據。事實上，許多看似成功的 AI 投資模型，都可能面臨相同問題。
如果模型不斷搜尋資料中的殘差（Residuals），並刻意尋找能夠最大化 Alpha 的組合，那麼最後找到的東西未必是新的風險溢酬，而可能只是資料探勘（Data Mining）的結果。
這也是為什麼學界近年越來越重視一個問題：AI 所以找到的結構，究竟有多長的生命週期？因為真正的因子必須經得起時間考驗。
Value 可以跨越數十年。
Momentum 可以跨越市場與資產類別。
Quality 可以在不同國家重複驗證。
但許多 AI 找到的結構，可能只存在於某個產業週期、某個市場環境，甚至某段特定的牛市之中。因此，AI 最大的價值或許並不是直接創造 Alpha。而是幫助我們更快地發現市場中的潛在結構（Latent Structure）。
至於這些結構最終會成為新的因子，還是像過去無數熱門主題一樣消失在歷史之中，仍然需要市場與時間來驗證。
寫在最後
寫到這裡，我們或許可以回到文章一開始的問題：如果一個投資組合能打敗市場，我們究竟應該把它歸功於投資能力及邏輯，還是某種未被理解的共振風險？
過去很長一段時間，投資人習慣把超額報酬稱為 Alpha。它代表著天賦、洞察力、紀律，甚至某種難以複製的投資直覺。但回顧資產定價理論數十年的發展，我們卻發現另一個有趣的現象：許多曾經被認為是 Alpha 的東西，最後都被重新定義為 Factor。
Small Cap
Momentum
Quality
就連股神巴菲特的投資哲學，也逐漸被拆解成 Value、Quality、Low Risk 與低成本槓桿的組合。
這並不是在否定這些投資人的能力。剛好相反，因為真正偉大的投資人，往往是在市場尚未理解某種結構之前，就率先發現它、承受它，並長期持有它。
因此，問題是當 AI的模型能夠分析數千家公司、數百個財務指標與無數價格訊號時，它確實比人類更容易找到市場中的潛在結構（Latent Structure）。
但找到共同振動的曝險，不代表找到風險溢酬；因為市場上曾存在無數短暫的故事，它們都在某個時間點展現出強大的共同結構與驚人的超額報酬。
但大部分最終都沒能成為真正的因子。從這個角度來看，PCA 或 AI 的價值，或許是幫助我們觀察市場正在發生什麼。它讓我們看見肉眼無法察覺的關聯與結構。
然而，決定一個結構是否值得投資的，終究不是演算法，而是時間。真正的因子，必須經得起不同市場、不同景氣循環與不同世代投資人的反覆驗證。而對因子投資人而言，真正重要的或許不是追逐下一個 Alpha，而是持續思考：我們所相信的超額報酬，究竟來自能力、運氣，還是某種未被市場理解的因子？
AI寫作輔助揭示
本文部分內容使用生成式 AI 作為研究與寫作輔助工具，包括研究架構討論、論點辯證、與文字潤飾。
文中觀點主要參考《Buffett’s Alpha》、《The Less-Efficient-Market Hypothesis》、《Fact, Fiction, and Momentum Investing》以及 Morningstar 對主題型基金（Thematic Funds）的相關研究，並結合筆者對因子投資、資產定價理論、PCA 與 AI 選股之理解進行整理與撰寫。
最終內容之觀點建構、論述取捨與投資判斷均由作者獨立完成。
Reference
Asness, C. S. (2024). The less-efficient market hypothesis. 50th Anniversary Issue of The Journal of Portfolio Management, Forthcoming.
Asness, C. S., Frazzini, A., Israel, R., & Moskowitz, T. J. (2014). Fact, fiction and momentum investing. Journal of Portfolio Management, Fall.
Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of Financial Economics, 33(1), 3–56.
Fama, E. F., & French, K. R. (1993). Common risk factors in the returns on stocks and bonds. Journal of financial economics, 33(1), 3-56.
Frazzini, A., Kabiller, D., & Pedersen, L. H. (2018). Buffett’s alpha. Financial Analysts Journal, 74(4), 35–55.
Johnson, B. (2022, June 29). Beware thematic funds’ siren song: These funds’ popularity has surged, but are they just a passing fad? Morningstar.
其實你們說的Alpha 是什麼意思呢？