近日財經網紅斷言「將在未來5-10年內VT必然超越QQQ」,我以這個觀點研究投資因子與均值回歸以及CAPE定價模型。
ETF 已成為長期投資者的核心工具。尤其 QQQ(代表美國科技股)與 VT(代表全球股市)兩檔 ETF,更常被投資者用來比較「集中 vs 分散」、「美國 vs 全球」、「成長 vs 價值」的策略差異。
然而評估 ETF 表現不應只看歷史報酬,更要理解其風格曝險與結構性報酬來源。本文透過 AQR 的因子迴歸分析工具,解析 QQQ 與 VT 在長期中的報酬結構,並針對均值回歸、CAPE 評價指標與資產配置進行探討。
因子迴歸分析
因子迴歸是將 ETF 報酬拆解為多個風格因子(如市場、規模、價值、動能、品質等)的貢獻。
可辨別:
• ETF 是因為整體市場表現而上漲?
• 是否擁抱特定風格因子而獲利?
• 是否存在模型無法解釋的超額報酬(Alpha)?
實證對象QQQ 與 VT
本文以 Portfoliovisualizer 工具中的 AQR 因子模型進行迴歸分析,以量化 QQQ 與 VT 報酬結構與超額報酬(Alpha)。
📊 AQR 因子模型下的回歸摘要
分析期間:2010~2024 年(180 個月)
因子資料來源:AQR Global Factors
ETF | 年化報酬 | 年化 Alpha | 模型解釋力 (R²)
QQQ | 18.5% | +3.84% | 91.2%
VT | 9.3% | -2.22% | 94.9%
各因子載荷如下:
因子 | QQQ Beta | VT Beta | 解釋
市場 (MKT) | 1.08 | 0.95 | QQQ 波動略高於市場,VT 與市場同步
規模 (SMB) |-0.23 | -0.19 | 均偏向大型股
價值 (HML) | -0.48 | +0.05 |QQQ 偏成長股,VT 微偏價值股
動量 (MOM) | -0.05 | -0.06 |動量因子影響小
品質 (QMJ) | -0.04 | -0.09 | VT 組合中品質偏弱
模擬未來 10 年不同市場情境
以下模擬假設不同宏觀情境下 QQQ 與 VT 報酬表現,僅供策略對比參考。
以相同初始資產 100 單位進行預測:
情境 | QQQ 累積報酬 | VT 累積報酬 | 勝出
科技牛市持續 | +304% | +116% | QQQ
美國泡沫修正 | +79% | +116% | VT
全球風格均衡 | +159% | +159% | 平手
美股停滯、新興崛起 | +63% | +137% | VT
此表顯示 VT 在非美市場表現提升或美股估值修正下有機會補漲,但需特定宏觀條件支持。
均值回歸與 CAPE 參考非信仰
均值回歸(Mean Reversion):市場的「回頭草」?
均值回歸是統計學的一個概念,指的是資產的價格或報酬在經歷極高或極低的波動之後,最終會回歸到長期的平均水準。投資人常直覺地認為這符合「漲多必跌、跌深必反彈」的邏輯,並認為當股價偏離長期平均值時,預期它會反向修正,是「撿便宜」的機會。
均值回歸假設資產報酬長期會趨近歷史均值,但這個「均值」本身也會隨市場結構與經濟變數調整,並非固定基準。
一篇由 Dimson 等人在 2013 年《Global Investment Returns Yearbook》中發表的研究指出,許多投資人對均值回歸與估值策略抱有過度信心,其實常常是事後視覺錯覺。他們根據歷史資料回測顯示,光憑這些指標進行擇時買賣,表現未必優於持有指數;均值與估值應作為資產配置風險雷達,而非交易信號。
他們特別強調的一句是:
“Most valuation signals have worked... but only in the very long term, and even then not reliably.”
該文章使用了超過 100 年的數據進行嚴謹測試,發現在實務操作中,均值回歸策略不僅沒有帶來更好的報酬,甚至表現更差。這意味著,許多人相信市場會回歸平均,可能是因為已預先知道結果而產生的錯覺。
事實上均值回歸只是一種統計結果,並非市場運作的原因,簡單期待「這次也一樣」的邏輯,容易陷入認知偏誤。
均值會變動:所謂的「均值」或「合理價」並非永不動的標準,它會隨著全球金融環境的改變而變動,例如市場結構、利率水平,甚至地緣政治風險都可能影響平均值。
趨勢線隨股價變動:回歸趨勢線會隨著每日的收盤價而變化其趨勢方向,一個會變動的指標,要用來精準預測未來走勢或完美轉折點,存在很大的問號。
無法預測時機:在真實投資中,你永遠不知道市場什麼時候會回歸,甚至有可能等不到回歸。
雖然長期來看多數資產會向內在價值靠攏,但投資人無法只靠「跌深必反彈」作為買賣依據。
CAPE 循環調整本益比:市場的風險雷達,而非精準導航
CAPE 的正式名稱是循環調整本益比,又稱席勒本益比(Shiller P/E),由著名的金融學者羅伯特‧席勒(Robert Shiller)提出。它常被投資人視為用來觀察股市長期估值水平的工具。CAPE 能揭示市場估值高低,有助於資產配置,但不具備精準預測報酬轉折的能力。
CAPE 與一般本益比(P/E ratio)最大的差異在於計算盈餘的方式。一般的本益比看的是現在股價與當年度的盈餘。而 CAPE 則使用過去 10 年經過通膨調整後的平均盈餘來計算。這種計算方式的目的,是為了平滑單一年份盈餘因經濟週期或特殊事件(如疫情)導致的大幅波動影響,讓估值判斷「比較冷靜」或「比較保守」。簡單來說,CAPE 是用現在股價除以過去 10 年經過通膨調整後的平均盈餘。
CAPE 的優點與適用情境
由於 CAPE 使用了較長的 10 年時間區間,它具備較好的穩定性,比較不會被單一年份的好壞影響。這使得它更適合用來觀察整體市場的估值是處於過高或過低的狀態。
CAPE 在預測長期回報方面具有一定的參考價值,但並非短線進出的好時機指標。歷史數據顯示,當 CAPE 處於相對低檔(例如小於 15)時,往往預示著未來 10 年的報酬可能較好。反之,當 CAPE 飆高到 30、35 以上時(例如 2000 年網路泡沫、2021 年市場狂熱時),後續的報酬往往顯著下滑,甚至可能為負。歷史上的市場崩盤(如 1929、2000、2021 年)也常發生在 CAPE 極高、市場極度亢奮的時期。因此,它可以幫助你了解目前的市場行情是過熱還是冷淡。
CAPE 的缺點與批評
儘管有上述優點,CAPE 也並非完美無瑕的指標。批評者主要指出其計算上的幾項限制:
- 過度保守 (GAAP 盈餘):CAPE 的計算使用 GAAP(公認會計原則)盈餘,這被認為比較保守。它可能無法完全反映企業的資本效率或科技成長的潛能。對於高度創新或成長型的企業,其過去的盈餘不足以反映未來的巨大潛力。例如,像 Google、Amazon、Tesla 等公司在成長初期本益比極高,如果單純使用 CAPE 來評估,它們會顯得非常昂貴,可能導致投資人錯過後來的巨大價值增長。
- 忽略成分股變動:CAPE 假設指數的成分股構成不變,但近年股市結構快速變遷,例如科技巨頭的市值大幅提升。這會導致指數的價格分子膨脹,而對應的歷史盈餘分母卻相對較低,形成一種矛盾。要「回歸」到舊的均值,似乎要假設這些高市值企業未來盈利暴跌,這顯然不切實際。
- 未考慮庫藏股效應:CAPE 計算中未考慮庫藏股(股票回購)對每股盈餘(EPS)的提升作用。現代企業常以回購股票代替發放股息來回報股東,這會減少總股數並提高 EPS,但這不一定代表實質盈利成長。CAPE 僅依據 EPS 計算,可能導致進行大量股票回購的公司股價被低估。
- 可能低估實際收益:有分析指出,自 1988 年以來,多數時期 CAPE 給出的未來收益預測平均低於實際收益約 5% 至 10%。
- 過度依賴會錯失漲幅:在實務操作中,直接聽信「CAPE 高就全躲進現金」的做法,在歷史上多個時期都導致錯過漲勢。例如,美國市場在 CAPE 過高的 2017 年至 2021 年間仍持續創新高。如果僅信賴 CAPE 而恐慌清倉,可能會錯失超過 60% 的漲幅。
- 週期長可能顯得過於保守:由於 CAPE 看的時間週期長達 10 年,它可能顯得過於保守。
總結來看無論是均值回歸還是 CAPE,它們都不是可以用來預測特定標的未來一定會怎麼變化的「參考依據」,它們都無法預測市場的低點或底部,也不適合用來抓到完美的轉折點或作為買賣信號,更不可能知道明天會漲還是跌。
它們最大的價值在於,更適合作為資產配置中的氣象預報,估值指標的最大價值是提醒你現在市場的「是否可能下雨還是出太陽」,提醒你現在是比較適合收傘還是撐傘的時候。
因此我們應該將均值回歸與 CAPE 視為輔助工具,用來感知風險,而非試圖精準預測市場走勢,最重要的不是猜對市場何時回歸平均,而是建立一套穩定、有紀律、有風險感知能力的投資系統,當市場偏離合理區間時,問自己我的配置還合理嗎?還撐得住嗎?
資產配置強調波動平衡
若目標為長期報酬最大化,建議資產配置為:
• 核心持有:全球或美國大型股指數 ETF(如QQQ)主要增持資產
• 協調槓桿:低比例配置 2~3 倍槓桿型 ETF(如QLD)調整曝險
• 波動緩衝:搭配短期債券(如 BIL)調整槓桿配置的整體波動
此結構並非傳統「股債平衡」或「全球多元分散」,而是結合股市長期效益、風格因子穩定性與波動管理。
結論與觀察
• AQR 因子模型顯示:VT 過去 15 年 Alpha 為負,QQQ 則有穩健超額報酬。
• 報酬差距非短期波動,而是結構性風格差異。
• 均值回歸與 CAPE 雖具參考價值,但不應作為進場依據。
• 若目標是長期累積資產,應採被動策略為主角、風格因子為輔助、波動控制為配角。
資料來源
PortfolioVisualizer.com – VT+QQQ AQR Factor Regression Analysis