1.2 研究目的
本研究旨在透過系統性的實證分析，探討動態跌幅門檻策略的參數選擇與績效表現。具體而言，本研究設定以下三項主要研究目的：
一、建立客觀的參數選擇方法
傳統逆向投資策略研究在設定跌幅門檻參數時，多依賴研究者的主觀判斷或業界慣例。例如，常見的「跌 20% 買入」規則源自於熊市的傳統定義，而非經過系統性驗證的最佳參數。這種主觀的參數設定方式存在兩個根本性問題：第一，無法確保所選參數在樣本外（out-of-sample）具有預測能力；第二，可能因過度擬合（overfitting）而高估策略績效。
為解決此問題，本研究採用 Walk-Forward 最佳化方法（Walk-Forward Optimization, WFO）進行參數選擇。此方法由 Pardo (1992) 首次提出，現已被廣泛視為交易策略驗證的「黃金標準」(The Robust Trader, 2024)。Walk-Forward 方法的核心概念是將歷史數據劃分為多個訓練集與驗證集，依序在訓練集上進行參數最佳化，並將最佳參數應用於後續的驗證集進行測試。透過這種滾動式的驗證方式，可以有效降低過度擬合的風險，並評估策略參數在不同市場環境下的穩健性 (QuantConnect, 2024)。
本研究的參數搜尋範圍涵蓋三個維度：
- 視窗長度（L）：{1, 2, 3, 4, 5, 7, 10} 年，共 7 種選擇
- 百分位數門檻（P）：{1, 2, 3, ..., 100}，共 100 種選擇
- 回看天數（N）：{5, 10, 20, 40, 60} 天，共 5 種選擇
總計 3,500 種參數組合（7 × 100 × 5），這是目前已知文獻中針對動態跌幅門檻策略最完整的參數搜尋範圍。透過此系統性搜尋，本研究期望能夠識別出使風險調整報酬最大化的最佳參數組合（L*, P*, N*），並分析其在不同測試年度間的穩定性。
二、驗證動態門檻策略相對於基準策略的有效性
本研究的第二項目的是比較使用最佳參數的動態跌幅門檻策略（以下簡稱 DROP 策略）與多種基準策略的績效差異。為確保比較的公平性與全面性，本研究選擇四種具有代表性的基準策略：
- 定期定額策略（Dollar Cost Averaging, DCA）：代表「規避擇時」的紀律投資哲學，是散戶投資者最常採用的投資方式。
- 一次性投入策略（Lump Sum）：代表「不擇時」的被動投資哲學，在學術研究中常作為比較基準。
- 相對強弱指標策略（RSI）：代表技術分析類型的擇時策略，以 RSI 指標低於特定門檻（如 30）作為超賣買入訊號。
- 固定跌幅門檻策略（Fixed Threshold）：代表傳統逆向投資策略，以固定百分比（如 20%）作為跌幅買入門檻，與本研究的動態門檻策略形成直接對照。
在績效評估方面，本研究採用多元指標進行全面性評估。根據 CFA Institute (2024) 的建議，風險調整報酬指標應作為策略比較的核心依據。夏普比率（Sharpe Ratio）由諾貝爾經濟學獎得主 William F. Sharpe 於 1966 年提出，定義為超額報酬與報酬波動性的比值，是目前最廣泛使用的風險調整報酬指標 (Sharpe, 1994)。研究顯示，過去 20 年美國股票基金的平均夏普比率約為 0.4 至 0.6，而頂尖基金可達到 1.0 以上 (CFA Institute, 2024)。
除夏普比率外，本研究亦採用以下輔助指標：
- 年化報酬率：評估策略的絕對獲利能力
- 最大回檔（Maximum Drawdown）：評估策略的極端風險暴露
- 勝率：正報酬年數占總年數比例，評估獲利穩定性
- 變異係數（Coefficient of Variation）：報酬標準差與平均報酬的比值，評估報酬穩定性
在統計檢定方面，本研究採用變異數分析（ANOVA）檢定策略間是否存在顯著差異，並使用 Dunnett 事後檢定進行 DROP 策略與各基準策略的配對比較。此外，為量化績效差異的不確定性，本研究採用 Bootstrap 方法建構 95% 信賴區間。
三、分析交易成本對策略選擇的影響
學術文獻中的策略回測研究常假設無交易成本，然而此假設與實務操作存在顯著落差。Li 等人 (2019) 的研究指出，雖然隱性的市場衝擊成本不易觀察，但可能大幅侵蝕因子投資策略的預期超額報酬。Frazzini 等人 (2018) 的研究更發現，許多學術文獻中報導的因子溢酬（factor premium）在扣除交易成本後顯著減弱甚至消失。
交易成本對投資策略的影響主要體現在兩個層面：
第一，直接侵蝕報酬。每次交易都會產生顯性成本（如手續費、交易稅）與隱性成本（如買賣價差、市場衝擊）。對於交易頻率較高的策略，累積的交易成本可能顯著降低淨報酬。BSIC (2023) 的研究指出，隱性交易成本占總交易成本的主要部分，也是提升績效的最大潛在空間。
第二，改變最佳參數選擇。DeMiguel 等人 (2020) 的研究發現，考慮交易成本後，最佳動態投資組合的表現顯著優於最佳靜態策略，而傳統 Markowitz 策略則因高額交易成本而績效大幅下滑。這意味著最佳參數的選擇可能因交易成本的高低而改變——在高交易成本環境下，可能需要選擇較低的門檻百分位數以減少交易次數。
為評估交易成本對本研究結論的影響，本研究設計四種交易成本情境進行敏感度分析：
- 0%：理想情境，作為基準比較
- 0.1%：低成本情境，適用於大型機構投資者或低費率券商
- 0.3%：中等成本情境，適用於一般散戶投資者
- 0.5%：高成本情境，適用於新興市場或小型股交易
透過此敏感度分析，本研究期望能夠回答以下問題：
- 在考慮交易成本後，DROP 策略是否仍優於基準策略？
- 最佳門檻參數（P*）是否因交易成本而改變？
- 對於不同交易成本水準的投資者，應如何調整策略參數？
四、研究目的總結
綜合上述三項目的，本研究的整體目標可歸納為：透過嚴謹的實證方法，為個人投資者建立一套基於動態跌幅門檻的投資決策框架，並提供考量實務條件後的具體操作建議。
具體而言，本研究期望達成以下成果：
| 研究目的 | 預期成果 |
|---|---|
| 建立參數選擇方法 | 識別最佳參數組合（L*, P*, N*）及其穩定性報告 |
| 驗證策略有效性 | DROP 策略與基準策略的績效比較報告，含統計顯著性檢定 |
| 分析交易成本影響 | 不同成本情境下的最佳策略建議，含敏感度分析結果 |