對新手來說，想靠投資為未來累積可觀的資產，美股市場的ETF是極佳的起點：選擇多、透明度高、交易量大、買賣方便、費用低，幾乎所有你能想到的資產類別與投資風格，都能找到對應的ETF。我們將用具體範例一步步示範，如何建立一個積極型的長期投資組合，包含如何「科學配置」與「動態調整」。我們將利用一個模擬情境，示範一個可執行、可追蹤、可複製的投資計畫。

投資需求說明（模擬情境：小張）

小張很認同「靠山基金」的概念，想替兩個年幼的孩子進行長期投資，以便孩子年滿22歲大學畢業後，可以有一筆相當於薪資70%的額外月領薪資 (教孩子理財：用紅包投資啟動人生的第一桶金)。計畫投資期間約 15 年，初始本金 3 萬美元，採取積極主動的策略並運用生命週期投資法：在早期透過ETF 工具進行適度槓桿提升股權曝險；投資組合只使用ETF。小張希望年化報酬目標 20%以上，並表示可以接受相對較高風險。接下來的章節，我們將以小張的情境示範完整流程與操作細節。

本文章將為你解答以下問題：

• 什麼是生命周期 ×「核心＋衛星＋對沖」三層架構設計?
• 如何用明確的ETF評估指標挑選「核心持倉」、「衛星持倉」、「對沖持倉」？
• 如何用 Portfolio Visualizer 的 Portfolio Optimization，作科學化資產配置？
• 再平衡該多常做、用什麼規則最務實？
• 透過 Monte Carlo Simulation，15 年後可能的資產分佈長什麼樣？
• 「科學配置」投資組合操作的缺點

---

策略總覽：生命周期 ×「核心＋衛星＋對沖」三層架構設計

什麼是「生命周期投資法」？
它的核心想法是：在人生資產基數還小的「早期」，使用槓桿投資股票資產，承擔較高的風險曝險，藉由更高的期望報酬把長期複利「往上抬」；等到資產做大、接近目標年份，再逐步降低槓桿，穩住已累積的成果。因為本篇是替孩子規畫、投資期約 15 年，仍屬人生「第一階段」 (通常指進入職場的前十年)，投資帳戶總額應該按照2：1的槓桿進行投資。

相關閱讀：諾貝爾經濟學獎得主的獲利公式 Lifecycle Investing

以 S&P 500 為標準的2倍目標設定
為了讓新手有清楚的對照，我們以 S&P 500 (SPY)作為基準，將組合的年化報酬與波動目標設定在 S&P 500 的 2 倍區間。以2025/9/26在Morningstar的數據，SPY的15年年化報酬為14.44%、10年的波動率 (Standard Deviation)為15.3%。這代表我們追求明顯高於大盤的增長，同時也接受更大的淨值起伏；後續會用「對沖」與「資產配置優化」來控制整體風險輪廓。

目標年化報酬：28%以上；波動率 30%以下。

用「核心＋衛星＋對沖」三層架構設計投資組合

• 核心（Core）：長期持有、廣泛分散的2x指數型 ETF（如全市場/大型股指數）。核心的任務是提供穩定、可靠的市場2倍β。持倉比例為三類中最大，也是槓桿使用的主要區塊。持有部位不經常調整。
• 衛星（Satellite）：用近期獲利表+現動能因子篩選出近階段相對強勢的主題式或因子型 ETF（如半導體、雲端、動能因子等），做為獲利的加速器；投資比重隨動能評分與市場狀況滾動調整。
• 對沖（Hedge）：挑選與核心相關性低的資產，例如公債、黃金、或管理期貨ETF，用途在於降低波動率與改善Sharpe Ratio。

---

如何挑選「核心持倉」？

核心持倉（Core）是投資組合的最重要成分。候選ETF最好有10 年以上歷史（穿越至少一輪牛熊），成分應廣泛覆蓋市場或大型股為主。為了達到2：1槓桿，投資人可挑選 1)2倍槓桿ETF、2)LEAP選擇權、3)融資。個人推薦使用2倍槓桿ETF。好處是買賣方便，對小資金管理配置比例會很方便。挑選時，可用以下風險vs獲利的指標來分辨「創造報酬的CP值」。

• Sharpe Ratio（夏普比率）：每承擔一單位「總波動」能換到多少超額報酬。核心越高越好，代表長期更有效率。
• Sortino Ratio（索提諾比率）：只懲罰下行波動的版本，更貼近投資人痛點；能識別「上去快、下來也快」的假飆股。
• Upside Capture（上行捕捉率）：相對 S&P 500 的牛市參與度。標準核心傾向接近 200%；若採增強核心，目標可高一些，但請意識到下行捕捉也可能同步放大。
• Performance Percentile（績效分位數）：與同類 ETF 相比的長期名次（3/5/10 年）；核心候選至少要長期維持前四分之一。

在 Portfolio Visualizer網站上的 Screener 實作流程

1. 打開 Portfolio Visualizer → Asset Analytics/Fund Screener；
2. 設定篩選條件：
   • Fund Type : ETF
   • Asset Class : Miscellaneous
   • Fund Category：Leveraged Equity
   • Performance History : 5 or more years
3. 按 Sharpe 由高到低排序；
4. 檢視 Sortino Ratio, Volatility, Upside Capture 作為次級篩選；
5. 手動刪除：3倍做多ETF、Volatility >55%、5Y Return <20%；
6. 手動檢查：使用Morningstar網站檢查更詳細的Performance(15Yrs.)、Risk(Standard Dev.)

以2025/9/19搜尋結果，核心候選ETF的名單有

• LTL ProShares Ultra Communication Services
• FNGO MicroSectors FANG+ 2X Leveraged ETN
• QLD ProShares Ultra QQQ (推薦) – 15年年化報酬32.67%、標準差37.94%、Sharpe 0.85。
• SPUU Direxion Daily S&P 500 Bull 2X ETF
• SSO ProShares Ultra S&P500 – 15年年化報酬23.39%、標準差31.22%、Sharpe 0.74
• UYG ProShares Ultra Financials
• UDOW ProShares UltraPro Dow30 – 15年年化報酬25.49%、標準差48.31%、Sharpe 0.64

經過Morningstar網站上的更進一步確認，QLD (2xQQQ) 是以上ETF中15年年化報酬、Sharpe最高。而且年化報酬超過目標，是我推薦的核心ETF。

使用LEAP選擇權

LEAP 選擇權（Long-term Equity Anticipation Securities）是到期日超過一年的長期選擇權，能以較低成本參與股票長期漲跌。若你買入一份價外的 LEAP 買權，其價格通常只需股票本金的 30–50%，所以用 LEAP 模擬 2 倍槓桿 ≈ 長期平均報酬和風險會接近 2 倍股票。使用LEAP的優缺點如下：

• 避免槓桿 ETF 的日內重置與波動率損耗，績效會優於使用槓桿ETF。
• 選擇性比槓桿ETF多很多，例如QQQ、SPY、SPMO都可以。
• 有時間價值衰減（Theta）
• 需要每年進行轉倉
• 流動性不如熱門 ETF，所以Bid–Ask Spread（買賣價差）很大
• 選擇權價位有時太高，不好調整資金比例。例如QQQ $596，一口 $300 LEAP需要$30000本金。

如何篩選強勢的衛星 ETF？

衛星（Satellite）部位的任務，是增加相對回報。因此評估重心放在近期績效與動能：特別是 1 年與 3 年的報酬與風險調整後表現。我的做法是篩選Sharpe Ratio 優於核心的ETF、3年年化報酬高於25%作為篩選標準。此階段先不看波動率 Volatility，因為最終會透過 Portfolio Visualizer 的投資組合優化 (Portfolio Optimization) 以整體組合為單位控制總體波動；也就是說，單一 ETF 的高波動不見得是壞事，只要投資組合中的相關性低，資產「稀釋」或形成互補即可。

評估邏輯（衛星）

• 目標：挑出主題/因子中「近年強勢、動能明確」的 ETF。
• 優先指標：Sharpe Ratio、3年年化報酬（必要時再看 Sortino 作為輔助）。
• 動能確認：優先選擇FinTasticRS – ETF中，動能前20%的ETF。

在 Portfolio Visualizer 的 Screener 實作流程

1. 進入 Portfolio Visualizer → Asset Analytics / Fund Screener
2. 條件設定：
   • Fund Type：ETF
   • Asset Class：All (基本不限，會出現一些國家ETF)
   • Performance History：3 or more years（若新主題＜3 年，可另列觀察名單，不先納入）
3. 排序：先以 Sharpe Ratio 由高到低排序
4. 手動檢查：
   • Sharpe Ratio 優於核心的ETF (QLD 0.97)
   • 3年年化報酬高於30% (QLD 32.67%)
   • 刪除題材重疊的ETF（例如黃金、Bitcoin ETF只挑一檔Sharpe Ratio較高的）、3倍做多、反向ETF
   • 刪除資產規模小於100M的ETF
   • 手動檢查：到 Morningstar 補看 5–10 年風險/回撤輪廓、理解ETF的操作策略
5. 候選清單加入動能分析：最後名單加入FinTasticRS-ETF動能排序，觀察目前的動能表現，供後續 Portfolio Optimization 動能滾動使用。

2025/9/21 篩選名單；以Sharpe排序：

FinTasticRS-ETF動能排序

如何篩選強勢的對沖 ETF？

對沖（Hedge） 的目的，是降低整體投資組合波動率與最大回撤，換句話說，對沖ETF與大盤的漲跌頻率不同，當大盤跌的時候，對沖ETF可能反而上漲，因此形成互補。所以挑選對沖 ETF 的原則是：與核心ETF（QQQ）相關性低(頻率不同)，同時下行捕捉率也低(少跌很多)，可以展現熊市的保護力。通常最大回徹會低於核心ETF本身的表現。但因為Portfolio Visualizer 的篩選器(screener)沒有”相關性Correlation”這個選項。我們會先使用下行捕捉率 Downside Capture來篩選，再從另外一個頁面觀察與核心ETF的相關性(Correlation)。

對沖資產也可能因為獲利高、Sharpe高而同時是「衛星」ETF。例如近期的黃金資產表現就相當突出，且與大盤屬於低相關且互補狀態。所以搜尋對沖ETF時也可以從「衛星」ETF候選名單中，挑選Downside Capture低、與核心ETF相關低的ETF。歷史上對沖來源通常是：債券、黃金、管理期貨、海外股市等ETF。

評估邏輯（對沖）

• 目標：顯著降低投資組合波動與回撤，在最好本身的報酬與Sharpe也很高。
• 優先指標：
  • Downside Capture：數字越低越好，甚至可以是負數；
  • Correlation：與核心ETF的相關性，數字越接近0代表越不相關(最優選)，越接近-1代表負相關(不一定是最優選)；
  • Max Drawdown：降低投資組合的最大回徹；
  • Sharpe Ratio：獲利效率高，數字越大越好；
  • 3年年化報酬：對整體獲利提供額外的幫助，數字越大越好；

在 Portfolio Visualizer 的 Screener 實作流程

1. 進入 Portfolio Visualizer → Asset Analytics / Fund Screener
2. 條件設定：
   • Fund Type：ETF
   • Asset Class：All
   • Performance History：3 or more yea
3. 排序：先以 Downside Capture 由低到高排序（越低越好）；
4. 手動檢查：
   • Sharpe Ratio 高於0；
   • 3年年化報酬高於0% (QLD 32.67%)
   • 刪除題材重疊的ETF（例如黃金、Bitcoin ETF只挑一檔Sharpe Ratio較高的）、3倍做多、反向ETF
   • 刪除資產規模小於100M的ETF
   • 手動檢查：到 Morningstar 補看 5–10 年風險/回撤輪廓、理解ETF的操作策略
5. 輸出候選清單
6. 觀察ETF的相關性 (Correlations)

根據以上篩選結果，黃金ETF (UGL、IAUM)與QQQ的相關性最接近0、獲利最高，是最適合的對沖ETF選擇。日本ETF (DXJ)的Sharpe Ratio最高，獲利表現也不錯。管理期貨ETF (CTA)與所有的資產都有負相關，是一個很特別的存在。

---

如何用 Portfolio Visualizer 的 Portfolio Optimization，科學化資產配置？

當我們已經篩好「核心＋衛星＋對沖」的候選清單，下一步就是把「我覺得」改成「數據告訴我」。Portfolio Visualizer（PV）的 Portfolio Optimization 能在多個候選 ETF、各自的報酬/風險/相關性之間做「挑選+權重分配」，讓投資人在明確的風險與獲利目標下，獲得最優化投資組合。

優化目標（Optimization Goal）採用：Maximize return subject to targeted volatility。也就是在鎖定年化波動率上限 的條件下，尋找最高回報的權重配置。我們的「收益目標」是年化報酬 28% 以上（與前述積極目標對齊），波動率可先設定為25%，若獲利達不到目標，則提高1%。

基準（Benchmark）
將 Benchmark 設為 QQQ（納斯達克 100），讓 PV 的各項風險/相對績效指標有一個進取型的對照，更貼近我們「早期可承擔較高風險」的設計。

權重約束（Weight Constraints）

• 核心 ETF（QLD）：Min. Weight = 40%（確保組合的增強核心地位）
• 其他衛星與對沖候選ETF：Max. Weight = 20%（避免單一題材過度集中）

在這樣的約束下，投資組合至少會落在 4 檔 ETF（40% + 20% + 20% + 20%），符合小資金的實務管理效率。如果資金較大，則可以將衛星候選ETF的Max. Weight降低，以便納入更多的ETF。

Portfolio Optimization 操作步驟

• 進入 Portfolio Visualizer → Portfolio Optimization
• Portfolio Type：選 Tickers
• Time Period：選 Month-to-Month
• Optimization Goal：選 Mean Variance – Maximize return subject to targeted volatility
• Targeted Annual Volatility：25 (若無法達成獲利目標，則上調1%，直到達成為止)
• Compared Allocation：Maximum Sharpe Ratio Weights
• Benchmark：選 Specify Ticker
• Benchmark Ticker：選QQQ
• Portfolio Asset：填入 QLD（核心）、衛星 ETF 與 對沖 ETF 的Ticker，最多可以放入15檔ETF (免費會員)
• 權重限制：
  • QLD（核心）Min. Weights 設定 40%
  • 衛星ETF 與 對沖ETF Max. Weights 設定 20%

按下”Optimize”之後，網站會提供推薦的投資組合與權重。此次示範中，網站推薦使用的ETF與權重分別是：QLD 40%、UGL 20%、DXJ 20%、 ESPO 13%、GBTC 7%。同時提供以「Sharpe Ratio最佳化」、QQQ的表現結果來進行比對。

幸運的是第一次以25%的波動率(低於30%目標)嘗試，就可以達到34.05%年化報酬(CAGR)，超過我們設定的目標28%。該投資組合的Sharpe Ratio, Sortino Ratio 皆優於QQQ。風險 (Standard Deviation)則是超出4.62%，最大回徹-39.73%，高於QQQ的-32.58%。而另外一組Maximum Sharpe Ratio Weights 投資組合的Sharpe Ratio僅高出0.01。代表目前25%波動率投資組合的「風險報酬CP值」很高，且非常接近最高。

透過相關性分析(Correlations)可以發現，UGL、DXJ、GBTC的相關性低，起到了對沖的作用。

從投資組合中，ETF的個別5年回報來看，GBTC的 52.26%最高，起到了衛星ETF增強整體回報的效果。ESPO的15.87%則是最低的，然而Year To Date 45.39%表現突出，代表ESPO屬於短期動能較強的主題ETF。

---

再平衡該多常做、用什麼規則最務實？

對以「核心＋衛星＋對沖」打造的積極型投組而言，再平衡的目的不是追求完美點位，而是把風險與結構最優化的配置。在實務上，我建議採用雙月檢視（每 2 個月）的節奏：核心維持穩定，衛星與對沖則依動能與實際表現更新名單，接著用 Portfolio Visualizer（PV）的 Portfolio Optimization 重新計算選股+權重，讓結果保持數據驅動而非情緒化。

操作流程（雙月制）

1. 名單檢視：
   • 核心 ETF（QLD）不更動（除非你調整長期策略）。
   • 衛星 ETF：依你前段的Sharpe/動能規則，每兩個月更新候選名單。
   • 對沖 ETF：依Downside Capture/Correlation與近期市場環境(通膨、利率與風險偏好)每兩個月複核一次。
2. 權重再優化：
   • 進入 PV → Portfolio Optimization，載入「QLD＋最新衛星＋最新對沖」的候選集合。
   • 維持同一組權重約束（QLD Min 40%，其他 Max 20%），Optimization Goal 選「Maximize return @ targeted volatility（預設 25%，必要時微調）」。
   • 執行 Optimize，將輸出權重視為新一輪配置。
3. 執行與記錄：
   • 每次再平衡記錄「名單變化、權重變化、PV 指標」，建立規則化的操作日誌。

特殊風險開關

若大盤進入明顯下行趨勢，可加入簡單的風險開關作輔助。例如：S&P500指數跌破 120 日均線時，考慮降低整體股權曝險、提高對沖或債券比例（或直接用 PV 以較低的 Target Vol 重新優化）、或增加現金比例。此處屬進階主題，牽涉到趨勢判斷與容忍度設定，本文不展開。

透過 Monte Carlo Simulation，15 年後可能的資產分佈長什麼樣？

為了總覽投資組合15年後「可能結果的分佈」，我們在 Portfolio Visualizer（PV）執行 Monte Carlo Simulation。本次設定要點如下：

初始 30,000 美元、期間 15 年、無額外現金流、稅前（Pre-tax）；Simulation Model = Statistical Returns、Time Series Model = Normal Returns、使用全歷史（Use Full History = Yes）、季度再平衡。這種做法不是複製歷史，而是用你投組的平均報酬與波動（及相關性）隨機抽樣，產生成千上萬條「未來可能路徑」。

Performance Summary（整體分佈總覽）

透過大量的統計模擬，系統會計算出15年後可能的表現，並且以10th、25th、50th、75th、90th Percentile呈現。從這個資料中我們可以對於投資組合的預期表現有更多的認識。

• TWRR（nominal）：15 年期的名目年化報酬在不同分位數的結果：
  • P10：22.6%、P25：27.7%、P50（中位）：33.5%、P75：39.5%、P90：44.9%。
  • 解讀：若重跑很多次未來，有 50% 的情況，你能達到約 33.5% 年化；保守看（P10），仍有 ~22.6% 年化。
• Portfolio End Balance（nominal）：15 年終值（名目）分佈：
  • P10：約 $637k、P25：約 $1.17M、P50：約 $2.28M、P75：約 $4.44M、P90：約 $7.80M。
  • 解讀：中位數情境，3 萬美元→約 $2.28M；極佳情境（P90）可上看 $7.8M。
• Annualized Volatility：約 24–27.5%，顯示長期波動變化不大。
• Sharpe / Sortino：分位數越高越好（Sharpe 約 0.83→1.51、Sortino 約 1.43→3.14），代表越多路徑呈現更佳的風險報酬效率。
• Maximum Drawdown：最大回撤分位數介於 -43% 到 -23%。

Nominal（名目）是不扣除通膨的數字，只看帳面報酬或金額成長。
Real（實質）會把通膨剔除，反映實際購買力；例如名目10%、通膨3%，實質約7%。

Expected Annual Return（分期視角）

分期視角顯示在 1、3、5、10、15 年各期長度下的年化報酬分位數。從不同年份的獲利預期可以發現，投資時間拉長後，P10低位年化報酬向33.35%靠攏。明顯透露出控制風險的手段可以透過長時間投資來達成。

• 15 年 P50 ≈ 33.46%，與上方 TWRR（nominal）一致
• 短期(1 年)報酬分佈寬： -3.26% ~ 84.94%
• 長期(15年)報酬分佈縮窄：22.6%~44.87%

用這份分佈來做決策（實務指引）

從Monte Carlo Simulation中，小張可以得知，此投資策略的中間值(50th Percentile)是$228萬。兩個孩子平分也有一人$114萬。最差(10th Percentile)也有$63萬 ($31.5萬/人)。評估剛畢業的孩子的需求並不須這麼多，小張可以考慮縮減初期投資，將部分資金加碼在自身的退休金投資。

• 真實購買力：報表同時提供 Real（經通膨調整）終值（例如 P50 約 $1.30M），提醒你把名目與實質價值分開看待。
• 與目標對齊：你的目標是年化 ≥ 28%。從分佈可見 P25 已達 ~27.7%、P50 ~33.5%，代表在超過半數的路徑上有機會超標，但也要接受保守情境（P10）僅 ~22.6%。
• 現金流與風險承受：若看到 Max Drawdown（-30% 到 -40%）感到壓力，可在優化時計入更低的 Target Vol（如 20–25%），或提升對沖比例，用「期望略降、左尾收斂」換取更好睡的路徑。
• 再平衡與動能：季度或雙月再平衡有助把風險拉回設計軸心；衛星名單的動能滾動能讓「好路徑」比例上升，但也會增加換手，需按你前述規則（最短持有期、成本控管）執行。

---

「科學配置」投資組合操作的缺點

把資產配置透過歷史統計進行最優化與蒙地卡羅測試，確實能把「直覺」變成「科學」。但這一套也有盲點：資料來自過去、市場結構會變、參數估計會誤差放大。下面把常見問題一次攤開，幫你在自動化與紀律化的同時保留「對未知的謙卑」。

牛熊轉變與「市場改變（Regime Shift）」
歷史平均報酬、波動率、相關性是「平穩」的前提下估出來的；當通膨體制、利率體制、地緣風險、AI 估值體制改變，參數會失效。例：長天期公債在 2000–2020 提供極佳對沖；但通膨再定價期間，股債可能同跌。2024年至今，黃金表現超亮眼，股票與避險資產「黃金」卻出現同漲。所以優化產生的「高權重」持股，在牛熊轉變時可能表現會出現變化。

過度擬合（Overfitting / Data Snooping）
你挑了 N 個指標、跑了 M 次視窗，總會「挑出一組看起來漂亮的投資組合與權重」。均值–變異數優化對期望報酬的估計誤差極度敏感：年化報酬差 1–2%，權重可能「天翻地覆」。例如Nvidia這兩年的突出表現，可能造就某種偏激的投資組合。

缺乏前瞻性與動能滯後（Forward-looking Limit & Momentum Lag）
所有這些方法本質上都以過去數據推估未來，缺乏對即將發生的制度變化與新風險因子的即時感知。即使採用動能規則，也屬跟隨型：等趨勢被確認才調整，進出點天然滯後，在急轉市況下可能追高/殺低。

科學配置不是萬靈丹；它是把決策標準化的工具，而非預言機。接受其限制、在制度上預留「體制變化的緩衝」，才是真正的風險管理。

---

總結

把整套流程串起來，你已擁有一個「看得懂、做得到、可複製、能迭代」的投資系統：以美股 ETF 為載體，先用明確指標挑出核心，再以動能規則精煉衛星，搭配低相關的對沖控制回撤；接著用 Portfolio Visualizer 的 Screener → Optimization → Monte Carlo 三步驟，將主觀配比轉為科學化資產配置，並用雙月檢視＋再優化的節奏維持紀律。這是一條前瞻、進取又務實的路，允許適度槓桿以追求高於大盤的成長，靠長期投資收斂資產波動。當然，科學配置不是預言機。市場會變、參數會飄，但只要你持續用數據驗證、在制度上預留彈性（權重上限、目標波動、對沖比重與再平衡門檻），這個框架就能隨市場呼吸、隨時間進化，最終把孩子的 15 年長跑，變成一場可控風險、可衡量進度、可積累勝率的複利旅程。