Smart-E Robo: 解決「垃圾進，垃圾出」的量化投資方案
多數 Robo-Advisor 直接將市場所有標的投入最佳化模型，卻忽略了「標的篩選」的重要性。
許多主題型 ETF 日交易量 (ADV) 過低，導致投資人面臨較大的買賣價差與交易摩擦成本。
標的報酬率無法有效跟隨基準指數，增加不必要的非系統性風險。
內扣費用過高的標的會嚴重侵蝕長期預期報酬。
針對資產規模(AUM)、日均交易量(ADV)、內扣費用與主動風險進行評分，剔除綜合評分後 50% 的標的。
基於 Markowitz 現代投資組合理論 (MPT)，僅針對入選優質池的標的進行資產配置，產出最佳效率前緣。
| 代碼 (Ticker) | 流動性 (ADV) | 主動風險 (Risk) | 總費用 (Cost) | 總評分 |
|---|---|---|---|---|
| 0050.TW | 135,087 | 6.69 | 0.43% | 27.0 |
| 006208.TW | 5,348 | 6.08 | 0.25% | 22.0 |
| 00878.TW | 73,507 | 11.52 | 0.50% | 18.0 |
| 00905.TW | 1,787 | 7.14 | 0.35% | 18.0 |
| 00929.TW | 52,269 | 12.19 | 0.45% | 16.0 |
Smart-E 系統相較於傳統等權重配置，展現了顯著的超額報酬。
| 指標 | Smart-E (兩階段優化) | Equal Weight (傳統配置) |
|---|---|---|
| 累積報酬率 | 169.8% | 102.6% |
| 最大回檔 (MDD) | -27.26% | -25.85% |
💡 結論：雖然最大回檔略高，但換取了高達 67% 的超額報酬，具備更高的夏普值。