AI選股神話遇挑戰？被誤判的市場訊號與微型股陷阱
撰文 王傳文
隨著AI快速發展，機器學習（Machine Learning）近年席捲金融市場，成為投資領域最熱門的工具之一。透過分析數百項企業特徵，AI模型不僅能找出傳統財經理論難以發現的報酬因子，創造出更亮眼的投資績效。然而，這些看似強大的投資神器，真的找到了市場中的「聖杯」嗎？
2026年2月CFA Institute在Financial Analysts Journal中發表「Rethinking Variable Importance in Machine Learning」這份研究報告讓我們重新審視AI選股的神話。研究中涵蓋65年市場資料的大型分析，對當前市場上廣為使用的機器選股模型提出了深刻反思。我們可能高估了AI的預測能力，許多被認為重要的選股因子，未必真的能在未來市場持續創造報酬。
重新審視AI投資革命 報酬可能被嚴重高估
當前學界與業界普遍使用的「變數重要性」（Variable Importance）分析方法，大多依賴模型在歷史資料中的表現來判斷哪些企業特徵最重要。一旦將模型放到未曾見過的新資料中測試，這些看似重要的因素往往失去效果，顯示傳統的「樣本內分析」容易產生過度擬合（Overfitting）問題，不一定能夠真正看出投資市場的規律。
更值得關注的是，研究文章中揭露AI選股存在嚴重的「微型股偏誤」（Microcap Bias）。市值極小的微型股數量眾多，在模型中占有很高權重，但實際上僅占整體市場市值的一小部分，且普遍存在流動性不足、買賣價差大以及交易成本高等問題。一旦將微型股排除，模型的月報酬率立即從2.19%掉到1.32%，下降近四成。意味著被視為成功的選股策略，其實是建立在難以實際操作的股票上。
有些因子其實是雜訊 拖累AI投資績效
研究還發現一項顛覆認知的重要結果：並非所有預測因子都能提升績效。研究團隊發現部分因子具有所謂的「負向重要性」（Negative Importance），也就是這些變數不但無法提升績效，反而會拖累投資報酬。將這些有害訊號排除後，投資績效大幅改善，甚至提升接近五成，顯示並非所有數據都值得納入模型。
這項發現也為近年金融界熱烈討論的「因子動物園」（Factor Zoo）提供新的觀察角度。過去數十年來，研究人員提出數百種可能影響股價報酬的因子，但究竟哪些因子真正有效，始終缺乏共識。這份研究認為，與其持續增加新因子，不如先辨識哪些因子根本沒有價值，甚至會降低投資績效。
高報酬成高幻覺 研究揭示被忽略的關鍵真相
當市場持續追逐AI投資熱潮之際，這項研究提醒投資人，真正重要的並非模型有多複雜，而是模型找到的訊號是否經得起市場考驗，以及能否在真實交易環境中落地執行。也讓投資人重新思考：AI創造的高報酬，究竟來自真正的智慧累積，還是隱藏在數據背後的錯覺？
完整閱讀研究報告