偏態與峰度能預測波動嗎？K471 給你三個資產的誠實答案

一個聽起來合理的直覺

如果今天的市場「左尾比較重」，也就是過去這段時間出現幾次極端負報酬，回報分佈被往左拉得很長，你會不會覺得，未來一個月的波動應該會比較高？

直覺上會。教科書也會這樣告訴你：偏態（skewness）描述分佈的不對稱、峰度（kurtosis）描述肥尾，兩者都是「風險的形狀」。既然形狀變了，未來的風險水準應該也跟著變。

實證金融學界從 Harvey & Siddique（1999）以來，花了二十多年在問同一個問題： 這些「高階動差」能不能在波動率本身之外，提供額外的預測資訊？ 

K471 把這個問題拿到三個全球最具代表性的資產上重新驗證——SPY、QQQ、BTC-USD——結論是：能，也不太能。本文把這份兩面結果一次講清楚。

K471 在做什麼？

樣本：2010-01-01 到 2025-12-31，從 yfinance 抓收盤價。SPY 與 QQQ 各有 4,002 個觀察日、BTC-USD 4,102 日。OOS 期間是 2023-01-01 到 2025-12-31。

特徵：滾動 5 日、21 日、63 日的偏態與峰度（共 6 個高階動差），加上下行半變異比與負報酬比例這兩個「形狀」變數。

對照模型：

•  基準 ：用過去 21 日已實現波動（RV21）預測未來 21 日已實現波動
•  加碼版 ：基準 + 偏態、+ 峰度、+ 偏態+峰度、+ 全部高階動差與 5 日、63 日波動、+ 全套形狀特徵

評分：OOS R²、QLIKE、以及  Diebold-Mariano 檢定 ——這是判斷一個改善「是真的、還是只是運氣好」的標準工具。

第一張圖：相關性方向對，但量不大

這張圖把六個高階動差特徵和「未來 21 日已實現波動」之間的相關係數都畫出來。三個資產一起比。

幾個重點：

•  方向符合理論 ：偏態 21 日的相關係數對 SPY 是 −0.08、QQQ 是 −0.057、BTC 是 −0.034，全部為負，也就是偏態越負（左尾越重），未來波動越高。Harvey & Siddique 的故事在資料裡看得到。
•  但是量真的小 ：三個資產的相關係數絕對值都在 0.03 到 0.18 之間。要把相關係數平方變成 R²，最大也只有 2-3%。
•  峰度 21 日比偏態強一點點 ：對 SPY 與 QQQ 都接近 −0.12，但仍然是個位數%。

換句話說， 訊號在統計上看得到，但解釋力很弱 。這是讀懂這篇文章的第一個錨點。

第二張圖：把高階動差堆進模型，OOS 表現如何？

這張圖比較不同模型在 OOS 期間的「增量 R²」（Δ R²），也就是相對基準（只用過去波動）多了多少預測力。星號是 DM 檢定達顯著的位置。

直接看數字（取自 results.json）：

•  SPY ：基準 R² 0.0318；加上 6 個高階動差（偏態、峰度各 5／21／63 日），同時加入 5 日與 63 日波動後，R² 升到 0.1924， Δ +0.16 。
•  QQQ ：基準 R² 0.0577；最佳配方 R² 0.1585， Δ +0.10 。
•  BTC-USD ：基準 R² 是 −0.95（過去波動本來就預測不準 BTC），加高階動差後反而更差， Δ −0.45 。

乍看 SPY 和 QQQ 進步幅度不小，這是不是「黃金特徵」？

不是。 SPY 與 QQQ 的十個組合 ΔR² 都為正，其中只有 QQQ 的「rv21 + 偏態5 + 偏態21」這一個組合，DM 檢定才達顯著 （M2_rv_skew_OLS，顯著性 0.014，ΔR² +0.0375）。其餘九個組合，包括看起來最強的 SPY「6 個高階動差加 5 日、63 日波動」配方（Δ +0.16），檢定值落在 0.087 到 0.339 之間， 統計上無法區分這個改善是訊號還是運氣 。

值得注意的是 BTC-USD 反方向的顯著性：在 M3（加 kurt）、M4（加 skew+kurt）、M5（全動差）三個規格上，DM 檢定 p < 0.01，但 ΔR² 都是 顯著為負 ——加高階動差後 OOS R² 顯著惡化（最差到 −0.45）。這說明 BTC 上加 higher moments 不是「沒幫助」，是「 顯著有害 」。

這就是 K471 結果的核心張力： 樣本內看起來進步、但統計上講不出話；唯一講得出話的，是 BTC 上加錯了反而會壞掉 。

為什麼 R² 進步那麼多卻不顯著？

兩個解釋。

 第一 ：OOS 期間只有 2023-2025 三年，約 730 個觀察日，但「21 日波動」這個變數高度自相關， 有效獨立樣本數遠少於 730 。比較檢定看的是預測誤差差異的時間序列穩定度，自相關會把標準誤推大。

 第二 ：偏態和峰度本身估計噪音極大。看下一張圖。

第三張圖：高低波動分期下，相關性更不穩定

把樣本依該資產的波動中位數切成「高波動期」與「低波動期」，再分別算相關性，可以看到：

•  SPY ：高波動期偏態對未來波動相關 −0.029（顯著性 0.20）；低波動期 −0.068。 訊號在低波動期反而比較清楚 ——這違反「高波動期高階動差更有用」的常見直覺。
•  QQQ ：相反，高波動期偏態 −0.065（顯著性 0.004），低波動期 −0.023（顯著性 0.30）。
•  BTC ：高波動期偏態相關 −0.026（顯著性 0.24），低波動期則是 +0.009（顯著性 0.69），低波動期連方向都反過來，而且完全講不出話；峰度倒是兩個分期都顯著為負（高波動期 −0.185、低波動期 −0.060）。

不同資產、不同分期， 訊號的方向和強度都會搖晃 。把「高階動差能預測波動」當作放諸四海皆準的規律，會被資料打臉。

第四張圖：偏態值本身就很吵雜

這張圖最直觀，把每個資產的滾動 21 日偏態值畫出範圍。

• SPY 的滾動偏態平均 −0.15，但標準差 0.68，最低 −2.95、最高 +2.61。
• QQQ 平均 −0.18，標準差 0.71，最低 −3.16、最高 +2.93。
• BTC 平均接近 0，但標準差 1.01，最低 −4.02、最高 +4.03。

 用一個標準差就有 0.7 上下擺動的特徵當預測變數，等於在訊號雜訊比很差的條件下做迴歸。 這是高階動差預測力被稀釋的本質原因，樣本估計本身就充滿雜訊，特別是 5 日這種短窗口。

三個誠實的提醒

 第一，不要被樣本內 R² 拉升騙到。 SPY 從 0.03 拉到 0.19 看似成倍增長，但比較檢定告訴你這不夠穩固。研究誠實原則的核心就是： 結論不能超過證據強度 。

 第二，跨資產要小心 。BTC 的結果完全相反，加高階動差會讓 OOS R² 從 −0.95 掉到 −1.41。這是研究上重要的警訊：在某個市場有效的特徵，到另一個市場可能毒性更強。

 第三，這個結果與本平台早先的研究一致 。先前的記憶條目記下「殘差高階動差 r=−0.073、OOS R² 改善 +2.7pp」，本次 K471 用更完整的特徵組與比較檢定，得到同樣方向但更謹慎的結論： 訊號在、但很弱、且不穩定 。

結論

偏態與峰度作為波動率預測的補充特徵， 不是無用、也不是黃金 。它們提供方向正確但量級微小的訊號，在某些資產與某些分期會偶爾顯著，但無法被當成穩定的預測來源。

對研究者：把高階動差納入特徵池可以，但別把它當主菜；OOS 評估一定要配比較檢定，不能只看 R² 數字。

對讀者：如果你看到下一篇文章宣稱「靠偏態就能預測風險」，請先問——OOS R² 多少？比較檢定值多少？跨幾個資產驗證？答得出來才值得相信。

 資料來源 ：yfinance 收盤價 2010-01-01 到 2025-12-31。

 對應實驗 ：K471 Time-Varying Higher Moments for Vol Prediction — 詳細代碼、結果 JSON 與圖表見 experiments/k471/。

 參考文獻 ：

• Harvey, C. R., & Siddique, A. (1999). Conditional Skewness in Asset Pricing Tests. Journal of Finance.
• Jondeau, E., & Rockinger, M. (2003). Conditional volatility, skewness, and kurtosis. Journal of Economic Dynamics and Control.
• Leon, A., Rubio, G., & Serna, G. (2005). Autoregressive conditional volatility, skewness and kurtosis. Quarterly Review of Economics and Finance.
• Patton, A. J. (2011). Volatility forecast comparison using imperfect volatility proxies. Journal of Econometrics.