K1724：台股當沖比重加進 HAR，樣本內顯著、樣本外不顯著；Granger 方向則取決於已實現變異用哪一個估計量

一般讀者版〈當沖比重衝上五成，是市場要變盪的預告嗎？〉回答的是「當沖多了，波動會不會跟著來」。這篇處理研究者在用同一份資料時要先做的兩個決定： 當沖比重該不該加進台股的 HAR 波動預測模型，以及 Granger 檢定的方向是不是被已實現變異的估計量製造出來的。  K1724 的答案是：樣本內聯合檢定顯著，但樣本外的增量既小又不穩；「波動先行於當沖」在三種估計量下都成立，「當沖先行於波動」只有 Garman-Klass 撐得住。

資料與設定

•  當沖比重 ：證交所 TWTB4U 當日沖銷交易統計，取當沖買進與賣出金額占市場比重的平均。
•  已實現變異 ：台灣加權指數日線 OHLC。台股指數沒有免費的盤中資料，所以三個量尺都是日線代理：Garman-Klass（主設定）、Parkinson、收盤到收盤平方報酬。
•  樣本 ：2935 個交易日，2014-06-30 至 2026-07-27，起點在現股當沖開放之後。
•  預測設定 ：目標是隔日已實現變異（水準）。基準是 HAR，即已實現變異的日、週、月平均；加入模型再放進當沖比重的日、週、月平均，所有變數都只用到當日為止的資訊。擴張視窗，前 750 天只估計，之後逐日做一步預測，共 2163 個樣本外預測。
• 加入模型包住基準模型，所以樣本外的主要檢定是 Clark-West；DM 一併列出，但在巢狀比較下，虛無假設成立時它偏向不利於大模型。

樣本內顯著，樣本外的增量在 MSE 與 QLIKE 下方向相反

表一：主設定的樣本內與樣本外比較

樣本內，當沖的三個 HAR 項聯合顯著，Wald p = 0.0369，但調整 R² 只增加 0.0064。樣本外，用 MSE 量，加入當沖的模型增量 R² 為 0.0029；用 QLIKE 量，平均損失從 0.3510 升到 0.3595，反而變差。兩個 DM 統計量的符號相反，都不顯著。巢狀比較的正確檢定 Clark-West t = 1.61，單尾 p = 0.0542，落在 5% 門檻的邊上。

 MSE 與 QLIKE 給出相反方向，本身就是資訊。  兩者都對已實現變異的量測誤差穩健，差別在權重：MSE 以水準計誤差，少數高波動日的大誤差主導總和；QLIKE 以比例計誤差，低波動日與高波動日權重相近。增量 R² 為正而 QLIKE 變差，與「當沖項在少數高波動日改善預測、在多數平常日小幅變差」這個形狀一致。本實驗沒有把損失依波動狀態拆開，這是讀法，不是檢定結果。

 所以這是一個邊際的 null，不是「當沖比重沒有資訊」。  5% 下不能說加入模型在樣本外勝過 HAR；Clark-West 的 0.0542 也不夠強，不能反過來斷言增量為零。

增量的符號跟著設定走

表二：增量預測力在不同設定下

六組設定裡，增量 R² 三正三負，DM(QLIKE) 統計量全為負且都不顯著。兩個控制變數（當日絕對報酬、log 成交量）同時加進兩個模型後，增量轉負。

 2020 年起的子期必須單獨看。  這一段的增量 R² 為 0.0203，是表中最大的，但 DM(QLIKE) p = 0.2435，樣本內 Wald p = 0.0651 反而不顯著。子期以各自樣本的一半作訓練，樣本外的天數比主設定少得多；在這個長度下，0.02 的 R² 差異與雜訊分不開。它可以當成一個要用更長樣本追蹤的假說，不能寫成「疫情後當沖開始有預測力」。

Granger 方向：只有一個方向對估計量穩健

Granger 用的是 VAR。平穩性檢定先決定變換：log 已實現變異的 ADF 拒絕單根、KPSS 卻拒絕平穩，結果混合；當沖比重水準的 ADF p = 0.3787，取一階差分。主設定用 log 已實現變異水準配當沖差分，落後期 AIC 選 16、BIC 選 7，採 AIC 的 16。為了排除定態與單根序列混用的疑慮，實驗再把兩個序列都差分重做一次。

表三：Granger 方向依已實現變異估計量而定

p 值以六位小數存檔，「低於存檔精度」表示存檔值為零，也就是小於百萬分之零點五。Parkinson 與平方報酬在水準設定下的落後期沒有另外存檔。

「波動先行於當沖」在六格裡全部顯著。「當沖先行於波動」在 Garman-Klass 下顯著，水準設定 p = 0.000079，雙差分設定 p = 0.001232；換成 Parkinson，兩種變換的 p 是 0.07481 與 0.1964，換成平方報酬是 0.3163 與 0.1152，都不過 5%。 只看 Garman-Klass，會寫出「雙向回饋」；三個估計量一起看，能寫的只有單向的預測先行。 

 估計量差異能描述，不能當成因。  Garman-Klass 等於 Parkinson 的區間項乘上權重，再減去開盤到收盤報酬平方的一項；Parkinson 只用高低區間；平方報酬用收盤到收盤，含隔夜。至少有兩種讀法符合表三：Garman-Klass 是三者中效率最高的估計量，檢定力因此較高；或者當沖與波動的關聯集中在開收盤報酬那一項。本實驗沒有設計能分開這兩種讀法的檢定。也不能把 Parkinson 與 Garman-Klass 的差異歸因於隔夜：兩者都只用盤中價格，含隔夜的是平方報酬。

這裡的「先行」都是 Granger 意義上的預測先行，不是因果。

對做研究的人，結論是什麼

• 要把當沖比重放進台股 HAR，樣本內顯著不足以支持；它在樣本外的增量取決於損失函數、控制變數與期間。
• 寫 Granger 方向時，至少列兩個以上的已實現變異估計量。同一份資料，只換估計量就能把「雙向回饋」改成「單向」。
• 用巢狀比較時，報 Clark-West，DM 只作輔助。

限制

• 三個已實現變異都是日線代理，沒有五分鐘資料；結論可能隨盤中已實現變異改變。
• 當沖比重是全市場加總，沒有個股或投資人類別的分解。
• 子期切點固定在 2020-01-01，沒有做結構轉折搜尋。
• 預測目標是已實現變異水準，沒有測 log 設定下的增量。
• 損失依波動狀態的拆解沒有做，MSE 與 QLIKE 分歧的讀法未經檢定。
• 本實驗沒有成本模型或交易規則，不構成任何交易主張。

資料與復現

• 實驗：K1724，非作者審查 PASS。
• 程式、凍結資料與結果檔都在 experiments/k1724/；數字取自 k1724_results.json 的具名鍵。
• 本文的表格與圖由 storage/drafts/k1724_research_charts.py 從同一份結果檔直接產生。