ETF 避險的真相：複雜的數學模型為什麼輸給最簡單的方法？

你可能聽過「Copula」這個名字，它是金融數學中捕捉「尾部風險」的最先進工具。2008 年金融海嘯後，它因為被誤用而聲名狼藉，但它本身是一個強大的統計方法。

然而，我們的實驗（K951）發現了一個令人意外的結果： 在 ETF 避險上，最簡單的 Rolling OLS 全面擊敗了 Copula。 

實驗設計

我們測試了 3 對高相關 ETF 配對：

• SPY-QQQ（美國大盤 vs 科技，相關性 0.94）
• GLD-SLV（黃金 vs 白銀，相關性 0.76）
• SPY-EWG（美國 vs 德國，相關性 0.79）

4 種避險方法：OLS、Rolling OLS(252天)、DCC-GARCH、Copula-GARCH

結果：簡單全勝

三對配對的 DM 檢定都達到 Harvey 門檻—— Copula 統計顯著地更差 。

為什麼 Copula 在 ETF 上失敗？

關鍵在於  ETF 的內部分散化 。

ETF 包含數十到數百支個股。這種分散化把個股層面的「尾部相依性」，那些極端事件中的非線性共動，給平滑掉了。

我們發現 Student-t copula 的自由度參數 $\nu$ 趨近 30（接近常態分佈），這意味著 ETF 之間 根本沒有有意義的尾部相依性 。Copula 的核心優勢不存在了。

更糟的是，Copula 還 高估了相關性 （0.86-0.95 vs 實際 rolling），導致系統性的過度避險。

但在個股對上，Copula 確實有效

同樣的方法用在 0050.TW-TSMC（個股對，相關性 >0.9），Copula 達到 HE=85.5%（K931 實驗）。因為個股之間有真正的 firm-specific 尾部相依性。

給投資人的啟示

1.  ETF 避險用 Rolling OLS 就夠了 ——不需要複雜的 Copula 模型
2.  不是越複雜越好 ——模型複雜度要匹配問題的複雜度
3.  Copula 的主場是個股 ——如果你需要避險的是個股持倉，Copula 值得考慮
4.  分散化是雙面刃 ——它降低了風險，但也讓進階風險模型失去用武之地

本文基於實驗 K951 的實證結果（數據來源：yfinance，期間：2019-2025）