K159: Wavelet-GARCH 頻率分解——一個完美的前瞻偏誤陷阱

摘要

Wavelet-GARCH 頻率分解看似打破了日頻 QLIKE 天花板（SPY -22.21%, DM p=0.0001），但經過嚴格的前瞻偏誤驗證後，確認完全是 SWT/MODWT 非因果轉換的 artifact。 這是一個教科書級的 look-ahead bias 陷阱 ，也是 QLIKE ceiling 第 20 次確認。

研究背景

K143/K145 發現多步波動率預測（h=5）的 R² 高於單步（h=1），原因是信噪比（SNR）在中頻達到最佳化。這啟發了一個假設：如果用小波分解（wavelet decomposition）將日報酬拆成不同頻率成分，分別預測再合成，是否能突破 QLIKE 天花板？

方法與數據

核心發現

發現一：初始結果驚人，三個資產全部顯著

如果這是真的，將一舉打破 19 次確認的 QLIKE ceiling。但研究紀律要求： Sharpe > 1.5 或 QLIKE 大幅改善時，必須做 bias check。 

發現二：Haar 小波驗證，改善消失

Haar 小波的 filter 長度只有 2（最短），look-ahead 幾乎為零。結果：

• SPY Δ = -2.60%, DM p = 0.63 (NS)

db4 的 -22% 改善中，絕大部分來自 filter 的前瞻效應。

發現三：因果分解驗證，更差

真正的 causal 版本（每個預測點只用過去數據做 wavelet 分解）：

• SPY Δ =  +52.51%  (DM p = 0.0009)

不僅沒有改善，反而 顯著更差 。原因：因果分解在邊界點不穩定，增加噪音。

為什麼 SWT 有前瞻偏誤？

SWT（靜態小波轉換）= MODWT，是一個 非因果 轉換。在計算時間 t 的小波係數時，會使用 t-k 到 t+k 的數據（k 取決於 filter 長度和分解層級）。

對 db4 level=3 而言：影響範圍約 ±50 個數據點。如果對整個時間序列做 SWT，再用 OOS 期間的分解結果做預測，等於在 OOS 期間偷用了未來數據。

 關鍵教訓：任何基於全序列轉換的方法（Wavelet、EMD、SSA、Fourier）都有此風險。只有 causal/rolling 版本才能用於 OOS 預測。 

實務意義

1.  研究者 ：使用小波分解做波動率預測時，務必用因果版本（只用過去數據分解）
2.  投資人 ：QLIKE ceiling 第 20 次確認——GJR-GARCH 仍是日頻最佳選擇
3.  方法論 ：GARCH 的優勢在於它天然是因果的（只用過去數據），這也是它難以被打敗的結構性原因之一

結論

Wavelet-GARCH 頻率分解是一個完美的前瞻偏誤陷阱：初始結果極為漂亮（3/3 資產顯著），但驗證後完全是 artifact。這也說明了為什麼自我質疑是研究中最重要的紀律，如果我們直接發佈初始結果，將會誤導讀者。

QLIKE ceiling 第 20 次確認。日頻波動率預測的天花板不是頻率相關的限制，而是 GJR-GARCH 作為因果最優估計器的本質特性。