最貴的避險模型不一定最好：SPY 用 QQQ 對沖，花大力氣的複雜公式差多少？

 2026-06-04 修正再版 ：經 Codex 24h source-code review，已修復三處方法論問題並重跑 OOS — (a) 動態 Gumbel 移除 np.interp 未來內插，改 piecewise-hold（HE 0.8876→0.8874，微小）；(b) DM 檢定改用 squared hedged return 差（原實作等於檢定 r⁴，UNSOUND）；(c) 原表「DCC + 厚尾」實為靜態 Student-t Copula，已更名。重跑後 Copula 內部 vs DCC 仍無顯著差異（核心結論成立），但 OLS / Rolling OLS / Clayton 經 sound DM 後皆 顯著差於 DCC （OLS p<0.0001、Rolling OLS p=0.015、Clayton p=0.0001），本文相關段落已對應更新。修正 commit 2db4150e。

手上持有 SPY，想買 QQQ 來對沖波動。業界有五種以上的「關係模型」可以算出最佳對沖比例：Copula 模型抓尾部風險、DCC 動態相關、簡單線性迴歸，三種路線各有支持者，各有理論依據。

這三派哪個對？我們用 2005 到 2024 年共二十年的真實數據，把這幾種方法全部比了一遍。

結論出乎意料地平淡，但這份「平淡」本身就是最有用的資訊。

避險效率是什麼？

先把概念拉齊。

「避險效率」簡稱 HE，衡量的是： 你用 QQQ 對沖 SPY 之後，組合的波動到底減少了幾成？ 

計算方式是：HE = 1 - 避險後波動 / 避險前波動

HE = 0.88 就是說，組合的波動從原本 100 減到剩 12，降低了 88%。這是好事嗎？取決於你持有多少 QQQ 作為空頭，但 88% 的波動壓縮是非常顯著的。

為什麼 SPY-QQQ 是個好實驗對象？

SPY 追蹤標普 500，QQQ 追蹤那斯達克 100（科技股）。這兩者的相關性在 0.91 到 0.93 之間，幾乎是市面上最高度相關的兩隻 ETF 之一。這讓 QQQ 成為對沖 SPY 的天然候選：相關性越高，對沖效果越好。

這個高相關性也有副作用：當兩者幾乎同步時，「用哪種公式計算對沖比例」的差異就會被壓縮。相關性 0.93 的一對，不同模型對「最佳比例」的估計會趨向收斂。

我們比了哪些模型？

共十種對沖策略，分成三個等級：

 入門級（靜態） 

• OLS 線性迴歸：最簡單，一次算定，全程不動

 中階（滾動調整） 

• Rolling OLS：每隔一段時間重算一次比例

 進階（動態相關模型） 

• DCC（動態相關係數）：每天更新兩者的相關性
• 5 種 Copula 模型：用不同的「尾部分布假設」去估計聯合風險

測試期間：2005 至 2018 年用來訓練模型（樣本內），2019 至 2024 年（共 1,509 個交易日）用來測試真實表現（樣本外）。所有模型的對沖比例都用「昨天算出來的比例，今天執行」，不存在未來資訊外洩。

核心發現：高階模型的優勢只有 0.2%

以下是樣本外的避險效率排名：

資料來源：yfinance；SPY / QQQ 調整後收盤價；2019-01-01 至 2024-12-30；N=1,509 個交易日

¹ 此列原表標示為「DCC + 厚尾」（DCC_t），經 source-code review 確認實作為靜態 t-Copula × GARCH σ，並非動態 t-DCC，已更名以正視聽。

你看到了嗎？從第 1 名到第 6 名，最好的 Copula 和 DCC 基準的差距只有 0.0018——換算成實際波動壓縮，差不到 0.2%。

我們用嚴格的統計方法（Diebold-Mariano 檢定，loss 為 squared hedged return）驗證這個差距是否顯著：p 值 0.396，遠高於 5% 門檻。 用學術語言說：Copula Gumbel 雖然數字稍高，但和 DCC 沒有統計上可區分的差異。 

 但對 DCC 顯著差的，是另外三家 ：經同一 sound DM 檢定，OLS 靜態（p < 0.0001）、Rolling OLS（p = 0.015）、Copula Clayton（p = 0.0001）三者皆顯著差於 DCC 基準。原本「都差不多」的印象，是 Copula 高階家族之間互比的真相；落在 0.87 以下的方法，差距是真實的、可統計確認的。

那兩個真正的輸家是誰？

OLS / Rolling OLS 在 HE 上分別是 0.858 和 0.870，比最好的 Copula 差了 2 到 3 個百分點。這個差距是 統計上顯著 的——OLS vs DCC 的 DM 檢定 p < 0.0001，Rolling OLS vs DCC p = 0.015。靠單一線性係數估出來的對沖比例，沒辦法跟上波動率的時變結構，1,509 個交易日的累積差距已超越統計噪音。

真正的災難是  Copula Clayton ，HE = 0.713，比最好的方法差了將近 18 個百分點（DM 檢定 p = 0.0001，與 DCC 基準的差距 統計上極顯著 ）。

為什麼 Clayton 這麼差？背後有一個關鍵機制。

Copula Clayton 這個模型假設： 兩個資產的「同步崩跌」比「同步大漲」更強烈 （學術說法是「下尾依賴」較強）。這個假設在某些資產對是成立的，例如股票和黃金在市場恐慌時的行為。

但 SPY-QQQ 是兩隻科技導向的大型股 ETF。牛市時，兩者會一起大漲（上尾依賴）；熊市時，它們確實也會一起跌，但崩盤的「嚴重程度不對稱性」沒有想像中那麼大。Clayton 錯估了這對資產的結構，導致對沖比例大幅低估，實際只算出 0.50 的相關係數，遠低於實際的 0.89，造成嚴重欠對沖。

這個 Clayton 的失敗結論，和我們先前針對其他資產對的研究結果一致。

為什麼贏家是 Gumbel？（這部分你不必記，但有趣）

Gumbel 這個模型假設： 兩個資產的「同步大漲」比「同步崩跌」更強烈 （上尾依賴）。SPY-QQQ 在科技牛市裡一起飆漲的行為，符合 Gumbel 的假設。

在五個 Copula 家族的 AIC 比較中（衡量模型是否「描述數據」最準確），Gumbel 的 AIC 是 -6,940，第二名的學生 t 是 -5,546，差距高達 1,394。這表示 Gumbel 在捕捉 SPY-QQQ 聯合分布上確實最準確。

但「最準確描述數據」和「最佳避險效率」之間有一段距離。因為兩者相關性太高，對沖比例的差異只有 0.0018，幾乎等於雜訊。準不準，對最終避險結果的影響微乎其微。

動態 vs 靜態：重估模型是否值得？

Gumbel 動態版（窗口 252 日、每 21 日 piecewise-hold 重估）的 HE 是 0.8874，反而比靜態版（0.8880）略差。

這說明一件事：2005 到 2018 年在樣本內估出來的參數，在 2019 到 2024 年（包含 Covid 崩盤和後疫情科技牛市）仍然穩定有效。 定期重估不只沒有帶來改善，還增加了計算成本。 

不是每個模型都應該頻繁更新。對於 SPY-QQQ 這種長期高度穩定的資產對，靜態估計就夠了。

散戶的實際啟示

四個可以直接用的結論：

 1. 避險效率的上限是結構決定的，不是模型決定的 

SPY-QQQ 相關性 0.93，這個結構把所有合理模型的 HE 天花板都卡在 88-89% 附近。你換再複雜的模型，碰不了這個上限。想要更高的 HE，要換對沖工具，不是換模型。

 2. 複雜模型對 SPY-QQQ 沒有顯著優勢 

DCC 已經夠了。和最好的 Copula 只差 0.0018，統計上不可區分。如果你在執行層用的是 DCC，不需要為了那 0.2% 去換更複雜的系統。

 3. 不要用錯誤假設的模型 

Copula Clayton 的失敗是個實際警告。每種模型都有它假設的「兩個資產如何一起移動的故事」。在選模型之前，先問：「這個故事符合我這對資產嗎？」SPY-QQQ 是對稱高相關，Clayton 的非對稱假設不符。

 4. OLS 不是免費的午餐 

靜態 OLS 的 HE 是 0.858，比 DCC 低 3 個百分點，且 DM 檢定 p < 0.0001 確認是真實落後（非統計噪音）。OLS 的好處在於可操作性與透明度，少一個 GARCH 引擎、少一個 DCC 遞迴。但「差距是可接受」這句話要看你的成本函數：若你的避險預算對波動敏感，3 個百分點的 HE 差是長期會累積的；若你能接受波動 spike 偶發、追求最低執行成本，OLS 仍是合理選項。

一句話結論

用 QQQ 對沖 SPY，DCC 和 Copula Gumbel 的差距不足以用統計方法分辨。贏得最多的選擇，是「選對工具」（不用 Clayton），而不是「選最複雜的公式」。

用了錯誤假設的模型（Clayton），才是真正讓避險失效的原因，損失遠比省略高階模型大。

資料來源：yfinance，SPY / QQQ 調整後收盤價，2005-01-04 至 2024-12-30。