K626：VIX 的方向能預測嗎？我們測了 500 天，答案讓人意外
讀者互動
登入會員可按讚與收藏。
持續追蹤這項研究
收藏、追蹤與明日提醒只保存必要識別資料，可在會員中心檢視或刪除。
研究資訊不構成個人投資建議；提醒僅代表研究更新，不代表交易訊號。
K626：VIX 的方向能預測嗎？我們測了 500 天，答案讓人意外
實驗 ID : K626 資料期間 : 2015-01-01 至 2026-03-01（約 500 個交易日的 OOS 測試窗口） 樣本 : SPY + CBOE VIX 日收盤數據（yfinance）
研究動機
VT 策略（Volatility Targeting）是本研究系統的核心策略之一，其基本原理是： 用 VIX 水準調整部位 ——VIX 高時降低倉位，VIX 低時加大倉位。
一個自然的問題是：如果我們不只知道 VIX 水準 ，還能預測 VIX 方向 （明天是漲還是跌），策略能不能更好？
K626 正是為了回答這個問題而設計的。
預測準確率：隨機森林 60%，但這有意義嗎？
我們訓練了兩個分類器，試圖預測「明天 VIX 是漲還是跌」：
| 模型 | 測試集準確率 | 特徵數 |
|---|---|---|
| 邏輯回歸 | 56.0% | 12 個技術指標 |
| 隨機森林 | 60.0% | 12 個技術指標 |
| 天真基準（永遠猜「下跌」） | 56.4% | 無 |
乍看之下，隨機森林的 60% 似乎不錯，比基準高了 3.6 個百分點。
但先別急著慶祝。關鍵問題是： 這 3.6 個百分點能產生經濟價值嗎？
VIX 的自相關：近乎隨機遊走
在解讀準確率之前，先看一個基礎統計：
VIX 日變動的一階自相關（lag-1）= -0.048
這個數字告訴我們什麼？
自相關接近 0 代表 VIX 的每日方向變動幾乎是隨機的 ——知道今天漲了，對明天漲跌幾乎沒有預測力。這是近乎「鞅（Martingale）」的行為。
這就是為什麼天真基準的 56.4% 主要來自 VIX 的 非對稱性 （VIX 下跌天數多於上漲天數），而不是真正的可預測性。
最重要的特徵：日曆效應和 SPY 動能
隨機森林識別出的最重要特徵：
| 排名 | 特徵 | 重要性 |
|---|---|---|
| 1 | day_of_week（星期幾） | 0.15 |
| 2 | spy_5d_ret（SPY 5 日報酬） | 0.12 |
| 3 | vix_5d_change（VIX 5 日變動） | 0.10 |
星期幾的重要性最高 ——這暗示 VIX 方向有某些日曆效應（例如週一效應、週五效應），但這些效應在統計上相當微弱，而且很可能是過擬合的產物。
經濟價值測試：方向知情策略竟然更差
這是最關鍵的測試。我們構建了「方向知情」的 12/VIX 策略：
- 當 RF 預測 VIX 明天上漲 → 提前減倉
- 當 RF 預測 VIX 明天下跌 → 提前加倉
結果讓人意外：
| 策略 | Sharpe Ratio |
|---|---|
| 標準 12/VIX（不用方向預測） | 1.81 |
| 方向知情 12/VIX（RF 預測） | 1.72 |
| 完美預測上界（神諭策略） | 3.64 |
方向知情策略（Sharpe=1.72）比標準策略（Sharpe=1.81）更差。
完美預測的上界是 3.64，遠遠更好，說明如果你真的能預測 VIX 方向，的確有巨大的策略價值。但 RF 的 60% 準確率遠遠不夠，反而因為錯誤的交易訊號製造了噪音。
為什麼更多資訊反而更差？
這是一個直覺上反常，但理論上可以解釋的現象：
-
分類誤差有方向性成本 ：當 RF 錯誤預測 VIX 要下跌（應該持多卻減倉），錯過的上漲是「漏掉的利潤」。這種代價比交易成本更高。
-
標準 12/VIX 的穩健性 ：12/VIX 的設計已經內嵌了 VIX 水準 的資訊，而水準的預測力遠強於方向（我們的 K 系列研究早已反覆確認 VIX 水準的預測力 ≥ 31 次）。
-
方向預測的邊際增值太低 ：60% 的準確率，在需要每天做決策的策略中，帶來的信噪比不足以超越標準策略。
結論
VIX 的方向（上漲/下跌）幾乎不可預測 （lag-1 自相關 = -0.048），隨機森林達到 60% 準確率，但：
- 比天真基準只高 3.6 個百分點
- 不能轉化為經濟價值（Sharpe 1.72 < 標準策略 1.81）
- VIX 水準 才是策略的正確輸入，不是方向
這個 null result 非常重要 ：它告訴我們，在現有 12/VIX 框架的基礎上疊加方向預測是多此一舉。研究資源應該投入其他方向。
實驗腳本: experiments/k626_vix_direction_predictability.py 結果數據: experiments/k626_vix_direction_predictability_results.json 參考文獻: Whaley (2000) JD; Giot (2005) JFQA; Carr & Wu (2006) JFE
相關文章
先讀正式關聯，若無則使用標籤與主題相似度補齊