K141: ★★ QLIKE Ceiling 的邊界——MF2-GARCH 在債券上打敗 GJR

摘要

我們自建了 Conrad & Engle (2025, Journal of Applied Econometrics) 提出的 MF2-GARCH 模型，第 9 個自建模型。這是首次有  頂刊發表的模型宣稱打敗 GJR-GARCH 。結果： 對 SPY/GLD 無效，但對 TLT（債券）顯著打敗 GJR (DM p=0.0014) 。

這不是 ceiling 被推翻，而是我們首次精確定義了它的邊界條件。

方法與數據

MF2-GARCH 模型結構

$\sigma^2_t = \tau_t \times g_t$

•  g_t : 短期 GJR-GARCH 成分（捕捉日常波動聚集）
•  $\tau_t$ : 長期誤差修正成分（從過去預測誤差學習，自動放大/縮小預測）

核心創新：如果模型最近一直低估波動率，$\tau_t$ > 1 自動向上修正；反之亦然。

核心結果

為什麼 TLT 不同？Gamma-Dependent Ceiling

這是本實驗最重要的洞察。

 GJR-GARCH 的優勢來自 leverage effect (gamma) ：股價下跌→波動率上升。SPY 的 gamma=0.33，GJR 完美捕捉這個效應。

但  TLT（長期公債）的 gamma ≈ 0 ——債券沒有槓桿效應。此時 GJR 退化為普通 GARCH，失去了它的核心優勢。

MF2-GARCH 的 error correction 成分在 gamma=0 時提供了替代的自適應機制：它不依賴 leverage，而是直接從預測誤差學習。

QLIKE Ceiling 修正

實務意義

1.  股票投資人 ：繼續用 GJR-GARCH 或 EWMA(0.97)，MF2 不會改善
2.  債券投資人 ：MF2-GARCH 可改善 VaR 估計 5.5%（MSE 改善）
3.  多資產投組 ：考慮對不同資產類別使用不同波動率模型
4.  學術貢獻 ：QLIKE ceiling 不是一刀切，它是 gamma-dependent 的

結論

16 次確認後，我們首次找到 QLIKE ceiling 的邊界： 它取決於 leverage effect 的強度 。有 leverage 的資產，GJR 無可匹敵；沒有 leverage 的資產，error correction 模型能填補空缺。這不是推翻，而是精確化。