波動率預測準了，策略卻沒贏：A4f 的 turnover 把 QLIKE 優勢吃光

摘要

我們把一個統計上顯著優於基線的波動率預測模型（A4f，DM 檢定 |t|=4.48）直接接到波動率目標化策略上，跑了 13 年 OOS（2013-2026，n=3338 個交易日）。結果：淨 Sharpe 不升反降，12/VIX 這個最簡單的啟發法微幅勝出（0.861 vs 0.843）。差距不顯著，p=0.64，但方向一致。A4f 每年多換手 68%，5bp 交易成本幾乎精準吃掉它的 QLIKE 邊際。這個結果強化了一條讓預測研究者不舒服的結論：統計顯著不等於策略有用。

A4f 是什麼，為什麼我們對它有期待

A4f 是一個乘法分解架構的波動率模型。長期組件用 VIX 的平方驅動：

$\tau_t = \theta_0 + \theta_1 \cdot \text{VIX}^2_{t-1}$

短期組件接一個標準 GJR（捕捉隔夜跳升的不對稱效應）。兩者相乘得到每日波動率預測值。

在 K988 實驗裡，A4f 在 2019-2026 OOS 期間的 QLIKE 損失函數上顯著贏過 GJR-GARCH 基線，DM 統計量 |t|=4.48，95% CI 不跨零。後續 K1055、K1056、K1073 接著做子期間分割（5/5 全勝）、延長 OOS（2013-2026）、對照 VIX 家族模型（VIX9D、VIX3M、VVIX）。每一輪 A4f 都維持統計優勢。

四個實驗，一個累積的問題： 預測更準的 sigma，能幫策略賺錢嗎？ 

實驗設計

用這個框架比較五個策略：

•  12/VIX ：$w_t = \min(12 / \text{VIX}_{t-1},\ 1.5)$，最簡單的 VIX 倒數法
•  A4f-VT ：$w_t = \min(0.12 / \hat{\sigma}_{A4f,\,t-1},\ 1.5)$，用 A4f 預測值控制曝險
•  GJR-VT ：同上，但換成標準 GJR 預測值
•  50/50 + 12/VIX ：一半 SPY 套 12/VIX 權重，一半 GLD，每月初再平衡
•  50/50 + A4f-VT ：同上，SPY 腿換成 A4f-VT

基準：BH_SPY（持有不動）、BH 50/50 SPY/GLD（持有不動）。

所有權重用 t-1 資訊計算，嚴格排除向前看。OOS 期間 2013-01-02 至 2026-04-10，共 3338 個交易日。每個模型以 2000 天滾動窗口估計，每 63 天重新擬合。交易成本：每次換手的名目變化量乘以 5bp，從當日報酬扣除。差異顯著性用 stationary block bootstrap（block=22 天，1000 次模擬）檢定。

結果

A4f-VT 的淨 Sharpe 是 0.843，比 12/VIX 的 0.861 低 0.022。Bootstrap 95% CI：[-0.108, +0.074]，跨零，p=0.64。50/50 框架下 A4f 改善了 0.033，但同樣不顯著（p=0.37），而且兩者都輸給 BH 50/50（0.873）。

為什麼統計優勢沒有變成 Sharpe 優勢

算術在這裡說話。

A4f-VT 每年換手 16.3 次，12/VIX-VT 是 9.7 次，差距 +6.6 次。每次換手 5bp，6.6 次大約是 33bp/year 的額外成本。

A4f 的 QLIKE 優勢有多大？DM 差距 4.48 sigma，但這是預測誤差的相對縮小，不是報酬的絕對差。在 VT 框架裡，更精準的 sigma 把 SPY 曝險推得更積極（A4f 平均權重 0.99，12/VIX 是 0.75），每一筆 refit 後微調都要花成本。那 33bp/year 大概就是 QLIKE 邊際進到 weight 調整後折現出來的結果。

「統計損失函數的優勢」和「策略層的淨收益」之間有一道轉換摩擦。QLIKE 最小化不等同於 Sharpe 最大化，尤其當更好的預測代表「更頻繁調整」時。

MDD 的方向也一致：12/VIX 在最大回撤期（-16.30%）比 A4f（-18.58%）跌得少。12/VIX 的平均權重更保守（0.75 vs 0.99），危機時被動減少曝險而非主動預測到危機，反而佔了便宜。

兩個不能互推的 hurdle

這個實驗的方法論教訓比策略本身更重要： 統計顯著和經濟顯著是兩個獨立的檢定，不能用一個推導另一個。 

A4f 通過了統計門檻：DM |t|=4.48，超過 Harvey (2016) 要求的 t>3.0，p<0.001。但在淨 Sharpe 的經濟門檻上，A4f 的表現與 12/VIX 無統計差異（p=0.64）。兩件事都是真的，兩件事並不矛盾。兩個指標量的是不同的東西。

這不是個偶然發現。Moreira & Muir（2017）在《Journal of Finance》就指出：波動率預測精度的邊際改善，進入策略後多半被換手成本吃掉。Harvey et al.（2018）在《Journal of Portfolio Management》也記錄了類似的轉換損耗。我們的 A4f 實驗是一個很乾淨的小案例，數字上演了同一個機制。

A4f 適合的使用場景

A4f 不適合直接拿來提升 VT 策略的 Sharpe，這是這個實驗的結論。但這不是模型本身的否定。

A4f 在 K1058（VaR Trinity 實驗）已經展現另一種價值：精準的 sigma 在 VaR 計算上能顯著改善分位數覆蓋率，每日 VaR 超標次數更接近理論水準。這條 VaR/ES 路線是 A4f 真正的應用位置，不是 Sharpe 比賽。

對一般投資人，12/VIX 是 A4f 的完全等價替代品：相同的方向，更低的成本，更簡單的操作。對策略設計者，這個實驗告訴我們，改良預測精度前要先估計換手成本。若 delta Sharpe 的轉換比率低於交易成本，精度提升就只是研究室裡的成果，不是實盤的優勢。

本文基於實驗 K1074（腳本：experiments/k1074/k1074.py，結果：experiments/k1074/k1074_results.json）。數據來源：yfinance（SPY, GLD, ^VIX），OOS 期間：2013-01-02 至 2026-04-10，n=3338 個交易日。關聯實驗：K988, K1055, K1056, K1073, K1058。