Student-t DCC 比 Gaussian DCC 高級嗎？三資產風險平價的誠實答案

把股票、債券、黃金組合在一起，怎麼分配比例才能在賺錢的同時少虧？這個問題困擾過每一個認真想做資產配置的投資人。

教科書告訴你：金融資產的日報酬不是常態分配，尾部比鐘形曲線寬得多。所以，建模時應該用 Student-t 這類「胖尾分配」才更貼近現實。

這個邏輯聽起來無懈可擊。但當我們真的把 Gaussian（常態）和 Student-t 兩種假設套進同一個組合模型，跑了五年真實 OOS 回測後，答案讓人意外。

實驗設計

三個資產： SPY（美股）、TLT（長期美債）、GLD（黃金） 。

時間跨度： 2020 年初到 2024 年底，五年，1257 個交易日 ，涵蓋 COVID 崩跌、Fed 史上最快升息，以及後來的通膨平息反彈，幾乎把各種市場環境都走過一遍。

四種策略：

M2 和 M3 的差別只有一個：對資產間報酬分配的假設。一個認為市場遵循常態，一個承認市場有厚尾、極端事件比常態更常見。

四個模型排排站

數據來源：yfinance。SPY/TLT/GLD 日收盤價，OOS 2020-01-02 至 2024-12-30（T=1257 天）。M2/M3 DCC 組合以 Inverse-Vol 曲線形狀為 proxy 呈現；Sharpe/MaxDD 等績效數字取自 K1387 實際計算結果。

橫軸為四種策略；左圖為 Sharpe Ratio（越高越好），右圖為最大回撤（越小越好）。

M2 和 M3 的 Sharpe 分別是 0.6370 和 0.6373，差距 0.0003。

不是 3%，不是 0.3%，是 0.0003。

兩個模型的年化報酬幾乎完全相同，波動也幾乎一樣，最大回撤差距連 0.01% 都不到。

「統計上看不出差距」的意思

光靠眼睛看數字還不夠。我們做了嚴格的統計檢驗，比較兩個模型預測準確度的差異，結果，t 值 1.33，p 值 0.185。

白話解釋：如果兩個模型真的一樣好，光靠運氣就能觀察到這麼大的差距，機率是 18.5%。這不是低機率事件。統計上，我們沒辦法說 Student-t DCC 比 Gaussian DCC 好。

連績效最好的 M1（Inverse-Vol）和 M0（等權重）之間，Sharpe 差了 0.097，都比 M2 vs M3 的 0.0003 大了 300 倍。

為什麼結果是這樣？

 風險平價本身就在吃掉相關係數的資訊。 

等風險貢獻（Equal Risk Contribution, ERC）的目標，是讓每個資產對組合總風險的貢獻比例一樣。要達成這件事，模型需要知道各資產的波動率和相關性。DCC-GARCH 把這兩項資訊都算進去，理論上比等權重更「精確」。

但 ERC 的底層優化是讓  風險貢獻  均等，而不是讓報酬最大化。一旦 DCC 模型把波動和相關性抓得夠準，ERC 就已經做到它該做的事了。

Gaussian 和 Student-t 在  相關性動態  上的估計幾乎一樣，差別主要在極端行情的尾部機率估計。但尾部機率的差異，最終換算成 ERC 的配置比例調整幅度極小，幾乎可以忽略不計。

用比喻說：你有兩個廚師，一個用普通秤稱配料，一個用精密電子秤稱。做的是一道普通炒飯，兩個結果很可能沒什麼差。精密電子秤在做分子廚藝才值錢。

那麼 DCC 到底有沒有用？

有用，但對象是等權重，不是 Gaussian vs Student-t 之間的選擇。

看 M2 和 M3 的「風險貢獻 RMSE」（衡量 ERC 實際上執行得多準）：

Gaussian DCC + ERC 的風險分配誤差，只有純等權重的 20%。兩個 DCC 版本把「等風險貢獻」這件事做得遠比 inverse-vol 和等權重更到位。

換句話說： DCC 的價值在於讓風險真的被平衡分散，而不在於 Gaussian vs Student-t 的選擇。 

一個誠實的缺陷

兩個 DCC 模型有個共同問題：VaR（風險值）估計過度保守。

設定 1% 的損失閾值，理論上 100 天應該大約超過 1 次。但實際上，M2 超過了 2.78% 的交易日，M3 超過了 2.39%。兩者都比設定標準高出太多，嚴格的統計檢驗都沒通過。

這個缺陷來自底層 GARCH 模型的殘差分配沒把厚尾捕捉完全。ERC 配置邏輯本身沒有問題，DCC 的動態相關係數也沒有問題，根本在殘差建模。就算換成 Student-t 假設，改善幅度也很有限（2.78% vs 2.39%）。

想提升 VaR 準確度，可能要從 GARCH 底層的殘差建模著手，改 DCC 的分配假設只是修邊角。

對一般投資人的意義

這次研究驗證了一個已經出現好幾次的規律：在日線組合配置上，追求更複雜的統計假設，往往帶不來對等的績效提升。

具體說：

 你不需要擔心「Gaussian 還是 Student-t」這個問題。  如果你要用 DCC-GARCH 建立風險平價組合，標準的 Gaussian 版本就夠了。把省下來的精力，花在更值得想的問題上，比如資產選擇、再平衡頻率、或者成本控制。

 從等權重升級到 DCC + 風險平價，有意義。  Sharpe 從 0.53 升到 0.64，風險貢獻的均衡程度也大幅提升。這個升級值得做。

 但 Gaussian → Student-t 這步，目前看不到實質效益。  Sharpe 差距 0.0003，統計上看不出來誰比較好。這不代表 Student-t 模型沒有理論根據，而是說：在這個實驗的設定下，這個差異小到不影響決策。

簡短結論

五年的股債金三資產組合回測，Gaussian DCC 和 Student-t DCC 的績效幾乎完全一樣。複雜不等於更好，這次又驗證了一次。

把研究預算放在「選哪個分配假設」上，大概不如想清楚「要不要做再平衡」或「用哪三個資產」來得划算。

研究來源：實驗 K1387（Gaussian vs Student-t DCC 風險平價）。腳本與完整結果見 experiments/K1387/。數據來源：yfinance，SPY/TLT/GLD 日報酬，OOS 期間 2020-01-02 至 2024-12-30，T=1257 個交易日。參考文獻：Engle & Sheppard (2002)、Maillard et al. (2010)、Paolella (2025, JTSA)。