← 研究動態
研究2026/03/21 下午03:08

K46->K53 方法論修正:VT 不是純 Trend Following,但 Leverage Effect 驅動 TSMOM 暴露(N=15 驗證)

VT策略方法論修正cross_assettrend_followingTSMOMleverage_effectGJR_gamma

讀者互動

登入會員可按讚與收藏。

分享到:LINEFacebookX / Twitter

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。

訂閱研究摘要

研究摘要與新文章,不轉售、不寄廣告,隨時可退訂。

摘要

我們最初在 K46 發現「VT alpha 91% 被 trend following 解釋」,但 K50 提出 6 項嚴格方法論批評。本文報告修正後的結果(K53):將樣本從 4 個資產擴展到 15 個,採用 Newey-West HAC 標準誤、正交化 TSMOM、同期 T-bill 利率。修正結論: VT 確實具有顯著的 trend following 暴露,但保留了實質的獨立 alpha 。Equity 平均 alpha 降幅僅 5.2%(非 91%)。跨資產分析揭示 leverage effect 是驅動因子:corr(GJR gamma, TSMOM loading) = 0.742 (p=0.002)。


1. 背景:從假說到修正

K46 原始發現(4 個資產)

基於 Hood & Raughtigan (2024) 的框架,我們對 SPY、GLD、TLT、EEM 進行 CAPM + TSMOM 回歸,發現:

  • SPY alpha reduction:  91% (alpha 從 t=1.01 降至 t=0.13)
  • EEM alpha reduction:  92% 
  • GLD/TLT: 僅 -3% 至 11%

原始結論:「VT alpha 本質上就是 trend following」。

K50 審查:6 個關鍵問題

審查指出我們的方法論有系統性缺陷:

#問題影響
1GARCH VT alpha 本來就不顯著(t=1.01),91% reduction 是從不顯著降到更不顯著結論基礎薄弱
2Cash rate 硬編碼 4%,應用同期 T-bill系統性偏差
34 個資產太少做 cross-sectional claim(Hood 用 50 futures)統計效力不足
4應用 HAC/Newey-West 而非 HC2標準誤低估(自相關)
5Leverage effect proxy 應用 GJR gamma 而非 rolling corr更穩健的度量
6TSMOM 應正交化到 MKT避免多重共線性膨脹

審查建議修正表述:「equity VT has substantial trend-following exposure consistent with leverage-effect channel」而非「VT alpha IS trend following」。


2. 修正實驗設計(K53)

改進方法

項目K46(原始)K53(修正)
資產數量4 15 (10 equity + 5 non-equity)
標準誤HC2 Newey-West HAC (auto lag)
TSMOM 處理僅 raw Raw + Orthogonalized 
無風險利率硬編碼 4% 同期 3-month T-bill(^IRX) 
Lookback252 天252 天(一致)
樣本期間2007-20262007-2026(一致)

資產覆蓋

 Equity(10 個) :SPY、QQQ、IWM、XLF、XLE、DIA、EEM、EFA、FXI、EWZ

 Non-Equity(5 個) :GLD、TLT、USO、HYG、LQD

三模型架構

  •  M1 (MKT only):r_VT = alpha + beta_MKT * r_BH + epsilon
  •  M2 (MKT + Raw TSMOM):r_VT = alpha + beta_MKT * r_BH + beta_TSMOM * TSMOM + epsilon
  •  M3 (MKT + Orth TSMOM):r_VT = alpha + beta_MKT * r_BH + beta_TSMOM_orth * TSMOM_orth + epsilon

M3 的正交化 TSMOM 消除了與 MKT 的共線性,alpha 在 M1 和 M3 之間 定義上相同 ——但 TSMOM_orth loading 揭示 VT 的純 trend following 暴露。


3. 核心結果

3.1 TSMOM 暴露:15/15 資產顯著

所有 15 個資產的正交化 TSMOM loading 在 Newey-West 標準誤下均統計顯著(|t| > 1.96)。

 Equity 資產 TSMOM_orth 結果 :

資產GJR gammabeta_TSMOM_ortht-statAlpha Reduction
SPY0.2610.1217.6526.9%
QQQ0.2250.1126.5827.3%
IWM0.1440.1379.96-157.2%
XLF0.1740.14211.5845.7%
XLE0.0780.1136.95-38.6%
DIA0.2350.14811.5754.0%
EEM0.1210.1428.56-16.0%
EFA0.1520.1258.1154.6%
FXI0.0690.1317.6819.6%
EWZ0.0740.1216.0535.6%

 Equity 平均 alpha reduction:僅 5.2% (K46 聲稱 91%)

 Non-Equity 資產 TSMOM_orth 結果 :

資產GJR gammabeta_TSMOM_ortht-statAlpha Reduction
GLD-0.037 -0.073 -3.18-15.0%
TLT-0.015 -0.078 -4.550.6%
USO0.0610.0653.554.3%
HYG0.1840.1277.94180.2%
LQD0.0550.0833.496.9%

3.2 最重要的發現:GLD 和 TLT 的負 TSMOM loading

GLD 和 TLT 的 TSMOM_orth loading 為 負值 且顯著:

  •  GLD :beta = -0.073 (t = -3.18, p = 0.001)
  •  TLT :beta = -0.078 (t = -4.55, p < 0.001)

這意味著: VT 在安全港資產上表現為逆勢交易者(contrarian) ,而非趨勢追隨者。這與 leverage effect 理論完全一致——GLD/TLT 的 GJR gamma 為負值(波動率和報酬正相關或無相關),導致 VT 的曝險方向反轉。

3.3 Cross-Sectional 分析:Leverage Effect 是驅動力

統計量值p-value
Pearson r(gamma vs beta_TSMOM_orth) 0.742  0.002 
Spearman rho0.6360.011
Bootstrap 95% CI[0.355, 0.898]—
Cross-sectional R² 0.551 —
Fama-MacBeth gamma10.6060.012

GJR gamma 解釋了 TSMOM loading 變異的 55%。這是一個強有力的跨資產機制證據。

3.4 Equity vs Non-Equity 差異

組別TSMOM_orth 均值標準差
Equity (N=10)+0.1290.013
Non-Equity (N=5)+0.0250.094
Welch t-testt = 2.458p = 0.069

Equity 組的 TSMOM loading 極度一致(標準差僅 0.013),而 Non-Equity 組高度分散(標準差 0.094),從 -0.078(TLT)到 +0.127(HYG)。


4. 為什麼 K46 的 91% 是錯的?

4.1 原因分析

K46 報告的 91% alpha reduction 來自 M2(raw TSMOM model)的 alpha 與 M1 的 alpha 比較。問題在於:

  1.  Raw TSMOM 與 MKT 高度相關 :raw TSMOM 包含市場因子的成分,加入後改變了 beta_MKT 的估計,間接吸收了 alpha
  2.  SPY 的 alpha 本來就不顯著 :M1 alpha t=1.44,不拒絕 H0,所以 91% reduction 是從統計雜訊降到更小的統計雜訊
  3.  僅 4 個資產 :無法判斷 91% 是系統性規律還是個案

4.2 正交化的關鍵作用

M3(正交化 TSMOM)的設計消除了上述問題:

  • TSMOM_orth 與 MKT 正交 → alpha 在 M1 和 M3 之間相同(by construction)
  • TSMOM_orth loading 衡量的是 純粹的趨勢暴露 ,不被市場因子污染
  • 結果:15 個資產中,15 個有顯著的 TSMOM_orth loading,但 alpha 不因此消失

5. 修正後的統一框架

VT 的三層結構

  •  Market Exposure (~80% R²):VT 是部分曝險的市場策略
  •  Trend Following (~5-8% incremental R²):VT 免費附帶的趨勢暴露
  •  Independent Alpha :VIX level-based position sizing 的獨立貢獻(主要體現在 MDD 保護)

Leverage Effect Channel

為什麼 VT 有 trend following 暴露?機制如下:

  1. 股票下跌 → 波動率上升(GJR gamma > 0)
  2. VT 降低部位 → 等同做空下跌趨勢 =  trend following 
  3. Gamma 越大 → VT 反應越強 → TSMOM loading 越高

這解釋了:

  •  Equity :gamma > 0 → 正向 TSMOM loading(0.113-0.148)
  •  GLD/TLT :gamma < 0 →  負向  TSMOM loading(contrarian)
  •  USO/LQD :gamma ≈ 0 → 弱 TSMOM loading

6. 學術意義與實務啟示

6.1 對 Hood & Raughtigan (2024) 的修正

Hood & Raughtigan 的核心論點(「VT alpha is largely trend following」)在 方向上正確 但在 程度上被高估 。我們的修正:

  • 方向:VT 確實有顯著 trend following 暴露(15/15 資產)—  confirmed 
  • 程度:Alpha reduction 在 equity 平均僅 5.2%(非 91%)—  corrected 
  • 範圍:Non-equity 資產可以是 contrarian(GLD/TLT)—  new finding 

6.2 實務啟示

 對投資人 :VT 不需要被替換為 TSMOM 策略。VT 的核心價值(MDD 保護)來自 VIX-based position sizing,而非 trend following 成分。

 對策略設計者 :理解 leverage effect channel 可以幫助預測 VT 在新資產上的行為——gamma > 0 的資產會有 trend-following 效果,gamma < 0 的資產會有 contrarian 效果。

6.3 科學流程的價值

這個 K46 → K50 → K53 的弧線展示了正確的科學流程:

  1.  K46 :提出大膽假說(VT = trend following)
  2.  K50 :嚴格審查,指出 6 個方法論缺陷
  3.  K53 :修正方法論,結論從「91% = trend following」修正為「5.2% alpha reduction + leverage effect channel」

 結論更謹慎,但更可靠。 


附錄:技術細節

  •  樣本期間 :2007-01-01 至 2026-03-20(4,579 obs/asset)
  •  Newey-West lags :自動選擇(lag = 9)
  •  VT 構建 :12/VIX 權重(threshold = 12, monthly rebalance)
  •  TSMOM 構建 :252 天 lookback,sign(r_{t-252:t}) * r_t
  •  無風險利率 :^IRX(3-month T-bill),同期
  •  正交化 :TSMOM_orth = residual(TSMOM regress on MKT)

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

📄
天然氣月度波動的季節項放進自我迴歸之後:冬季係數隨價格序列與落後期變號,夏季在四個設定下都為負
為天然氣部位估月度波動的人,常在前一個月的實現波動之外再放一組季節虛擬變數。理由來自基本面:冬季的取暖需求與庫存消耗讓天然氣價格在冬天起伏較大(Mu 2007)。本文用同一組資料回答建模時的兩個問題:月份差異在無條件下是否存在;放進前一個月的波動之後,季節項還剩多少,係數又該怎麼讀。 先寫結論。 第一,無條件的月份差異在兩條序列都存在。天然氣連續近月期貨與 UNG 都在 1 月最高,冬季平均分別是…
→
📄
K2006:每月依殖利率曲線預測調整公債存續期間,平均報酬、回撤與下行尾部能與槓鈴、階梯分開嗎?
這組資料分不開。四項預先設定的檢定在 Holm 逐步校正(家族大小為四、水準 5%)後全部沒有拒絕。證據最接近門檻的是下行尾部,方向卻不利於動態規則:一年視窗最差 5% 的平均終值比,動態規則(Dyn)為 0.9203,槓鈴(B)為 0.9378,差 -0.0175,未調整 p 值 0.04998,Holm 調整後 0.1999。這組資料沒有給出「依曲線預測切換存續期間能降低尾部風險」的證據,也不…
→
📄
過去一年的價格路徑含兩種資訊:高低價口徑下,趨勢項的解釋比例在後段持平,波動項由 0.378 降到 0.175(SPY)、由 0.526 降到 0.147(QQQ)
做指數 ETF 部位大小或風險預算的人,預測波動時通常先用前一天、前一週、前一個月的波動,接著會問一個延伸問題:過去一年價格怎麼走,值不值得多放進預測式。同一份實驗的整體結果,本平台已發過一般讀者版:把過去一年的路徑當成一個整體,在樣本內解釋了 SPY 與 QQQ 約一半的每日波動。這一篇拆開問另一件事:路徑裡的兩個特徵,樣本往後移以後,各自還剩多少。 先寫結論。路徑特徵有兩個,趨勢項記錄過去一年…
→