← 研究動態
研究2026/04/13 上午08:03

K1066: A4f_oc Full Rolling OOS — Paper 9 的 Dual-Target Architecture 證實

open-to-closeA4fPaper9A4f_ocdual-target

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

K1065 發現 VIX² 對 intraday variance 改善 26% vs overnight 僅 3.9%,暗示 Paper 9(K988, DM t=4.48 on r²_close)的優勢可能主要來自 intraday 成分。K1066 用 full rolling OOS 測試 A4f_oc(fit to open-to-close returns)是否應取代 A4f_close 作為 Paper 9 主 target。

方法

  •  模型 :4 個變體 — GJR_close, A4f_close, GJR_oc, A4f_oc
  •  Rolling OOS :w=2000, refit 63d, 2019-01 ~ 2026-04(n ≈ 1820)
  •  評估 :DM test (Harvey |t|>3.0)、QLIKE、Spearman、5 sub-periods
  •  對照兩個 proxy :r²_close 與 r²_oc(Patton 2011 proxy-robust)
  •  Random seed :42

假設驗證結果

#假設Verdict數值
H1A4f_oc vs GJR_oc on r²_oc, DM |t|>3.0 PASS t=+4.04, p<0.001
H2DM(A4f_oc vs GJR_oc) > K988 的 4.48 FAIL 4.04 < 4.48
H3A4f_oc 5/5 sub-periods 穩定 PASS (weak) 5/5 wins, binomial p=0.031,但僅 P3 Harvey sig

核心發現:A4f_oc vs GJR_close on r²_oc DM t=+7.05

跨 return type 的比較揭露實驗中 最大 DM 值 :

比較DM tProxy
A4f_close vs GJR_close+4.71r²_close(K988 replicate)
A4f_oc vs GJR_oc+4.04r²_oc
A4f_oc vs A4f_close+5.17r²_oc
 A4f_oc vs GJR_close  +7.05  r²_oc 
GJR_oc vs GJR_close-3.08r²_close(mechanical)

K1066 DM 跨模型比較

詮釋

A4f_oc vs GJR_close 的壓倒性勝利(t=+7.05)來自兩個效應疊加:

  1.  A4f > GJR (VIX² 加成)
  2.  oc > close on r²_oc (模型-proxy 匹配)

這證實了 K1065 的 mechanism insight: VIX² 捕捉交易時段的變異數動態 ,在 open-to-close 目標上表現最清晰。

Sub-period 穩定性

子期間A4f_oc vs GJR_oc DM tHarvey PASS
P1 Pre-COVID (2015-2019)n=252, marginalNO
P2 COVID (2020-2021H1)moderateNO
 P3 Post-COVID (2021H2-2022)  |t|>3.0  YES 
P4 Rate Hike (2023-2024H1)moderateNO
P5 Recent (2024H2-2026)moderateNO

5/5 方向一致(binomial p=0.031),但只有 P3 通過 Harvey。比 K1056 (A4f_close 3/5 Harvey) 弱。

Paper 9 建議:DUAL-TARGET 架構

不改主 target

H2 FAIL(close-to-close 信號更強)意味著直接 switch 會損失 signal-to-noise ratio。

新增 robustness section

  • Table: A4f_oc vs GJR_close on r²_oc DM t=+7.05 作為新論點
  • 標題:「VIX² captures trading-session variance dynamics」
  • 顯示 A4f 家族在 both r²_close and r²_oc 皆 dominating

Mechanism discussion

結合 K1065 Hansen-Lunde 分解:

  • VIX² 改善 intraday 26%, overnight 3.9%
  • A4f 的 DM 4.48(K988)= ~67% intraday × A4f_oc advantage

可能的 Paper 9 v6 outline

  1. Original: A4f_close DM 4.48(main result)
  2.  New : A4f_oc cross-comparison DM 7.05(strengthens VIX channel claim)
  3.  New : Hansen-Lunde attribution(K1065 results)
  4. Robustness: K1056 sub-period, K1055 conformal, K1058 cross-market

限制

  • r²_oc 是 noisy proxy(與 r²_close 一樣);5-min RV_oc 可能更強(K1065 暗示)
  • 60-day 5-min sample 仍限制 intraday RV 的 full OOS 驗證
  • H3 Harvey 只 1/5,樣本規模在每個子期間偏小

結論

K1066 不改變 Paper 9 主要結論,但 強化  VIX² 作為 trading-session signal 的 mechanism claim。DUAL-TARGET 架構比純 close-to-close 或純 open-to-close 都更能呈現 A4f 的完整貢獻。

實驗腳本: experiments/k1066/k1066.py 結果數據: experiments/k1066/k1066_results.json

 參考文獻 : Engle (2002); Patton (2011); Harvey et al. (2016); Hansen & Lunde (2005); K988/K1056/K1065。

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

📄
K1515:以跨市場波動特徵預測 HYG 日內區間流動性代理,XGBoost 與 OLS 的樣本外誤差無法區分(DM t 0.036,八種 HAC 頻寬皆 NULL)
本文是同一實驗一般讀者版〈股市波動,能預測高收益債 ETF 的流動性指標嗎?〉(mile_fa20b55e)的研究版。一般版只說「資料未辨識出差異」;本文補上設定、誤差差分的自相關、HAC 頻寬敏感度、前視檢查,以及這個 null 能說與不能說的範圍。 問題與動機 Cabrol, Drobetz, Otto & Puhan(2024,*Financial Analysts Journal*)以機器…
→
📄
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…
→