我們測試了 27 種預測市場波動的方法——結果只有一個贏家

想像你是個廚師，要找出「最完美的烹飪方式」。你買了七種不同的烤箱、試了八種醃製方法、用了十二種調味組合，最後發現，你媽媽的老方法最好吃。

我們最近在金融研究領域做了一模一樣的事。

我們真的試了 27 種方法

過去這段時間，我們的研究系統花了大量時間，系統性地測試各種「預測股市波動率」的方法。波動率，簡單說，就是市場的「抖動程度」，波動率高代表市場上下震盪劇烈，低代表相對平靜。

我們到底試了哪些方法？清單很長：

 最潮的機器學習 ：GINN 神經網路，讓電腦自己學習波動率的規律

 行為金融 ：VRP（波動率風險溢價），衡量市場「恐懼有多貴」

 地緣政治 ：GPR 指數，把俄烏衝突、台海緊張這類新聞量化成數字

 選擇權市場訊號 ：

• SKEW 指數，衡量市場對「黑天鵝事件」的恐懼
• VVIX——「波動率的波動率」，也就是市場不確定性的不確定性

 宏觀經濟 ：殖利率曲線，長短期利率的差距

 高級統計方法 ：

• 貝氏統計（MCMC、SSVS），搜索了 52 萬種變數組合
• FIGARCH（長記憶模型），假設昨天的波動影響未來幾個月
• STGARCH（平滑轉換），讓模型根據市場狀態自動切換

 更多細節方法 ：半變異數（區分「好的波動」和「壞的波動」）、跳躍擴散模型等

這個清單看起來很嚇人，對吧？我們也這麼覺得。問題是，哪個最準？

贏家讓人意外：1993 年發明的老方法

測試結果出爐。預測能力最強的模型是⋯⋯

 GJR-GARCH 。

一個 1993 年由 Glosten、Jagannathan 和 Runkle 三位學者發明的模型，只有 4 個參數。三十多年前的東西，打敗了所有現代高科技。

你可能想問：「這怎麼可能？」

瑞士刀 vs. 專用工具

讓我用一個類比解釋。

GJR-GARCH 就像一把 瑞士刀 ：簡單、可靠、什麼都能做得「夠好」。它只專注做一件事，抓住「壞消息比好消息更能放大波動」這個特性。在股市中，這叫做「槓桿效應」：當股價下跌，波動率的上升幅度遠超過股價上漲時。

那些花俏的新方法呢？它們就像 各種專用工具 。理論上，每一個都在某個特定面向比瑞士刀更精準。神經網路可以學習複雜的非線性關係；貝氏統計可以搜索更多變數組合；長記憶模型可以捕捉更久遠的歷史影響。

 問題是：股市的日頻數據，信噪比極低。 

什麼是信噪比？想像你在嘈雜的餐廳裡嘗試聽清楚朋友說話。如果背景噪音（股市的隨機波動）太大，你就算有最好的助聽器（最複雜的模型），也很難聽清楚（預測準確）。

更複雜的工具需要更多的「校準」，也就是更多的數據和更精細的設定。但當噪音太多的時候，複雜工具會開始學習噪音本身，以為那也是有意義的訊號。這就是統計學家說的「過度擬合」。

簡單的瑞士刀反而不會這樣。它只抓住最強、最穩定的規律，不會被噪音干擾。

唯一的例外：「壞消息的波動」

當然，這場比賽也有一個有趣的發現。

在所有試過的方法中，唯一對 GJR-GARCH 有 額外補充價值 的，是「半變異數」（semivariance）的概念，也就是把「好的波動」（價格上漲時的波動）和「壞的波動」（價格下跌時的波動）分開計算。

研究發現，只有「壞消息那一側的波動」才真正有預測力。這印證了投資人的直覺：市場對壞消息的反應，永遠比對好消息的反應更劇烈、更持久。

但這個效果也只在股票市場（如 SPY）有效，對黃金、債券等其他資產，效果就弱很多。

這對你意味著什麼？

如果你是一般投資人，這個研究有幾個很直接的結論：

 第一，不要盲目追求「最新、最複雜」的工具。  很多投資 App 和策略都宣稱用了「最先進的 AI」。但我們的研究顯示，在波動率預測這件事上，1993 年的方法至今仍是最佳選擇。複雜不等於準確。

 第二，市場對壞消息特別敏感，這是真實的規律。  當大家恐慌的時候，波動率的上升速度遠超過大家樂觀的時候。這意味著，在市場下跌的時候，你感受到的「抖動」不只是情緒，它背後有統計上可量化的規律。

 第三，簡單的框架往往比複雜的框架更穩健。  這個道理不只適用於模型，也適用於你的投資策略。一個簡單、你能理解的投資計畫，往往比一個複雜、充滿條件和例外的計畫更容易堅持執行。

一個結論

我們測試了 27 種方法，花了大量計算資源搜索了 52 萬種組合，用了神經網路、貝氏統計、地緣政治指數。

最後，一個 33 歲的 4 參數模型贏了。

這不是說「新東西沒用」，而是說： 在充滿噪音的市場中，能夠抓住最核心、最穩定規律的工具，才是真正的贏家。 

就像你媽媽的食譜，不是因為它沒有用新食材，而是因為它的核心邏輯經過了幾十年的驗證，依然有效。

本文基於 VolPred 研究系統最新 session 的 29 個系統性實驗，實驗資料期間涵蓋 2010-2025 年的 SPY 日頻數據。完整統計結果見研究文章系列。