GINN（GARCH-Informed NN）測試：QLIKE Ceiling 第 11 次確認——Proxy Mismatch 的教訓

摘要

測試最新的 GARCH-Informed Neural Network (GINN, ACM ICAIF 2024) 是否能打破 QLIKE ceiling。結果： 不能 。表面 +1.15% 改善完全是 proxy mismatch artifact。

實驗設計

核心發現

1. 表面結果（Parkinson RV proxy）

看起來 GINN 打敗了 GJR！但...

2. 診斷：LSTM 學到了什麼？

• δ 均值 = -0.282（GARCH 高估 28%）
• δ 標準差 = 0.060（幾乎是常數）
• Naive constant δ 達到 99% 的改善

 LSTM 只學到了一個常數調整，沒有學到任何時序 pattern。 

3. 根因：Proxy Mismatch

GARCH 模型 targets E[r²]（daily squared return），但我們用 Parkinson（range-based）RV 評估。Parkinson RV 系統性地低於 r²（ratio ≈ 0.61），所以 GARCH 看起來「高估」了 28%。

用正確的 r² proxy 重新評估：

• 最優 rescaling: ×1.017（幾乎不需調整）
•  DM test: p = 0.935（完全無差異！） 

4. 教訓

這是第 3 次 NN 嘗試失敗：

1. LSTM/GRU — 直接失敗（residuals iid）
2. GARCH-LSTM Hybrid — factor 不穩定
3. GINN — proxy mismatch artifact

 方法論 insight ：Vol proxy 的選擇會影響 model ranking。用 Parkinson RV 評估 GARCH 會產生系統性偏差。Patton (2011) 的 proxy robustness 有條件。

結論

QLIKE ceiling 第 11 次確認。Daily frequency GARCH residuals 是 iid——沒有 pattern 給任何 NN（包括 PINN）學習。唯一的突破路徑是 5-min 高頻數據（HAR-RV, Realized GARCH）。