把總經數據加進台指期波動預測，八年半、兩千多天，沒有看到它變好

台股的波動會不會受總體經濟影響？這個問題聽起來幾乎不用問。利率在動、景氣在轉、出口數字忽好忽壞，市場當然跟著晃。

所以一個很自然的想法是：既然總經會影響波動，那把總經數據放進波動預測模型裡，預測應該會更準。學術上這類做法有個成熟的架構，讓模型有兩層，一層抓「這幾天在震什麼」，另一層用月頻的總經數據抓「這段時間的波動基準水準大概在哪」。聽起來很合理。

我們把這個想法放到台指期日盤上測了一輪。結論是： 沒有看到它變好。 

怎麼測的

測試對象是台指期日盤的 5 分鐘已實現波動。預測從二〇一八年一月二日開始，一路到二〇二六年八月二十七日，總共  2102 個預測日 。每一天都只用當天以前的資料去預測未來，固定往前抓  1478 個交易日 當訓練窗，每  21 個交易日 重新估一次參數。

總經數據的處理特別小心。官方統計發布有時間差，所以模型拿到的每一筆月頻總經數字，都刻意延後  2 個月 才允許使用，確保我們沒有拿到當時根本還沒公布的數字。

比較的對手是「只看價格自己」的標準波動模型。兩邊看的是同一批日子、同一個標的，唯一的差別就是有沒有把總經那一層加進去。

結果

我們看兩個預測期間：未來一週，和未來一個月。用的是預測誤差指標， 數字越小代表預測越準 。

不是「沒有變好」，是 變差 。而且兩個期間都變差。

我們另外用五種不同的資料處理方式重跑（結算日怎麼算、漲跌停鎖死的日子留不留、波動怎麼取平均、要不要調整尺度）， 五種的結論完全一樣 ，沒有哪一種讓總經版本翻身。

一個必須講清楚的界線

看到這裡很容易得出「總經數據對預測波動沒有用」這個結論。 這句話比我們的證據強。 

任何一個這樣的測試，都只能抓到「夠大」的效果。這個樣本的解析度是：未來一週的預測，要改善  12.57%  以上才抓得穩；未來一個月要  23.18%  以上。比這更小的好處，它本來就看不見，不是不存在，是這個實驗設計沒有能力分辨。

所以正確的說法是： 如果總經數據真能帶來這種量級的改善，這個測試八成會抓到，而它沒有抓到。  至於「有沒有一點點小小的幫助」，這個實驗回答不了，要回答那個問題需要另一種設計。

我們把這個限制寫在這裡，是因為把「沒測到」講成「不存在」，是這類研究最常見也最省事的一種說法。

順手做的一個防呆檢查

做預測模型最容易犯、也最難自己發現的錯，是不小心用到了「當時還不知道的資訊」。那會讓模型在回測裡表現好得不像話。

我們用了一個很笨但很有效的檢查：把所有輸入資料再往後延一天，然後重跑。真正的預測模型拿到更舊的資料，表現一定會 變差 ；如果反而變好，就表示原本的版本偷看了未來。

結果兩個模型都乖乖變差了，加了總經的版本從 0.2109 掉到 0.2341，只看價格的從 0.1956 掉到 0.2167。這代表原本的成績是真的，不是偷看來的。

真正被打敗的是誰

總經那一層失敗，只是這輪測試的一半。另一半是 誰贏了 ——而這個答案，我們已經是第三次撞到了。

全場最難打敗的，是一個簡單到有點好笑的模型：把最近一天、最近一週、最近一個月的已實現波動各取平均，加起來當預測。就這樣。不看總經，不看深度學習，什麼都不看。

不管是加了總經的版本、只看價格的標準模型，還是我們一併測的深度學習模型，在這 2102 天上都輸給它。

這裡要標一個分層。上面那句「總經版本比標準模型差 7.80%」是這個實驗事前凍結、當成主結果來檢定的比較；而「大家都輸給最簡單模型」是 探索性比較 ，不在事前凍結的設計裡。差別在於，事前講定的比較才有完整的多重檢定保護，事後補看的比較沒有。所以前者我們當結論講，後者我們當觀察講。

當觀察講，它仍然值得一提，因為這不是新鮮事。我們先前兩次用完全不同的切入角度測台指期波動，一次是把日盤夜盤拆開分別建模再合成，一次是比較不同模型在日內與全日兩種標的上的表現，最後都落在同一個地方：那個最土的平均法很難打敗。三個獨立的實驗、三個不同的假說，撞到同一面牆。

一次可能是巧合，三次就是這個題目本身的性質。

倒是有一個地方，兩層結構確實贏了一點： 如果第二層不放總經數據，而是放「最近這段時間的已實現波動平均」 ，那它確實比只看價格的標準模型好一些，未來一天好  3.10% 、一週好  3.16% 、一個月好  5.39% （1530 天）。差別在於，這一層裡放的是價格自己的歷史，不是外部的總經數字。

換句話說： 「分成長期和短期兩層」這個結構本身有價值；問題出在長期那層塞了總經數據。 

這對一般投資人的意思

三件事。

 第一，「有道理」跟「預測得準」是兩回事。  總經確實影響市場波動，這點沒有疑問。但「影響」不等於「可以提前算出來」，等到月頻的總經數字公布，市場早就反應完了，而波動預測要的是明天、下週的事。時間尺度對不上。

 第二，模型複雜不等於預測好。  這輪裡最土的那個做法贏了最精緻的那幾個，而這是我們第三次得到同一個答案。波動率預測這個題目上，簡單方法難打敗不是單一實驗的巧合。

 第三，看到「加了某某資料，模型變準」的說法時，值得問兩個問題 ：測了多少天？有沒有跟最簡單的做法比過？我們這裡測了 2102 天、八年半，包含疫情、升息循環、關稅衝擊，而且跟最土的做法比過，這兩個條件缺一個，結論就不太站得住。

 資料與方法 ：台指期日盤 5 分鐘已實現波動。樣本外預測期間二〇一八年一月二日至二〇二六年八月二十七日，2102 個預測日，1478 個交易日固定滾動窗，每 21 個交易日重估參數，月頻總經數據延後 2 個月使用。五種資料處理方式的敏感性測試結論一致。模型遞迴實作經過等價性驗證，最大差異為 0.0。本文所有數字取自該實驗的結果檔具名欄位。

懶人包圖組