RESEARCH ARCHIVE
研究日誌
VolPred 全部已發佈文章的時間序列，依發佈日期由新到舊排列。
你花時間挑「哪個波動率模型最好」？研究說：你問錯問題了
想像你要買一台車，你花了三個月比較 BMW、Mercedes、Audi 的引擎規格、扭力曲線、零百加速，但沒有人告訴你，其中兩台根本沒有 ABS 煞車系統。 這就是今天很多投資人在做的事。 --- 金融界的「最佳模型」之爭 金融市場裡，預測股票波動性的模型有幾十種：GARCH、MEM、HAR、EWMA、EGARCH……每一種都有教授背書、論文支撐、追隨者。投資銀行、避險基金每年花大量資源在爭論「哪…
你以為 AI 贏了？另一個 AI 說：「等等，你作弊了」
想像兩個運動員在比賽跑步。裁判量完時間後，A 選手以 0.5 秒之差贏了 B 選手。全場歡呼，直到另一位裁判發現，B 選手的計時器壞了，每跑幾圈就停頓幾秒重置一次，也就是說，B 選手的「成績」其實比真實慢了很多。重新計時後，兩人的差距縮小到只有 0.03 秒，幾乎難分勝負。 這就是我們的研究剛發生的事，只不過兩位「選手」都是 AI。 --- AI 大戰的起點：深度學習能預測股市波動率嗎？ 每天早上…
每日策略建議：VIX 24.54（偏高）— 2026-04-02
基於 2026-04-01 收盤數據，預測下一交易日最佳持倉配置。 市場快照 SPY: $655.24 (+0.75%) GLD: $437.82 (+1.73%) 0050.TW: NT$72.35 VIX: 24.54 🟠（偏高） GARCH 年化波動率: 20.2% 今日策略配置 策略 資產配置 總曝險 現金 ------ --- -------- ------ …
64% 準確率的美股跟單幻覺：20 年數據揭穿「昨晚美股跌，明天快賣」的迷思
昨晚美股大跌，今天台股要不要趕快賣？這個問題困擾了無數台灣投資人。我們用 20 年、4,159 個交易日的數據測試了這個直覺，結果讓人大感意外。 --- 你以為的「準確率 64%」 想像有一台神奇機器：只要昨天美股漲，今天就買 0050；昨天美股跌，今天就空手觀望。 如果告訴你，這台機器在過去 20 年裡，64% 的時候都猜對了，而且用這個策略做出來的 Sharpe ratio 高達 3.51——…
「GPS 給你一個點，但人生更需要地圖」——Bayesian 統計如何改變你看待投資預測的方式
傳統統計模型給你一個「精確」的答案，但從不告訴你這個答案有多可靠。Bayesian 統計做到了更誠實的事：它給你一個範圍，告訴你每個可能性的機率，而這種誠實，對投資人來說比虛假的精確更有價值。 --- 你的導航 App 從來不說「你現在精確在北緯 25.03312, 東經 121.56432」 好吧，其實它會說。 但你有沒有注意到，Google Maps 有時候會顯示一個藍色的光暈圈，那個圈代表「…
你盯了 8 個市場指標，AI 告訴你：全都沒用
每次市場動盪，你的 LINE 群組裡一定有人說：「VIX 飆了！信用利差也在擴！國債波動率異常！量能萎縮！趕快看看美元走勢……」 這些指標每一個看起來都「有道理」，每一個都感覺「不看不行」。但如果我告訴你，把這 8 個指標全部丟進最先進的 AI 模型，它的結論是：一個都不需要，你相信嗎？ --- 我們做了什麼實驗？ 研究團隊設計了一個問題：哪些外部市場指標，真的對預測美股波動率有幫助？ 候選名單包…
VT 悖論：個人理性，集體代價——Agent-Based 模擬揭示的市場生態學
這是個看似簡單，卻指向金融市場深層矛盾的問題。 實驗 K815 用 Agent-Based Simulation（ABM）嘗試回答：1000 個模擬 agent，22 種情境（採用率 0% ~ 100%、市場衝擊彈性 \lambda=0.05/0.10/0.20、VT 管理資產 $50B/$200B/$500B），以 2006-2025 年 5031 個交易日的 SPY + VIX 真實數據驅動模…
K821：SSVS 揭示 GJR-GARCH 方差方程的自足性——8 個外部市場信號全數落選
Bayesian SSVS（Stochastic Search Variable Selection）是嚴格的變數篩選方法：只有後驗納入機率（PIP）> 0.5 的變數才會被選入模型。K821 將此方法應用到 GJR-GARCH 方差方程，測試 8 個外生市場變數是否有額外預測力。結果出乎意料地明確——0 個變數通過門檻，中位數機率模型等同空模型。這個 null result 本身就是重要發現：G…
預測準了又怎樣？買 VIXY 還是虧 99.99%——VIX 商品的致命陷阱
你可能預測到波動率要上漲，然後買進 VIXY，結果還是虧錢。這不是運氣不好，是結構性問題。K822 實驗用機器學習模型做到 67.9% 的方向準確率，但所有 VIXY 交易策略一律虧損。原因只有一個字：contango。 --- 你有個很合理的問題 「既然研究能預測波動率漲跌，為什麼不直接買賣 VIX 相關的 ETF 或 ETN？」 這個問題幾乎每個投資人都問過。邏輯聽起來完全成立： 1. AI…
事件減倉的反直覺代價：FOMC/NFP/CPI 避險策略全面劣於被動配置
直覺告訴我們：聯準會開會、非農數據公布、CPI 出爐，市場最動盪的幾天，應該要降低部位。但數據說的是完全相反的故事。 實驗背景 K820 實驗在 2006–2025 年（5,028 個交易日）的 SPY+GLD 50/50 組合上，系統性測試了針對三大總體事件（FOMC 163 次、NFP 240 次、CPI 240 次，共 637 個事件日）減倉的策略效果。測試了五種變形： 策略 事件日…
FOMC 前先賣股？20 年數據告訴你：這個「聰明操作」讓你少賺 3.5%
「下週三 FOMC，先把股票賣掉，等結果出來再買回來吧。」 這是每個投資人心中都閃過的念頭。畢竟，聯準會宣布升降息、非農就業數據（NFP）公布、通膨 CPI 出爐，這些都是「已知的炸彈」，難道不應該提前閃開嗎？ 這個念頭聽起來很有道理。但我們用 20 年的真實數據測試後，發現了一個讓人頭皮發麻的結果：越努力「躲事件」，虧得越多。 --- 我們做了什麼測試？ 實驗很簡單：用 SPY（美股大盤）+ 黃…
為什麼恐慌期的股市「跌起來沒完」？——平靜期 vs 恐慌期的市場雙面性
--- 你是否注意到一個奇怪的現象： 有時候股市突然跌了一天，結果隔天就反彈，好像什麼事都沒發生； 但有時候股市跌了又跌，每隔幾天就再跌一波，讓人心驚膽跳好幾個月。 這不是你的錯覺。我們的研究（K813 實驗）用 2005 年到 2026 年共 5,342 個交易日的數據，正式確認了這個現象——市場在平靜時期和恐慌時期，對「壞消息」的反應模式完全不同。 --- 兩種截然不同的市場「體質」 用最簡單…
Sharpe 3.5 到 -0.17：一個報酬計算選擇讓跨市場策略崩潰
K812 用「昨收→今收」報酬計算跨市場策略，Smooth 策略的全樣本 Sharpe 是 3.400，代碼審查發現三個 HIGH 嚴重度 bug。K812v2 在修正後的面板上，把同一個策略的報酬改成「開盤→收盤」，Sharpe 從昨收→今收的 3.514 跌至 -0.168，差距高達 +3.68。方向準確度從看似顯著的 63.9% 跌回 50.2%（硬幣翻轉）。教訓：美股收盤要到今早才看得到，…
更精確的風險指標，反而讓你虧更多？ES 策略20年實測的反直覺發現
你以為「更精確地衡量風險」就能「更好地管理風險」？20 年的市場數據告訴我們：速度，比精度更重要。 --- 那通慢一拍的保險電話 想像你開車出了小事故，馬上打電話報案。保險公司有兩種處理方式： A 保險公司（快速但粗略）：「我們先估算你的車損大約多少，48 小時內派人勘查，先讓你有個初步方向。」 B 保險公司（精確但慢）：「我們需要調閱你過去五年所有理賠紀錄、當地事故統計、天氣因素……計算完整後再…
K818：SSVS 變數選擇揭示美股日頻報酬預測的 EMH 壁壘
本研究將 Bayesian 變數選擇方法 SSVS（Stochastic Search Variable Selection）應用於 SPY 日頻報酬預測，結果揭示一個重要事實：即使 Bayesian 方法能精準識別出有邊際預測力的變數，有效市場假說（EMH）依然是難以跨越的壁壘。 10 個候選變數中只有 HYGret（PIP=0.935）與 VIXchange（PIP=0.783）被選出，但…
「美股崩盤趕快減碼 0050」——20 年數據告訴你這個念頭為何來不及
台灣時間每天早上九點開盤前，如果你打開手機看到美股昨晚暴跌、VIX 恐慌指數飆升，第一個念頭可能是：「糟了，趕快在台股開盤前減碼 0050，逃過一劫！」 這個想法非常直覺，也非常合理，台灣股市和美股的確高度連動，相關係數高達 0.376。但我們用 20 年真實數據測試後，得出了一個令人意外的結論：這個直覺幾乎完全沒用。 --- 美台連動是真實的，但傳導速度比你快 先確認一件事：美台股市連動是貨真價…
買保險也要看時機！一個指標告訴你：現在的保費是貴還是便宜
想像一下：你每年固定繳車險，但你有沒有想過，如果今年路況很好、幾乎不會出事，這筆保費是不是有點白花了？ 投資世界也有一樣的邏輯。 VT 策略（波動率目標策略）的核心概念是：當市場風險高，就少持股票；風險低，就多持股票。這是一種「自動安全帶」，幫助你在市場崩潰時少虧一點。 但這個安全帶不是免費的。每年約付出 4% 的機會成本——也就是說，你放棄了股票上漲的部分收益，換來較小的持股與較淺的原始回撤。…
你以為分散投資能打敗大盤？行業分化越嚴重，SPY 反而贏更多
想像一下這個場景：今年科技股漲了 40%，能源股跌了 15%，各行業漲跌差距極大。 你的理財顧問朋友說：「現在行業分化這麼嚴重，買大盤指數太集中了，應該平均分配到各行業 ETF，才叫真正的分散！」 聽起來很合理，對嗎？ 但真實數據說：他說反了。 我們用 15 年的實際市場數據（2011-2026）做了一個實驗，結果讓我們自己也感到意外。 --- 實驗：行業分化越嚴重，是否該切換成等權配置？ 我們把…
恐慌底部加碼很誘人，但有一個工具早就替你做好了
本文基於實驗 K810 的實證結果（數據來源：yfinance，期間：2005-2026，5,344 個交易日） --- 那個電話，你有沒有打過？ 2020 年 3 月 16 日。美股熔斷，VIX 恐慌指數衝上 82.69，是 2008 年金融海嘯以來的最高點。 你的投資帳戶可能下跌了 20-30%。你盯著螢幕，手指懸在鍵盤上，心裡有個聲音說： 「現在是千載難逢的低點吧？應該加碼買入……」 這…
四資產 All-Weather 組合測了 20 年：還是打不贏簡單的 50/50
你有沒有聽過這樣的投資建議：「光買股票太集中，要分散到黃金、國債、大宗商品才穩健。」 這個直覺很有道理，分散配置是投資基本原則。但到底分散多少才夠？加了國債和大宗商品之後，報酬真的更好嗎？ 我們用 20 年真實數據測試了 All-Weather（全天候）組合：同時持有股票（SPY）、黃金（GLD）、長期國債（TLT）、大宗商品（DBC），搭配不同的分配方式，和最簡單的 50/50 股票/黃金做比較…
K805：非對稱 MEM vs GJR-GARCH——模型族不重要，Leverage Effect 才是關鍵
K805 實驗在 SPY 股票（2023–2024 年樣本外）對四個波動率預測模型進行完整 Patton (2011) 標準比較：MEM、AMEM、GARCH(1,1)、GJR-GARCH。核心發現是：決定預測品質的關鍵不是「使用 MEM 還是 GARCH」，而是「模型有沒有捕捉到非對稱性（leverage effect）」。 --- 實驗設計 資產：SPY（S&P 500 ETF），2007 年…
四種資產三種通過——比特幣為何是例外？
同一個模型，在股票和黃金上是救星，在比特幣上卻成了麻煩，這是 K804 跨資產實驗最讓人意外的發現。 --- 這個問題從哪裡來？ 如果你曾經接觸過投資風險管理，一定聽過一個名詞：VaR（風險值）。 VaR 的概念其實很簡單：「在正常市況下，我的投資組合明天有 99% 的機率，最多只會虧這個金額。」 但要計算這個數字，你必須假設「市場波動的形狀長什麼樣」。最簡單的假設是：波動服從常態分配，也就是我們…
從假突破到真解法：為什麼預測和風險管理要分開選
一個模型可以同時「預測最準」又「風險管理最差」，這不是矛盾，而是兩件完全獨立的事情。K799 到 K802 這段四步旅程，讓我們用自己的親身錯誤，把這個道理刻進骨子裡。 --- 第一步：K799——五模型六層大決鬥，贏家竟然「害人」 我們用嚴格的六層統計框架，測試了五個波動率模型：GJR-GARCH、GARCH、EWMA、HAR、AMEM。這五個模型都是業界常見的工具，每一個都聲稱能幫你「預測明天…
K799: 五模型「六層決鬥」——MCS 裁決：無法區分贏家
當五個模型跑完同一份資料的十次統計決鬥，竟然沒有任何一次達到學術上「顯著勝出」的門檻，這就是 K799 六層評估框架帶來的核心發現。本文介紹完整的六層 Patton (2011) 評估框架，並揭示 模型信心集（MCS）的最終裁決：五個主流模型在統計上無法區分。 我們在先前分析（K780）中初步發現最準的模型不見得最安全，這次用完整六層框架對五個模型做了全面驗證。 --- 研究背景 波動率模型評估長…