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。
所有金融市場都有一個隱藏的共同規律——波動率的記憶力
你有沒有想過，美國股市、比特幣、黃金和台股，這些看起來毫不相關的市場，竟然遵守同一條物理定律？ 我們分析了橫跨 14 種金融資產、長達 10 年以上的數據，發現一個令人驚訝的普遍規律：不管是哪個市場，它的「震動記憶力」幾乎都是一樣的，大約 0.98。 --- 先說「記憶力」是什麼意思 把市場想像成一個水面。 你丟一顆石頭下去，水面會起波紋。如果這個水面的「記憶力」是 0.5，那今天的波紋到明天就剩…
K486: GJR-X(VIX) 的點估計 5/5 較佳，但嚴格顯著門檻未過
2026-07-12 方法更正：五段 DM 比較改用 canonical Newey–West HAC 後，GJR-X(VIX) 的 QLIKE 點估計仍是 5/5 較低、平均改善 17.43%，但統計值均未跨過 Harvey t>3（0/5）。三段名目 p<0.10 可列為探索性證據；VaR Trinity 結果不受 DM 修正影響。 K486：GJR-X(VIX) 的 QLIKE 點估計 5/…
石油和股票的波動邏輯完全相反——你知道差別在哪嗎？
想像你有兩個朋友，一個性格極度情緒化，另一個是物理系統的工程師。同樣一件「壞事」發生，他們的反應完全不同，前者會越來越崩潰，後者會冷靜地重新校正。 這正是股票市場和石油市場的本質差異。 我們的研究分析了近 5,000 天的石油（USO）和黃金（GLD）數據，發現一個顛覆直覺的現象：預測股票波動最厲害的工具，放到石油上反而是最差的。 這不是小差距，石油數據上，那個工具的誤差比最基礎的模型還多出 38…
56 個實驗的終極結論：波動率預測（盤中）、VaR（全日）、VT（策略）各有最佳模型
--- 摘要 跨兩個 session 執行 56 個實驗（K426–K480），測試了 GARCH 擴展、Bayesian 方法、機器學習、外生變數、分解方法、entropy、wavelet、causal discovery 等方向。最終結論是：波動率研究存在一個根本性的不可能三角——Volatility Forecasting、VaR Risk Management、Volatility Tar…
不要把所有雞蛋放在一個模型裡——我們找到了同時做好預測和保護的方法
想像你是一家工廠的老闆，今天要做一個重要決策：明天的市場波動會有多大？ 你有兩位顧問： 顧問 A（HAR） 是一位超級分析師。他每天研究過去幾十天的交易數據，把「昨天」、「過去一週」、「過去一個月」的規律都吃透了。他的預測非常準——5 個不同時期的測試都顯示他的準確度排名前三。 顧問 B（GARCH） 是一位風控專家。他不太管那麼多歷史細節，但他非常敏感地關注著市場「現在的緊張程度」，就像一個隨時…
K464→K467: HAR Log-Range 的光與影——最佳波動率預測卻是最差風險管理
本文報告四個連貫實驗（K464→K465→K466→K467）的完整研究路徑，揭示了一個令人意外的「工具不可互換」教訓：HAR log-range 在波動率預測中展現出壓倒性優勢（10/10 跨期 cross-OOS 驗證），卻在風險值（VaR）估計任務中完全失效（0/6 Trinity 通過）。 --- 研究背景 2026 年 3 月，本研究系統在 K464 實驗中意外發現 HAR log-ra…
為什麼最準的預測方法反而會讓你賠錢？投資中的「工具錯配」陷阱
你有沒有想過：一個在 10 次嚴格測試中全部通過的預測工具，用來做風險管理時，卻 10 次全部失敗？ 這不是故事。這是我們波動率研究計畫中真實發生的事。 --- 我們找到了「最強」的預測工具 在過去幾個月的研究中，我們測試了一個叫做 HAR log-range 的方法。HAR（Heterogeneous Autoregressive）原本是一個用高頻數據（如 5 分鐘報酬率）計算「已實現波動率」的…
K433 vs K461: 同一方法，不同市場——SSVS 揭示美股與台股的本質差異
實驗類型：實證分析（真實數據）｜數據來源：yfinance（SPY、0050.TW、^VIX、TWD=X）｜方法：Bayesian SSVS（So, Chen, Liu 2006, JRSS-C） --- 背景：一個方法，兩個市場 波動率預測最核心的問題之一是：外生變數究竟有沒有用？ 問「有沒有用」的難度遠超表面。若逐一測試每個候選變數，會遭遇多重比較問題；若全部放入模型，估計精度又大幅下降。…
K459 vs K460: 同一框架下的真偽驗證——統計顯著不等於預測改善
摘要：本研究用相同的 J9 Cross-OOS 框架（5 個 OOS 期間），同時驗證兩個「正面結果」——VRP（K436/K457）與 Semivariance（K449）。結果出現了鮮明的分歧：VRP 在統計顯著性上通過 4/5 期間，但預測改善（QLIKE wins）為 0/5；Semivariance 不僅在 4/5 期間顯著，方向性改善也達 5/5。這組對比揭示了一個方法論核心問題：t-…
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…
壞消息比好消息更能預測市場波動——你該怎麼利用這一點？
假設你是一個天氣預報員。你手上有兩份記錄： 記錄 A：過去 30 天所有天的風速（包含晴天、陰天、有風、無風） 記錄 B：過去 30 天只有「暴風雨天」的風速 如果你想預測明天會不會下大風暴，哪份記錄更有用？ 答案顯然是記錄 B。晴天的微風對你的預測幾乎沒有幫助，但暴風雨天的風速模式能告訴你很多。 市場波動也是同樣的道理，而這正是「半變異數（Semivariance）」這個概念背後的核心邏輯。 -…
K436→K440→K450：為什麼預測能力不等於交易能力？VRP 研究鏈的啟示
本研究整合三個緊密相連的實驗（K436、K440、K450），揭示一個在量化金融中常被忽視的根本矛盾：統計預測能力不等於交易獲利能力。Variance Risk Premium（VRP）是本研究首次確認對波動率預測有日頻顯著改善的外生變數（DM test p=0.018），但將其整合進 Volatility-Targeting（VT）策略後，策略表現反而顯著惡化（DM test p=0.006，V…
你的投資組合在危機時真的分散了嗎？2020 之後的殘酷真相
你以為，當股市崩盤的時候，你的債券部位會撐住你。 這個想法在2020年之前完全正確。那個年代，買進美國公債（TLT）就像買了一張保險單，股票跌，債券漲，一來一往，虧損被抵銷大半。許多理財顧問推薦的「60/40組合」（六成股票、四成債券）就是建立在這個鐵律上的。 但2020年之後，這張保險單悄悄失效了。 --- 你的保護傘，已經有破洞了 讓我用兩個簡單的數字說明。 2020年之前，美股（SPY）和美…
COVID 之後市場永久變了 4 件事——你還在用舊規則投資嗎？
2020 年 3 月，VIX 衝到 85。 那是 2008 年金融危機最高點的兩倍，是歷史最高紀錄。全球投資人驚覺：他們從沒見過這種市場。 三年後，市場「恢復正常」了嗎？ 表面上看起來是：股市創新高，VIX 回到低位，投資人似乎又忘記了那段記憶。 但數據說的不是這樣。 我們在 VolPred 的研究（K402）用統計方法比較了 COVID 前（2000-2020 年 2 月）和 COVID 後（2…
我們測了 218 個「秘密指標」——沒有一個打贏這個免費數字
假設你有 100 萬元想投資 SPY（標普 500 ETF）。 一位朋友告訴你：「你要看 Google Trends 的搜尋量。當大家搜尋『股市崩盤』的次數暴增，就是市場要反彈的時機。」 另一位說：「不對，你要看信用利差。高收益債跟投資等級債的利差擴大，代表機構資金在逃跑，股市危險了。」 還有人說：「我買了某分析師的報告，裡面有個獨家情緒調查指標，準確率高達 80%……」 這些說法你一定聽過。問題…
10 種資產，3 種波動個性——你的投資組合認識它們嗎？
你的投資組合裡有幾種資產？不管是 ETF、個股、黃金還是加密貨幣，每一種資產都有自己的「波動個性」。了解這些個性，是聰明投資的第一步。 資產也有性格？ 想像你要組一個團隊。你需要了解每個成員的個性：誰在壓力下會崩潰？誰會保持冷靜？誰不管好壞消息都一樣激動？ 資產也是一樣的。我們分析了 10 種主流資產，發現它們的波動行為可以歸類為 3 種截然不同的個性。 下圖是我們用統計方法繪製的「波動率性格圖譜…
K365+K366: 波動率可預測性期限結構
研究摘要 本研究系統性地檢驗了波動率可預測性（volatility predictability）如何隨預測期限（forecast horizon）變化。傳統假設認為可預測性應隨期限單調遞減，但我們的跨資產實證結果揭示了一個更複雜的結構。 核心發現 波動率可預測性呈現駝峰形（hump-shaped）期限結構，而非教科書假設的單調遞減。 預測期限 平均 R² 說明 --- --- …
2026-03-26 本日持倉比率建議（依據 2026-03-25 收盤數據）
$\sigma$ = 16.9% · VIX = 25.33 策略 配置 現金 ------ ------ ------ GARCH VT (SPY) SPY 47% 53% Risk Parity (SPY+GLD) SPY 50% + GLD 25% 25% 12/VIX (SPY) SPY 47% 53% 50/50 S…
零售投資人改變了華爾街——10 個你看不到的變化
2020 年，Robinhood 把數百萬新投資人送進了華爾街。你可能覺得這只是多了一些「韭菜」，但數據告訴我們完全不同的故事——散戶正在從根本上改變市場的行為模式。 不對稱性：股市最古老的詛咒 投資人都知道一個直覺：股票跌起來比漲起來猛烈得多。1987 年黑色星期一、2008 年金融海嘯、2020 年 3 月，暴跌總是突然且劇烈。 學術上，這叫做「槓桿效應」（leverage effect）。不…
DeFi 代幣的波動率是比特幣的兩倍——這代表什麼？
你可能已經知道比特幣很「刺激」，一天漲 10%、一天跌 15% 的事屢見不鮮。但如果你覺得比特幣已經夠瘋狂了，那你大概還沒聽過 DeFi 代幣。 UNI 和 AAVE 這類 DeFi 治理代幣的年化波動率高達 98%——幾乎是比特幣 54% 的兩倍。 這不只是「更高的風險」這麼簡單。我們的研究發現，DeFi 代幣在本質上就是一種全新的金融物種。 什麼是 DeFi 代幣？用一句話解釋 如果比特幣是「…
你的糧食帳單和華爾街有什麼關係？（答案：幾乎沒有）
每次股市暴跌，你大概都會聽到這樣的說法：「什麼都在跌，沒有東西能倖免。」 但事實上，有一整類資產幾乎完全不理會華爾街在幹嘛。它就是你每天都在消費的東西——糧食。 小麥和玉米不看美股臉色 我們的研究分析了農產品（小麥、玉米、黃豆等）和股市之間的波動率關係，結果發現一個很明確的結論： 農產品的價格波動幾乎完全獨立於股市。 股市暴跌 5%？小麥價格可能正在因為堪薩斯州下了一場大雨而下跌。股市連漲一個月？…
日圓：全世界最便宜的閃崩保險
如果有人告訴你，世界上有一種「保險」，不需要付保費，在股市暴跌時能自動賠你錢，你會覺得是詐騙對吧？ 但這種東西真的存在。它叫做日圓。 股市暴跌時，日圓幾乎每次都漲 我們的研究分析了歷年全球股市的「大跌日」，也就是單日跌幅超過 2% 的日子。結果發現： 在這些暴跌日中，日圓上漲的機率高達 71%，平均漲幅 +0.46%。 你可能會說：「黃金不是也是避險資產嗎？」沒錯，但黃金在同樣的暴跌日中，上漲的機…
期貨避險效果的學術評估：什麼時候 h=1 就夠了？
摘要 實驗 I9 採用 Ederington（1979）學術標準框架，對三對現貨，期貨合約進行系統性避險效果評估。主要發現：SPY-ES=F 在所有方法下避險效果（Hedging Effectiveness, HE）均達 94%，h=1 就已足夠；TLT-ZN=F 的 EWMA 動態避險 HE 達 68%，顯著優於靜態 45%（DM t=6.91, p<0.001）；效用分析顯示避險對牛市股票部位…
你真的需要複雜的避險模型嗎？一個公式告訴你答案
--- 先說結論 如果你的資產和避險工具相關係數超過 0.95，直接用 1:1 的比例避險就好。不需要動態模型、不需要每天重算、不需要 EWMA 參數調整。 這不是偷懶，這是研究數據告訴我們的答案。 --- 從一個真實案例開始 假設你持有一筆 S&P 500 的 ETF（像是台灣券商能買到的 SPY），想要「空 S&P 500 期貨」來對沖下跌風險。 你面臨的問題是：對沖多少比例才對？ 用 1:1…