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。
你以為買了 0050 就分散投資了？
很多台灣投資人買 0050（元大台灣50）覺得自己分散投資了，畢竟是 50 檔股票嘛。但我們用「尾部風險傳染分析」發現一個殘酷的事實： 0050 的風險結構，本質上就是台積電。 一個數字告訴你一切 我們計算了 TSMC 崩盤時對 0050 的「條件風險值」（CoVaR），然後跟 SPY（美股）崩盤時的影響比較： TSMC 崩盤 → 0050 額外風險：-1.60% SPY 崩盤 → 0050 額外…
K176: 0050 的真正風險——台積電傳染力是美股的 4.6 倍
用 CoVaR 框架量化台灣 7 個資產的系統性傳染結構。最重要發現：TSMC 對 0050 的尾部風險影響力是 SPY 的 4.6 倍（ΔCoVaR -1.599 vs -0.345）。0050-TSMC 相關高達 0.893——投資 0050 本質上就是投資 TSMC。 方法與數據 項目 設定 ------ ------ 資產 0050, TSMC, 國泰金, 中華電,…
K173-K175: 尾部指數有微弱突破，但 CDB 再次掉入 overlapping 陷阱
三個實驗：(1) K173 Tail Index（Hill estimator）是少數控制 VIX 後仍有微弱尾部預測力的指標（partial r=-0.083★）(2) K174 CDB 日頻 partial r=0.210★ 看似突破，但 (3) K175 非重疊月頻驗證後縮到 r=0.110 NS——第 3 次掉入 overlapping window 陷阱。 K173: Tail Inde…
K173: 用極值理論追蹤市場尾部厚度——VIX 之外的微弱但真實的預警信號
用 Hill estimator 動態追蹤市場尾部指數 $\alpha$。$\alpha$ 越低 = 尾部越厚 = 極端事件越可能。SPY $\alpha$=2.71（厚尾），TLT 4.17（最薄），EEM 2.46（最厚）。關鍵發現：控制 VIX 後，tail index 仍有顯著的尾部事件預測力（partial r=-0.083, p=0.014），是 23+ 個指標中少數突破 VIX 壟斷…
黃金漲了 40%，我的配置還對嗎？
假設你去年聽了建議，把退休金的一半放在 SPY（美股），一半放在 GLD（黃金）。一年後你打開帳戶：黃金漲了 40%，美股漲了 15%。 你的第一反應可能是：「黃金是不是漲太多了？該不該趁高點賣掉一些？」 這個問題困擾著很多投資人。我們用 20 年的歷史數據來回答。 黃金暴漲後，股市通常變弱 黃金過去一年漲幅 股市未來一年報酬 ---------- --------- 跌了 …
K172: 黃金漲了 40%，50/50 配置還撐得住嗎？歷史數據給出明確答案
GLD 過去 12 個月漲了 40.8% 並創歷史新高。投資人擔心：黃金是不是太貴了？50/50 SPY/GLD 是否該調整？歷史數據：GLD 暴漲（>40%）後 SPY 未來 12 個月僅 +2.9%（正常 +10-12%），但 50/50 未來 +8.3%（74% 正報酬）。50/50 在 8 種市場條件中的 6 種勝過純 SPY。結論：即使黃金暴漲，50/50 配置不需要調整，第 9 次獨立…
K170: 財報季會讓股市更波動嗎？答案是不會——分散化的力量
測試 SPY 在財報密集期（每季第 15-42 天）是否有系統性更高的波動率。結果：完全沒有。財報季 RV 反而比非財報季低 11%（ratio 0.89），控制 VIX 後差異歸零（t=-0.11）。原因：SPY 包含 500 檔股票，個股財報衝擊被分散化完全吸收。VT 財報季減碼策略也無效（Harvey FAIL）。 核心發現 期間 日均 RV 占比 ------ -----…
K169: 誰是波動率傳染的超級傳播者？動態網路揭示市場壓力傳導路徑
用 Minimum Spanning Tree 動態追蹤 12 個資產的波動率傳導網路。SPY 在 82% 時間是樞紐（hub），但危機時小型股（IWM）和金融股（XLF）接管——Hub 轉移完美對應宏觀事件。 核心發現 Hub 分佈 資產 Hub 頻率 角色 ------ --- ------ SPY 82% 常態樞紐 IWM 13% 危機樞紐 …
K168: GARCH 什麼時候最危險？答案可能跟你想的相反
量化 GARCH 自身預測的不確定性（Vol-of-Vol）。反直覺發現：高 VoV（預測不穩定）時 VaR violation 只有 4.8%，低 VoV（預測穩定）時反而 5.1%。GARCH 在不確定期反而保守，真正的危險是自滿期。 核心發現 反直覺：不穩定 ≠ 不可靠 VoV 分組 VaR Violation Rate N ---- ------- --- 低 Vo…
K166: 用物理學的 Hurst 指數偵測市場趨勢——75% 時間有趨勢，但你仍然賺不到
用物理學的 Hurst exponent 偵測市場 regime：H<0.5 反轉、H=0.5 隨機、H>0.5 趨勢。SPY 75% 的時間處於 trending regime (H>0.55)，且 trending 期間月均報酬+1.15%（Sharpe 0.90）。但 H 的預測力不顯著（r=0.098, p=0.16），OOS 策略無法打敗 B&H。 方法與數據 項目 設定 …
你的投資組合裡藏了一顆定時炸彈嗎？
你以為分散投資了，但其實你下的是同一個注 假設你有 100 萬。你把 60% 放在 SPY（美股大盤），30% 放在 QQQ（科技股），10% 放在 TLT（美國公債）。你心想：「三種資產，夠分散了吧？」 很遺憾，我們的研究告訴你：這不是三個注，而是一個半。 --- 危機時刻，「分散」的假象會瞬間瓦解 我們用一種叫做 CoVaR 的方法，去量化「一個資產崩盤時，會把其他資產拖下水多深」。結果揭露了…
K163: 誰在傳染誰？用 CoVaR 解構市場崩盤的傳播路徑
用 Adrian & Brunnermeier (2016) 的 CoVaR 框架量化 6 個資產間的系統性風險傳染。三大發現：(1) QQQ/SPY 是淨傳染源，EEM 是淨受害者；(2) TLT 的反向傳染功能在 2022 後結構性崩壞（第三種方法驗證 T19 發現）；(3) GLD 幾乎不受 SPY 傳染，為 50/50 SPY/GLD 配置提供理論基礎。 研究背景 之前我們用線性相關（T1…
K162: VIX 暴漲後買入能賺錢嗎？Mean Reversion 的真相
VIX 能預測股市報酬嗎？統計上可以——VIX spike >15% 後次日平均正報酬 +0.274%（t=2.30）。但所有基於 VIX 的擇時策略都無法打敗買入持有（Harvey 門檻全部 FAIL）。原因很簡單：高 VIX 只佔 4-18% 的時間，剩下的日子你拿著現金看著股市上漲。 方法與數據 項目 設定 ------ ------ 資產 SPY 期間 …
K161: VIX 期限結構能改善波動率預測嗎？第 22 個被 VIX 吸收的指標
VIX 期限結構斜率（VIX3M/VIX ratio）看似能預測波動率（r=-0.327），但控制 VIX level 後 partial r 僅 -0.040，OOS 改善 -0.082%（NS）。期限結構的全部資訊已被 VIX level 吸收。VIX sufficient statistic 第 22 次確認。 方法與數據 項目 設定 ------ ------ 資產 …
K159: Wavelet-GARCH 頻率分解——一個完美的前瞻偏誤陷阱
Wavelet-GARCH 頻率分解看似打破了日頻 QLIKE 天花板（SPY -22.21%, DM p=0.0001），但經過嚴格的前瞻偏誤驗證後，確認完全是 SWT/MODWT 非因果轉換的 artifact。這是一個教科書級的 look-ahead bias 陷阱，也是 QLIKE ceiling 第 20 次確認。 研究背景 K143/K145 發現多步波動率預測（h=5）的 R² 高於…
一行 Excel 公式就能做到的專業級波動率管理
花三個月學 Python，跑出一堆希臘字母，結果呢？ 隔壁同事打開 Excel，輸入一行公式，績效跟你一模一樣。 這不是段子。這是我們拿 5 種資產、20 組統計檢定跑出來的真實結論。 --- 先說結論，再說為什麼 華爾街用的 GARCH 模型（Generalized Autoregressive Conditional Heteroskedasticity，光唸名字舌頭就打結）和一行 Excel…
債券避險已死？60/40 投資組合的新現實
假設你有 100 萬，你的理財顧問告訴你：「放 60% 在股票、40% 在債券，這是經典配置，安全又穩健。」 聽起來很合理。過去 40 年，每次股市崩盤，債券都像安全氣囊一樣充氣保護你。2008 金融海嘯？債券漲了。2020 疫情？債券又漲了。 但 2022 年，安全氣囊爆炸了。 股票跌 19%，債券跌 17%。你的「安全配置」一年虧了超過 18 萬。那一年，全世界的理財顧問都不敢接電話。 ---…
K152: 聯準會放水確實改變波動率特性——但 VIX 早就知道了
Gemini 假說：聯準會淨流動性（資產負債表 - 國庫帳戶 - 逆回購）會改變波動率的「記憶長度」。流動性擴張時衝擊消散快，收縮時衝擊持續久。假說被驗證，但對波動率預測完全無用。 研究背景 2020-2022 是史上最劇烈的流動性循環： 2020 QE4：聯準會 3 個月內注入 3 兆美元，Net Liquidity 暴增 2022 QT：開始縮表 + 升息，Net Liquidity 快速下降…
K149: 用最近鄰匹配挑戰 GARCH——為什麼非參數方法注定失敗？
受最新 LLM in-context learning 文獻啟發，我們用 k-NN regime matching（非參數方法）挑戰 GJR-GARCH——歷史上找到最相似的市場環境，用它們的「次日」結果作為預測。0/48 種變體勝出，QLIKE 天花板第 18 次確認。 研究背景 In-Context Learning (ICL) 是 2024-2025 AI 研究的前沿概念：不需要訓練模型，只…
K148: 颶風、野火與市場波動——氣候事件真的會預測股市動盪嗎？
颶風 Sandy、Harvey、加州大火、德州冰風暴，這些重大氣候災害確實伴隨著金融市場的異常波動。但一個更深層的問題是：氣候事件能否「預測」波動率？還是 VIX 已經包含了這些信息？ 研究背景 氣候金融是近年學術前沿。極端天氣事件日益頻繁，投資人想知道：這些事件是否構成系統性風險因子？ 我們測試了 5 種氣候敏感資產（XLE 能源、DBA 農業、KIE 保險、USO 石油、SPY 大盤），涵蓋…
為什麼「買低賣高」這麼難？——行為金融學的三個陷阱與一個解法
每個投資人都知道「買低賣高」，但數據顯示大多數人實際做的是「買高賣低」。本文從行為金融學角度解釋三個心理陷阱，並介紹一個系統化的解法。 三個心理陷阱 1. 損失趨避（Loss Aversion） 諾貝爾獎得主 Kahneman & Tversky 發現：損失帶來的痛苦是同等獲利快樂的 2.5 倍。這意味著當你的投資組合下跌 10% 時，你感受到的痛苦等於獲利 25% 的快樂。 實際影響： 市場下跌…
K145: 為什麼 5 天波動率預測比 1 天更準？——信噪比的甜蜜點
K143 發現 GJR-GARCH 的 Mincer-Zarnowitz R² 在 5 天預測達到峰值 0.211，比 1 天的 0.160 高 32%。本實驗深入分析機制：這是噪音降低與信號衰減的兩力競爭，h=5 恰好是兩者平衡的甜蜜點。 核心發現：兩力競爭 力量一：噪音降低（有利於更長期限） 1 天的目標變數 r² 服從 χ²(1) 分佈，峰態高達 15——極度嘈雜。5 天加總 RV₅ 相當於…
K143: 波動率預測的時間維度——5 天預測竟然比 1 天更準？
我們將 QLIKE ceiling 測試從 1 天延伸到 5 天和 22 天（月度）預測。結果：GJR-GARCH 在所有 6 個 cell（2 資產 × 3 期限）全部最佳——QLIKE ceiling 第 17 次確認，現在涵蓋多步預測。 但最驚喜的發現是：SPY 的 Mincer-Zarnowitz R² 在 5 天達到峰值 0.42，高於 1 天的 0.33。也就是說，5 天預測比 1 天…
K141: ★★ QLIKE Ceiling 的邊界——MF2-GARCH 在債券上打敗 GJR
我們自建了 Conrad & Engle (2025, Journal of Applied Econometrics) 提出的 MF2-GARCH 模型，第 9 個自建模型。這是首次有 頂刊發表的模型宣稱打敗 GJR-GARCH。結果：對 SPY/GLD 無效，但對 TLT（債券）顯著打敗 GJR (DM p=0.0014)。 這不是 ceiling 被推翻，而是我們首次精確定義了它的邊界條件。…