高 Gamma 資產真的更適合波動率目標策略嗎？13 個跨類別資產的因果重檢

一個漂亮但可能誤導的發現

在量化金融研究中，有些「漂亮的相關性」會讓研究者一看到就忍不住想拿去寫論文、做策略、講故事。但漂亮的相關性，不見得是真的因果。

我們團隊在較早的研究（K53）中曾經觀察到一個極具吸引力的現象：在 22 個資產的橫截面樣本中，GJR-GARCH 模型估計出來的  gamma 參數 ——也就是俗稱「槓桿效應」、衡量資產對壞消息反應比好消息劇烈程度的指標，與 波動率目標策略（Volatility Targeting，以下簡稱 VT）的 alpha  之間，呈現出 r = 0.564 的相關係數，達顯著水準。

這個結果如果為真，意味著一條極為實用的選股／選資產規則： gamma 越高的資產，做波動率目標策略的效果越好 。換句話說，那些股價對壞消息特別敏感的資產（典型如股票型 ETF、銀行股），會比那些對稱反應的資產（黃金、石油、債券）更適合用 VT 來提升風險調整後報酬。

聽起來很合理：壞消息來時，gamma 高的資產波動率會跳得特別兇，而 VT 策略恰好就是「波動率上升就降槓桿」，因此 gamma 高的資產應該特別適合 VT 介入。

但稍後另一個獨立研究（N145）給出了反向訊號：在 15 個資產上，gamma 並不預測 VT 策略的風險調整後報酬改善（rho = −0.264），方向甚至是反的。

這就構成一個明顯的科學矛盾。本實驗（K1044）的目的，就是在更仔細的方法論下，徹底重檢「gamma 預測 VT 表現」這個假說究竟成不成立。

我們做了什麼

13 個橫跨多資產類別的標的

我們選了 13 個涵蓋不同資產類別的標的，盡量讓樣本不偏向任何單一市場：

•  美國大型股 ：SPY（S&P 500）、QQQ（Nasdaq）、XLF（金融類股）
•  美國中小型股 ：IWM（Russell 2000）
•  國際股票 ：EFA（已開發市場）、EEM（新興市場）、0050.TW（台灣 50）
•  大宗商品 ：GLD（黃金）、SLV（白銀）、USO（原油）
•  債券 ：TLT（長天期公債）、HYG（高收益債）
•  加密貨幣 ：BTC-USD

樣本期間從 2007 年到 2026 年 4 月，OOS（樣本外）測試從 2015 年開始。所有資產統一使用 yfinance 日資料。

嚴謹的方法論設定

•  Gamma 估計 ：對每個資產做 GJR-GARCH，使用 2000 日滾動視窗，每 63 日重估一次，估計每個資產自己的 gamma
•  VT 策略 ：用 12/VIX 作為波動率目標訊號，槓桿上限 1.5 倍。 關鍵是 signal.shift(1) ——意思是今天的權重必須用昨天的 VIX 計算，避免任何 lookahead 偏誤
•  統計檢驗 ：Spearman 與 Pearson 雙重相關，加上 5000 次 bootstrap 重抽樣（種子 = 42）建立 95% 信賴區間
•  穩健性 ：Leave-One-Out（LOO）穩定性檢驗，看結果是不是被某個極端資產驅動

核心結果：相關性消失了

Gamma 與 VT alpha 的關係：rho = −0.209，未達顯著

三個指標、三個信賴區間， 全部跨越零 。在 13 資產的樣本上，gamma 和 VT 策略的所有效果指標都看不到顯著相關，方向甚至全部翻成負的。

K53 那個 r = 0.564 的漂亮結果， 不可重現 。

LOO 穩定性：結果對個別資產極度敏感

更糟的是，這個本來就不顯著的 −0.209，還非常不穩定。我們把 13 個資產一次拿掉一個重算，看看結果會怎麼跑：

•  拿掉 TLT（長天期公債） ：rho 從 −0.209 跳到 +0.007，變化幅度 +0.216
•  拿掉 BTC ：rho 從 −0.209 掉到 −0.399，變化 −0.190
•  拿掉 SLV ：rho 變 −0.350，變化 −0.141

這代表所謂的「gamma → VT 表現」關係，根本是被個別異常資產拖著跑。任何依賴這個相關性的策略推論，都會在資產池稍有變動時崩塌。

機制分解：通道在哪一段斷掉？

那為什麼 K53 一開始會看到 0.564？我們做了一個機制分解，把「gamma → VT alpha」拆成兩條可能的因果路徑：

•  Sizing 通道 （部位調整）：gamma → 資產與 VIX 的連動程度 → VT alpha
•  Momentum 通道 （動能殘留）：gamma → 報酬一階自相關 → VT alpha

結果出乎意料的清楚

關鍵發現：

1.  第一段非常強 ：gamma 高的資產與 VIX 的負相關幾乎是「機械性」地強（rho = −0.879，達極高統計強度）。這完全合理——gamma 的定義就是「對壞消息反應更劇」，而壞消息來臨時 VIX 會上漲、報酬會下跌，所以 gamma 越高，與 VIX 的負相關就越強。
2.  第二段斷掉了 ：但「與 VIX 連動度」並不顯著預測 VT alpha。換言之，「VT 用 VIX 當訊號」這件事本身，並沒有特別偏好那些和 VIX 連動更強的資產。
3.  整體通道強度 ：Sizing 通道綜合強度 = 0.314，Momentum 通道 = 0.246。雖然 sizing 略勝， 兩者都很弱 。

為什麼 K53 會「看到」一個假相關？

把 K53 與 K1044 放在一起對照：

最可能的解釋是： K53 的資產池選擇可能在無意中偏向了某些 gamma 與 VT alpha 同時都高的群體 （例如美股大型股、金融類股集中在 K53 而 K1044 加入更多商品、債券、加密貨幣後就稀釋了）。橫截面樣本只有 22 個時，幾個極端值就足以把 r 推到 0.5 以上，但這種相關在更廣的資產池中會立刻崩潰——LOO 結果已經明白告訴我們，這個相關係數的「個別資產敏感性」極高。

對實務與後續研究的意涵

不要靠 gamma 篩選 VT 候選資產

如果你看到任何文章、報告或策略說「gamma 高的資產做波動率目標策略效果更好」，請保留懷疑。在 13 個跨類別資產的樣本中， 這個關係並不存在 。VT 策略的效果取決於其他因素，基礎波動率水準、波動率本身的波動（vol-of-vol）、市場微結構等等，而不是 gamma。

Gamma 的真實角色：機械性與 VIX 連動指標

K1044 並沒有完全否定 gamma 的價值。它非常清楚地告訴我們，gamma 是一個 極強的「資產與 VIX 連動度」預測器 （rho = −0.879）。這在風險管理、避險工具配置、宏觀曝險建構上仍然有用，但 那不等於它能預測 VT 策略的賺錢能力 。

與其他研究的一致性

K1044 的結論與 N145（gamma 不預測風險調整後報酬改善）一致，並且與我們先前另一條研究線「VT 效果在時間序列上穩定，即使 gamma 隨時間下降」的發現呼應。三條獨立證據都指向同一結論： gamma 決定 VT 的機制（趨勢跟隨 vs 反向），但不決定 VT 策略的價值 。

局限性與誠實聲明

這個結論本身也有它的局限：

1.  N = 13 仍然小 ：13 個資產的橫截面，統計檢驗力本來就有限。即使我們得到「不顯著」的結論，也不代表完全否定 gamma 與 VT 的所有可能關聯。但 95% bootstrap 信賴區間從 −0.78 跨到 +0.43 是事實，若真有強訊號，不該這麼寬。
2.  VIX 是美國市場指標 ：用 VIX 做非美資產的 VT 訊號，本身就有 proxy mismatch（特別對 0050.TW 與 BTC）。
3.  個別資產有特殊情況 ：USO 有原油期貨的展期 contango 問題，BTC 歷史較短（2014 起），0050.TW 處理過分割調整。這些都會讓單一資產的 gamma 與 VT 結果有額外雜訊。
4.  橫截面相關 ≠ 因果 ：即使我們在某個樣本上看到顯著相關，那也只是一個 cross-sectional 觀察，不能直接推論為因果。

K1044 是一個  null result ——而 null result 在科學上同樣有價值。它告訴我們「不能這樣做」、「先前的漂亮結果可能是樣本特例」、「該往別的方向找解釋變數」。

一句話結論

 Gamma 不預測 VT 策略的價值；它預測的是資產與 VIX 的連動程度。 

這兩件事不一樣。把它們混在一起，是過去研究最容易踩的坑，我們希望這次的 13 資產跨類別重檢，能把這個區別釐清。

資料來源

•  價格資料 ：yfinance（日調整收盤價），2007-01-01 ~ 2026-04-10
•  VIX ：^VIX（CBOE，透過 yfinance 取得）
•  資產池 ：SPY, QQQ, IWM, EFA, EEM, GLD, SLV, USO, TLT, HYG, BTC-USD, 0050.TW, XLF（N = 13）
•  樣本外期間 ：2015-01-01 起
•  Lookahead 控制 ：VT 權重以 signal.shift(1) 強制延遲一日，使用昨日 VIX 計算今日權重
•  重抽樣 ：5000 次 bootstrap，固定種子 42

對應實驗

•  本文主實驗 ：K1044（13 資產跨類別 panel 因果重檢）
•  比對實驗 ：K53（22 資產，原始發現）、N145（15 資產，獨立反向證據）

參考文獻

• Moreira, A. & Muir, T. (2017). "Volatility-Managed Portfolios." Journal of Finance.
• Engle, R. F. & Ng, V. K. (1993). "Measuring and Testing the Impact of News on Volatility." Journal of Finance.
• Glosten, L. R., Jagannathan, R. & Runkle, D. E. (1993). GJR-GARCH model. Journal of Finance.
• Hood, M. & Raughtigan, J. (2025). "Volatility Targeting as Trend Following."