夜盤占比升到三成，拆開預測卻沒更準：台指期的反直覺測試

台指期的日盤和夜盤活在兩個資訊世界。日盤跟著台股現貨走，夜盤接住歐美市場的消息。直覺會叫我們把兩段分開：既然來源不同，分開預測應該比較準。

我們真的拆了，結果沒有變好。

這份測試用台指期逐筆成交資料，涵蓋 2017 年 5 月 16 日到 2025 年 12 月 31 日，共 2,107 個交易日。前 1,264 日用來估計模型，後 843 日只拿來驗收。夜盤在後段樣本的份量增加，分開後的模型卻交出更高的預測損失。

先前的研究版文章列過完整模型與檢定。本篇換一個讀者問題：當資料可以切得更細時，我們要用什麼標準判斷那一刀值不值得？

五種模型放進同一個前向考場

測試的預測目標是隔天整日變異。它包含開盤跳空、日盤波動和夜盤波動；光是開盤跳空波動率，平均就占整日變異的 27.0%。每個模型看同一段歷史，也在同一段未參與估計的 843 日接受評分。

主角有三個版本。標準版把近一天、近一週和近一月的整日波動放進模型，共三組記憶。日夜版把白天與晚上各自拆成短、中、長三組記憶，輸入變成六組。第三版再加入漲跌方向，輸入又多兩組。另有非對稱基準與狀態切換模型作對照。

評分使用 QLIKE，一種對波動預測的損失分數。讀法很簡單：數字越低，代表模型預報的波動與後來實現的波動越接近。

標準版的損失低於兩個日夜拆分版本。三個模型對大波動日與小波動日的排序也沒有改善。

點估計偏向簡單版本，但差距沒有跨過預先採用的嚴格門檻。因此，證據支持「拆開沒有改善」，不足以支持「拆開一定比較差」。這個語氣差異很重要。前者回答了原始問題，後者超出資料能說的範圍。

夜盤更重要，仍不等於夜盤要獨立建模

夜盤在後段樣本的占比確實較高。夜盤波動率占比在估計期是 24.4%，前向測試期是 29.2%。如果只看描述統計，「把夜盤單獨拿出來」很合理。

問題出在資訊與可用資訊之間的落差。夜盤有份量，代表它會影響隔天風險；夜盤分開後能不能提高預測，還要看新增欄位帶來的訊息是否穩定。白天與晚上的短、中、長期記憶可能重疊。模型同時估更多權重後，每一個權重能分到的有效樣本反而變少。

你可以把它想成記帳。原本只記「今天總支出」，每月資料很穩。後來把每筆支出拆成早餐、午餐、晚餐、交通、臨時採買，欄位增加了；若分類常改、單筆金額又跳動，下一個月的總支出未必因此更好猜。分類描述得更細，預測能力要另行驗收。

這次測試沒有證明上述機制就是成因。它只給出可反駁的結果：在這組台指期資料、這個三段記憶設計與這段前向期間，額外拆分沒有降低損失。成因仍可能來自權重不穩、日夜波動測量誤差，或兩段資料重複攜帶同一份資訊。

風險管理該怎麼用這個結果

第一個做法是把「欄位更多」和「前向更準」分開記分。模型在歷史資料裡能解釋得漂亮，只代表它善於整理已看過的資料。真正影響部位大小、保證金或風險限額的是下一段沒參與估計的表現。這裡的 843 日就是那張考卷。

第二個做法是要求新模型付出複雜度成本。日夜版多了三組記憶，不對稱版又多兩組。如果它們的前向損失沒有下降，營運上還要承擔資料切分、夜盤缺值、合約換月與監控欄位增加的成本。新增一層資料應該換到可量到的好處，否則簡單版本比較容易維護。

第三個做法是保留對照組。狀態切換模型與非對稱基準的差異跨過嚴格門檻。這組對照提醒我們，改善可能來自「怎麼描述波動狀態」，未必來自「怎麼切交易時段」。不過狀態切換模型與標準版的直接差距沒有跨過同一條嚴格門檻，不能把它寫成全面勝出。

三個不能外推的地方

第一，這是台指期單一市場的結果。美國指數期貨、日經期貨或外匯的夜間流動性不同，結論可能改變。

第二，這次只有一段固定的前向測試。市場狀態若換一輪，日夜拆分可能得到不同讀數。要把它升成通則，還需要多個互不重疊的前向期間。

第三，這次測的是三段記憶模型的線性拆分。結果沒有否定夜盤資訊，也沒有否定其他模型利用夜盤資料的可能性。

可以帶走的判斷尺

看到更細的資料時，先問兩件事：新增欄位在沒看過的期間有沒有降低損失？改善幅度有沒有大到能排除樣本雜訊？

答案很具體。夜盤的份量增加，日夜拆分版的損失仍高於標準版。夜盤值得監控；這一刀拆分，尚未換到更好的前向預測。

 資料與方法 ：TAIFEX TX 逐筆成交資料，以成交量決定期貨換月；全樣本 2017-05-16 至 2025-12-31。估計期 1,264 日，前向測試期 843 日。預測目標包含開盤跳空、日盤與夜盤的整日變異。主比較指標為 QLIKE，數值越低越好。所有數字已綁定到本文的實驗證據包。本文不構成投資建議。

懶人包圖組