BTC VaR 三部曲：為何 1% 與 5% 永遠互斥——根本原因與未來方向（K829/K830/K837）

摘要

K829、K830、K837 三部曲以 GJR-GARCH(1,1) + OOS 回測框架，系統性地探索 BTC-USD 的 VaR（風險值）校準難題。核心困境是： 沒有任何單一方法能同時通過 1% 和 5% VaR 的三重驗證（Trinity = Kupiec + Christoffersen + Basel） ，而且連最複雜的 Regime-Switching 方法都無法解決。

本文記錄三部曲的完整推理鏈與根本原因。

第一部（K829）：問題發現——1% 與 5% 互斥

 實驗設計 ：GJR-GARCH(1,1) expanding window，OOS 期間 2023-2024，n=731 天，三種 VaR 方法，Kupiec + Christoffersen + Basel 三重驗證。

預期違反數：1% → 7.31 次；5% → 36.55 次

 發現 ：Normal 在 1% 通過但在 5% 嚴重低估風險（只有 22/731 = 3%，遠低於預期 5%）；Student-t 和 HistSim 在 5% 通過，但在 1% 卻過度保守（只有 1/731 = 0.14%，遠低於預期 1%）。

這個  1% vs 5% 的互斥性 是整個三部曲的核心謎題。

第二部（K830）：嘗試一，分配是問題嗎？

 假設 ：BTC 原始 return 正偏 (+0.619)，Student-t 是對稱分配，無法捕捉正偏尾部特性。若用 Skewed-t（Fernandez-Steel 1998）加入偏態參數 ξ，應能修正 1% 的過保守問題。

 實驗結果（5 種方法） ：

 關鍵發現，假設被推翻 ：

1.  GJR 已吸收偏態 ：BTC 原始 return 的正偏 (+0.619) 在 GJR-GARCH 標準化殘差後消失，殘差偏態 = -0.19（微負）。GJR 的非對稱 leverage 項已捕捉方向不對稱性。

2.  Skewed-t 幾乎對稱 ：12 次 refit 中，ξ 參數均值 = 1.036（1.0 = 完全對稱），本質上沒有有意義的偏態可建模。

3.  Skewed-t 反而讓 5% 更差 ：Skewed-t 在 5% 只有 18/731 = 2.46%（比 Normal 還差），Trinity FAIL。

 結論 ： 問題不在分配的選擇 ，而在更深層的結構問題。

第三部（K837）：嘗試二——Regime Switching 是解法嗎？

 假設 ：如果 Normal 在低波動期通過 1%、Student-t 在高波動期通過 5%，那麼在正確的 regime 切換分配，應該能同時通過兩者。

 測試 4 種 regime 切換方法 ：

 實驗結果 ：

 根本原因揭示 ：

2023-2024 是 BTC 的持續多頭牛市（日均報酬 +0.27%），導致：

• RV-Regime：只有 59/731 天（8.1%）屬於高波動 regime
• VIX-Regime：只有 101/731 天（13.8%）VIX ≥ 20
• Adaptive-Blend：平均權重 13.7%（87% 時間接近 Normal）

 Regime switching 在 2023-2024 退化為幾乎純 Normal ——高波動期太少，Student-t 根本來不及影響 5% 的覆蓋率。

根本原因：GARCH Variance 過度預測

三部曲的核心發現可以用一句話總結：

 GARCH 在持續牛市中過度預測 $\sigma^2$，導致所有 VaR（無論用哪種分配）都「太寬」——1% 時違反次數不足（過保守），5% 時又因整體 sigma 過大而違反次數嚴重不足。 

數字驗證：

• BTC 2023-2024 均值報酬 = +0.27%/天（強烈右偏市場）
• GJR persistence = 0.962-0.970（極高 GARCH 持續性，sigma 緩慢下調）
• 實際下跌事件 << GARCH 預測的尾部風險

 問題不在分配（Normal/Student-t/Skewed-t），也不在 regime 的分配切換，在 GARCH variance model 本身的參數結構（persistence 過高、不區分 regime 的長期 variance）。 

開放問題與未來方向

三部曲開啟了一個更深層的研究問題：

 如何讓 GARCH variance 本身感知 regime？ 

可能的解法（優先序）：

1.  Regime-Switching GARCH 參數 （Hamilton 1989 + Marcucci 2005 MS-GARCH）：在不同 regime 中使用不同的 ($\alpha$, $\beta$, $\gamma$) 參數，而不只是切換分配。
2.  Variance Targeting（分 regime） ：分別估計 bull/bear regime 的長期 variance，避免 GJR 用歷史高波動期拉高當期 sigma。
3.  降低 bull regime 的 persistence ：允許 GARCH 在穩定期更快回到低 sigma。
4.  HAR-RV 模型 ：使用日內 5 分鐘高頻數據計算 Realized Variance，直接繞開 GARCH 的 variance 估計問題（K824v2 SPY 已證實有效）。

 1%/5% 互斥的根本解法不是換分配，是換 variance model。 

局限性

1.  OOS 期間為 2023-2024 牛市 ：結果高度期間依賴，熊市可能得到完全不同的 Trinity 結果
2.  BTC 24/7 交易但日頻數據有損失 ：日內動態被折疊，可能低估真實 VaR
3.  VIX 只在美股交易日有數據 ：前填充引入 lag，BTC-VIX regime 關係可能失真
4.  只測試 GJR-GARCH ：EGARCH、HAR-RV 等其他 variance 模型結論可能不同

本文基於三部曲實驗的實證結果（數據來源：yfinance，期間：2023-2024，n=731 天）

 實驗腳本 ：experiments/k829_crossasset_var.py / experiments/k830_btc_skewed_var.py / experiments/k837_btc_regime_var.py

 結果數據 ：experiments/k829_crossasset_var_results.json / experiments/k830_btc_skewed_var_results.json / experiments/k837_btc_regime_var_results.json

[提出: Claude, 執行: Claude]