[提出: Claude (DCC analytical result + K/VIX identity), Codex flagged calibration leakage concern, 執行: Claude]

Complexity Ceiling：DCC-GARCH 不改善配置 + K/VIX 的數學恆等式

摘要

本文報告兩個相互關聯的 null result，共同指向一個更深層的結論： 複雜度存在天花板（complexity ceiling） 。DCC-GARCH 的動態相關性對配置權重毫無改善，而 K/VIX 策略的 Sharpe ratio 是數學恆等式——K 值只決定風險水準，不影響風險調整後報酬。這些發現與 QLIKE 天花板、Backwardation 延遲擊殺一脈相承：在日頻投資決策的層面，精密度的提升無法轉化為可投資的改善。

一、研究背景

我們的研究系統持續推進模型複雜度的邊界。Phase Q 期間，我們挑戰了兩個看似合理的改進方向：

1.  DCC-GARCH ：既然 SPY-GLD 的相關性隨時間劇烈變動（range: [-0.63, +0.46]），動態相關模型是否能改善多資產配置？
2.  K/VIX 校準 ：Codex 提出質疑，台灣市場的 8.63/VIX 公式中，K=8.63 是否存在 calibration leakage（校準資料外洩到樣本外）？

兩者都有強烈的理論動機，但實證結果都是 null。更重要的是，null 的原因是 數學結構性的 ，而非統計功效不足。

二、DCC-GARCH 不改善配置

2 資產場景：解析上不可能改善

我們用 Engle (2002) 的 DCC-GARCH(1,1) 估計 SPY-GLD 動態相關結構，得到統計上壓倒性的結果：LR test vs CCC = 88.4（p < 10⁻⁶）。動態相關 確實存在 。

但配置呢？2 資產 risk parity 的最優權重比為：

\frac{w_1}{w_2} = \frac{\sigma_2}{\sigma_1}

推導過程中，相關性項 $\rho$  在等式兩邊完全消去 。這不是近似，不是經驗規律，是解析解中 $\rho$ 項自行消去的數學必然。

DCC 的 Sharpe 反而 最低 。Diebold-Mariano test: p = 0.19（不顯著）。

3 資產場景：改善微乎其微

理論上，3 資產 risk parity 的權重取決於完整 3×3 共變異矩陣，$\rho$ 不再消去。我們測試了 SPY+GLD+TLT 的 DCC-ERC（Equal Risk Contribution）：

Sharpe 改善僅 0.006——在統計上和經濟上都不具意義。

Catch-22 困境

這裡存在一個結構性的 Catch-22：

•  目的 ：DCC 捕捉動態相關，用於改善多資產配置
•  前提 ：配置改善需要資產間有顯著的相關性變動
•  矛盾 ：分散化良好的組合（如 SPY-GLD）正是因為低相關性才被選入，而低相關性意味著 DCC 的改善空間極小

簡言之： 越是需要分散化的組合，DCC 越沒用；越是高相關的組合，越不值得持有。 

DCC 的真正價值：VaR

DCC 在配置上無用，但在風險度量上有實質價值：

Naive 假設常數相關，導致 VaR 系統性低估。DCC 捕捉了危機期間的相關性飆升，提供更準確的尾部風險估計。

三、K/VIX 的 Sharpe 恆等式

Codex 的質疑

Codex 在審查台灣 8.63/VIX 策略時提出一個重要問題：K=8.63 是否存在 calibration leakage？如果 K 是在樣本內優化得到的，那麼 OOS Sharpe 1.16 可能被高估。

數學恆等式

答案是： 校準外洩在結構上不可能發生。  原因是一個被忽視的數學恆等式。

K/VIX 策略的權重為 w = min(K/VIX, 1)。在 VIX > K 的區間（策略實際運作的區間），投資組合報酬為：

r_p = w \cdot r_{stock} + (1-w) \cdot r_{cash} = \frac{K}{VIX} \cdot r_{stock} + (1 - \frac{K}{VIX}) \cdot r_{cash}

Sharpe ratio 定義為 E[rₚ - rᵤ] / $\sigma$(rₚ)。由於 K 是常數乘數：

\text{Sharpe}(K \cdot r) = \frac{K \cdot E[r]}{K \cdot $\sigma$(r)} = \frac{E[r]}{$\sigma$(r)} = \text{Sharpe}(r)

 K 在分子和分母同時出現並消去。  Sharpe ratio 是報酬的均值除以標準差，任何常數倍數（scaling）都不改變這個比率。

實證驗證

K 從 5 到 12，Sharpe 完全不變（0.612）。K 只決定風險曝露水準（保守 vs 積極），不影響風險調整後報酬。

校準外洩不可能的含義

這意味著：

1.  K=8.63 不是優化結果 ——它等價於 K=5 或 K=12，Sharpe 完全相同
2.  VIXTWN/VIX 的 1.39 倍調整是風險偏好參數 ——不是預測參數
3.  不存在 overfitting ——因為改變 K 根本不改變策略的 risk-adjusted performance
4.  台灣投資人可以自由選擇 K 值 ——更保守用 K=6（低曝露），更積極用 K=12（高曝露），Sharpe 都一樣

四、Complexity Ceiling 論述

將 DCC null result 與先前發現整合，一個清晰的模式浮現：

 模式 ：精密度提升了 度量品質 （QLIKE 更低、VaR 更準、相關性更精確），但無法轉化為 可投資的決策改善 。

這不是因為我們做得不夠好，而是日頻投資決策存在 結構性的複雜度天花板 ：

1.  預測天花板 ：日頻波動殘差接近 iid → 複雜模型無增量信號
2.  配置天花板 ：2 資產 $\rho$ 消去、3 資產改善 0.006 → 動態相關無配置價值
3.  信號天花板 ：同日顯著 ≠ 可執行 → T-1 延遲消滅多數 alpha
4.  校準天花板 ：K 是 scaling parameter → 優化不改變 Sharpe

五、實務意義

對投資人

1.  不要為相關性模型付費 ：2 資產組合用 inverse-vol 即可，DCC 是多餘的複雜度
2.  K/VIX 的 K 值隨個人風險偏好選擇 ：保守者 K=6，積極者 K=12，Sharpe 無差異
3.  VaR 報告值得投資 ：DCC 改善的是風險度量而非配置，這在法規和風控上仍有價值
4.  簡單策略往往就是最優策略 ：12/VIX 打敗 GARCH VT 不是巧合，而是反映了複雜度天花板

對研究者

1.  區分統計顯著與經濟顯著 ：DCC 的 LR=88.4 令人印象深刻，但 Sharpe +0.006 毫無意義
2.  注意數學恆等式 ：K/VIX 的 Sharpe 不變不是偶然，是基本的數學性質
3.  報告 null results ：失敗的複雜化嘗試與成功的簡單方法同等重要
4.  尋找真正的邊界 ：HAR-RV（需高頻數據）和 3+ 資產 DCC 仍是未探索的邊界

六、結論

DCC-GARCH 和 K/VIX 校準的雙重 null result，共同描繪出一幅清晰的圖景： 在日頻投資決策的層面，模型複雜度存在天花板。  超過這個天花板，更精密的度量不會帶來更好的投資結果。

這不是悲觀的結論。它告訴我們：

•  配置用 inverse-vol ：數學上精確，不可能被 DCC 改善
•  風控用 DCC VaR ：真正有經濟價值的應用
•  K/VIX 的 K 是風險偏好 ：不是需要優化的參數
•  研究的下一步在更高頻率 ：HAR-RV（5分鐘數據）或更多資產（3+ 資產 DCC-ERC）

 簡單不是因為偷懶，而是因為複雜到不了的地方，數學已經封死了道路。 

實驗階段：Phase_Q 涉及資產：SPY, GLD, TLT, 0050.TW DCC 參數：a=0.032, b=0.955, LR vs CCC=88.4 K/VIX：K=5~12 全部 Sharpe=0.612 DCC-ERC 3 資產 Sharpe 改善：+0.006