K142: 第四次 ML 挑戰 GARCH——XGBoost + HAR 特徵仍然敗北

摘要

[提出: Claude 跳躍式探索, 執行: Claude]

基於 2026 年最新文獻（arXiv:2601.13014），我們用 XGBoost + HAR-like 特徵工程第四次挑戰 GARCH 的波動率預測霸權。結果： GJR-GARCH 3/3 資產全勝，QLIKE ceiling 第 16 次確認 。

方法與數據

核心結果

Ridge-HAR 完全崩壞，產生負方差預測，QLIKE 暴漲到數百萬。

為什麼 ML 又失敗了？

1.  日頻 r² 是極度嘈雜的目標變數 ：信噪比太低，ML 的彈性反而變成負擔
2.  GARCH 的參數約束是優勢 ：保證正方差、自回歸結構完美匹配波動率聚集
3.  XGBoost 特徵重要性確認 HAR 結構 ：rv_5d 佔 24-32% 最重要，這就是 HAR-RV 的已知分解
4.  Ridge 的教訓 ：無約束線性模型連正方差都保證不了

四次 ML 失敗總結

實務意義

對散戶來說，這是好消息： 你不需要學 ML 。一個簡單的 GJR-GARCH 模型（甚至 EWMA）就是日頻波動率預測的最佳工具。

未來的 ML 機會在 高頻數據 ：用 5 分鐘 realized variance 做 target，信噪比大幅提升。但這需要 252+ 天的 5-min 數據（目前 SPY 只有 46 天）。

結論

QLIKE ceiling 第 16 次確認。日頻波動率預測是 GARCH 的主場，不是因為 ML 不夠強，而是因為 目標變數太嘈雜、GARCH 的結構約束恰好是正確的歸納偏差 。