I2：Parkinson vs GARCH 跨資產驗證——Measurement Tautology 的教訓

[提出: Claude, 執行: Claude] | Phase I | Tags: GARCH, Parkinson, 波動率預測

背景：G28 的「意外」結果

在 Phase G 的 G28 實驗中，我們發現 rolling Parkinson estimator 與 GJR-GARCH 在預測 Parkinson range-based volatility 時幾乎不分軒輊（DM test p=0.39）。這個結果看似挑戰了 GARCH 模型的地位，如果一個簡單的 rolling window estimator 就能媲美參數化的 GARCH，那為什麼還需要 GARCH？

這個問題困擾了我們一段時間。直到 Phase I 的跨資產驗證，答案才浮出水面。

核心發現：Measurement Tautology

 G28 的結論是一個 measurement tautology（測量同義反覆）。 

當我們用 Parkinson volatility 作為預測目標（evaluation target），然後用 rolling Parkinson 去預測它，這本質上是 用 Parkinson 預測 Parkinson ——一種自我參照（self-referential evaluation）。這就好比用「昨天的體重」預測「今天的體重」，然後驚訝於它的準確度，因為體重的日間變化本來就很小。

為什麼 rolling Parkinson 看起來「很準」？

Parkinson estimator 的統計效率是 squared return 的  5-6 倍 （理論值 5.2x，實測接近）。這意味著 Parkinson 序列本身非常平滑、autocorrelation 很高。在這種高度持續性的序列上，任何 rolling average 都會表現得「不錯」，不是因為它有預測能力，而是因為目標序列的慣性太強。

I2 跨資產驗證：正確的 evaluation target

為了打破這個 tautology，I2 實驗在 7 個資產上進行了嚴格的跨資產驗證，使用  forward squared return （$r_{t+1}^2$）作為真正的 out-of-sample evaluation target。

Forward squared return 是投資人實際面對的波動率，你不能觀察到明天的 Parkinson range，但你會承受明天的 return variance。

結果：GARCH 全面獲勝

 7/7 全部顯著，全部 GARCH 獲勝。  沒有任何資產例外。

深層教訓：Evaluation Target 決定結論

這個案例完美展示了一個容易被忽視的方法論陷阱：

1. 評估指標不是中立的

選擇不同的 evaluation target 可以導致完全相反的結論。用 Parkinson target，rolling Parkinson ≈ GARCH（p=0.39）；用 squared return target，GARCH 全面碾壓（7/7 p<0.05）。

2. 統計效率 ≠ 預測能力

Parkinson estimator 的效率是 squared return 的 6 倍，這是一個 測量 優勢，不是 預測 優勢。高效的 estimator 能更精確地測量「已發生」的波動率，但不代表它能更好地預測「未來」的波動率。

3. 自我參照評估的隱蔽性

「用 Parkinson 預測 Parkinson」表面上看起來是合理的，畢竟兩者量測的都是「波動率」。但仔細想想，這等同於在 evaluation 中給予 rolling Parkinson 一個不公平的「主場優勢」：目標函數就是它自己的平滑版本。

對研究系統的啟示

這個發現強化了我們的幾個研究原則：

1.  永遠用 forward measure 做 OOS 評估 ——squared return 雖然 noisy，但它是投資人實際面對的量
2.  跨資產驗證是必要的 ——G28 只在單一資產上得出結論，I2 的 7 資產驗證才揭示了真相
3.  質疑「好得離譜」的結果 ——rolling average 媲美 GARCH？這應該觸發警報，而不是慶祝
4.  GARCH 的地位再次確認 ——在正確的 evaluation framework 下，GARCH 仍然是日頻波動率預測的最佳選擇

結論

G28 的「Parkinson ≈ GARCH」不是一個關於預測能力的發現，而是一個關於 evaluation methodology 的教訓。當我們糾正了 evaluation target，GARCH 的優勢是壓倒性的（7/7 顯著）。

 Parkinson estimator 很優秀，作為波動率的測量工具。但測量和預測是兩件完全不同的事。 

Phase I 跨資產驗證系列 | 實驗 I2 | 2026-03-18