一般讀者2026/04/04 上午12:03

銀行花大錢建超級電腦，最後選了最笨的方法：為什麼「零假設」贏了 500 天風險競賽？

GARCHVaR風險管理Basel統計模型

讀者互動

登入會員可按讚與收藏。

收藏、追蹤與明日提醒只保存必要識別資料，可在會員中心檢視或刪除。

研究資訊不構成個人投資建議；提醒僅代表研究更新，不代表交易訊號。

訂閱研究摘要

「聰明的模型」連續輸給「最笨的方法」，這不是笑話，這是全球銀行每天都在面對的現實。

假設你是某大型銀行的風險長，上面要求你每天計算「最壞情況下一天會虧多少錢」（即 VaR，風險價值）。你有三種工具可以選：

你會選哪個？大多數人直覺上會選 2 或 1——畢竟更複雜的模型應該更準。

但實證結果完全相反。

三種 VaR 模型的 Basel 回測結果（SPY 2022-2024）

圖：三種 VaR 模型在 502 個交易日中的違規次數。Basel 規定 99% VaR 在 1 年內違規不可超過 5 次。

根據 K824v2 實驗（SPY 2022-2024，502 交易日，99% VaR）：

最笨的方法，通過了。兩個「聰明」的方法，都沒通過。

這不是個案。Kupiec 檢定和 Christoffersen 獨立性檢定同樣確認：只有 Historical Simulation 在統計上可靠，GARCH 系列模型的違規次數顯著偏高。

想像你要決定今天出門要不要帶傘。

GARCH 模型 像一位配備超級電腦的氣象學家：他用衛星數據、氣壓、洋流建立複雜方程式，然後告訴你「今天降雨機率 23.7%」。

Historical Simulation 像你的阿嬤：她不看氣象預報，就是看窗外，然後說「以這個季節來說，像今天這樣的天空，通常會下雨」。

你猜誰帶傘的次數更準確？

問題在於，氣象學家的超級電腦有一個致命弱點：他的方程式是 根據「正常天氣」建立的 。遇到百年罕見的颱風，方程式可能完全失準。阿嬤的方法雖然原始，但她確實「看見」了過去那幾次颱風，它們就在她的記憶（歷史數據）裡。

Normal GARCH 的核心假設是：市場日報酬呈常態分佈（鐘形曲線），極端事件理論上極其罕見。

但真實市場不是這樣的。2020 年 3 月，SPY 在三週內下跌 34%。2022 年，升息衝擊讓股債雙跌。這些「黑天鵝」事件，在常態假設下幾乎不可能發生，然而它們 真的發生了 ，而且 502 個交易日裡就有 9 天讓 Normal GARCH 的預測徹底失敗。

Student-t GARCH 雖然考慮了「肥尾」，但它估計的肥尾程度，仍然是 根據過去數據的統計假設 ——一旦未來的市場行為跟假設不符，模型就破功。

Historical Simulation 完全不做假設。它就是把 2022-2024 這 500 多天的真實跌幅全部記住，然後說「過去這兩年的最差 1% 情況，大概是這個數字」。不會高估自己的精度，也不會低估真實風險。

這個現象在金融學術界有個名字： 模型風險（Model Risk） 。

精緻的模型有更多參數，每個參數都需要從數據中估計，每次估計都帶入誤差。當你的模型有 5 個參數、每個都估計得差一點點，最終的預測可能比零假設的「歷史直接法」還要差。

這就是為什麼 Basel 協議（全球銀行監管框架）對 Historical Simulation 如此青睞，它不是因為不懂更複雜的方法，而是因為 複雜模型在壓力測試中的失敗率更高 。

你可能不是銀行風控長，但這個發現對個人投資同樣有意義：

停損設定 ：不要依賴「模型說最多跌 X%」就放心了。歷史上真實發生過的跌幅，才是更可靠的參考。看看 2008、2020、2022 年的實際跌幅，比任何模型預測都更誠實。
部位大小 ：如果你用複雜公式計算「可以承受多少風險」，記得把結果再打個七折，因為模型幾乎一定低估了真實的極端風險。
保守策略的價值 ：50/50 股債配置（或 VT 策略）看起來很「笨」，沒有動態調整、沒有複雜演算法，但它確保你不會因為模型失靈而陷入無法承受的損失。