K908：MF-GJR 的預測優勢只在 SPY 顯著，配上 HistSim 則三資產 6/6 通過 Trinity

你的預測模型很厲害，但你的風控可能在裸奔

想像一個情境：你花了三年研發出一個波動率預測模型，統計檢定 PASS、論文都投出去了。然後風控部門打開 1% VaR 回測報告，結果 FAIL。

這不是寓言。以 MF-GJR(VIX) 為例，它的 QLIKE 只在 SPY 顯著贏過標準 GJR（t=-3.243）；QQQ 是 t=-2.652，未過 Harvey 門檻；0050.TW 是 t=+0.193，而且 0050.TW 的 MF-GJR QLIKE 比 GJR 還差 0.294%。三個資產裡只有一個顯著勝出。

所以下面談的「預測準、風控卻出事」，預測準的那一半只在 SPY 站得住。

問題出在哪？又該怎麼修？這是 K908 實驗要回答的核心問題。

為什麼「預測準」不等於「風控好」

波動率預測模型輸出的是「條件變異數」，也就是明天大概的震盪幅度。風控指標 VaR（風險值）卻問另一個問題：「最壞 1% 那天會虧多少？」

這兩件事差很大。預測模型只要平均誤差小就算贏；VaR 卻要你準確抓到尾部那 1% 的極端報酬。多數預測模型預設報酬服從常態分配（Normal），但實際上股市的尾部比常態厚得多，「20 年一遇」事件實際上每兩三年就會出現。預測再準，配上錯誤的尾部假設，VaR 就會嚴重低估風險。

具體來看 MF-GJR(VIX) 配 Normal 的 1% VaR 違反率：SPY 1.87%、QQQ 1.92%、0050.TW 1.31%（理論值 1%）。SPY 與 QQQ 落在 Basel YELLOW 且 Trinity FAIL，0050.TW 是 GREEN、Trinity PASS（Kupiec p=0.2111）。對 SPY 與 QQQ 來說，「100 天最多虧一次以上」的承諾實際上每 50 多天就破一次，這是合規大事故，不是模型微調；0050.TW 在常態假設下反而沒有出現這個缺口。

兩個解法：Student-t vs HistSim

K908 比較了兩個修風控的策略：

 方法一：Student-t 分配（參數化方案）  換一個有「自由度（df）」參數的分配。df 越小尾部越厚；df 越大越接近常態。我們每 63 交易日重估一次 df，並用 sqrt((df-2)/df) 修正尺度，確保條件變異數對得上。

 方法二：HistSim（歷史模擬，非參數方案）  完全放棄分配假設，直接拿過去 2000 天標準化殘差的歷史分佈當尾部。市場過去出現過什麼極端值，就照著那個經驗 quantile 估 VaR。

跨三資產實測：HistSim 全勝

我們在 SPY、QQQ、0050.TW 三個市場跑了 OOS 2019-01 到 2026-03（每資產約 1754-1821 天）的完整回測，用 Trinity 三道關卡同時檢驗：Kupiec（總違反次數合理）+ Christoffersen（違反沒有群聚）+ Basel 三色燈號。三關全綠才算 PASS。

結果如下圖：

關鍵讀法：

•  MF-GJR + HistSim：3 資產 × 1% 與 5% 共 6 種情境全部 PASS ——這是 K908 最重要的發現，HistSim 是真正的 universal solution
•  MF-GJR + Student-t：SPY 和 0050.TW 全 PASS，但 QQQ 在 1% 與 5% 都 FAIL ——QQQ 的尾部結構不適合用單一 df 描述
• 違反率（每格第二行百分比）也說明問題：HistSim 的 1% 實際違反率為 SPY 0.99%、QQQ 0.93%、0050.TW 1.14%，三個都緊貼 1% 理論值

為什麼 HistSim 完勝？

關鍵在「對稱性」。Student-t 是參數化分配，本質上左右尾對稱；但 QQQ 在 OOS 期間經歷 2022 科技股崩盤、2020 疫情急跌、2024 AI 多頭等多重結構斷點，左尾比右尾厚很多，單一 df 抓不到這種偏斜。具體數字：QQQ 在 MF-GJR + Student-t 下 1% VaR 違反率仍達 1.65%。三道關卡裡，Kupiec p=0.0111（未過）、Christoffersen p=1.0（通過）、Basel YELLOW，擋下它的是 Kupiec 與 Basel。換成 HistSim 立刻降到 0.93%，三道關卡全綠。

HistSim 完全不假設形狀，市場真實出現什麼，VaR 就反映什麼。skewness、kurtosis、regime shift 全部「順勢吃下」。代價是計算量稍大（要存 2000 個歷史殘差，每天重新排序），但對現代硬體完全不是問題；Python 一行 numpy.quantile 就解決。學界的偏好早就從「找對 parametric 分配」轉向「直接用實證分位數」，K908 在 MF-GJR(VIX) 這個預測引擎上把這個方向確認了下來。

台股是全市場最厚尾的

順帶看一個本地角度。我們把 MF-GJR 的 Student-t df 在三個資產畫成時序：

數字說話：

•  SPY ：MF-GJR df 介於 7.53 到 9.09（平均約 7.95），尾部相對最薄
•  QQQ ：6.36 到 10.89（平均約 7.83），波動較大但平均接近 SPY
•  0050.TW ：5.04 到 6.56（平均約 5.84），全期最厚尾，最低點 5.04 已經逼近「df=5 厚尾警戒線」

換成白話：台股的「20 年一遇」事件比 SPY 頻繁很多。這也解釋為什麼台灣讀者常感覺「明明做了停損，為什麼還是被一根長黑打穿」，尾部就是比美股厚，標準常態 VaR 在這裡尤其危險。對台股做風控，要嘛換 HistSim，要嘛把 Student-t df 設定上限調更低。

從 OOS 期間動態看，0050.TW 的 df 在 2020 第一季疫情、2022 半導體大跌、與 2024 第三季的修正都明顯壓縮，最厚尾出現在 2024 年第三季的 5.04。同期 SPY 的 df 從未跌破 7.5，QQQ 雖然在 2020 跌到 6.36，但很快回升到 9 以上。這個跨市場差異對於資產配置與避險比例的決定有直接影響，台股部位需要的安全邊際，比同名目曝險的美股部位高出 30% 以上才合理。

把預測和風控當成兩件事

K908 真正的方法論教訓是： 預測模型和分配假設要分開優化 。

過去研究習慣把波動率預測和分配假設綁在一起估計，例如「GARCH + Normal MLE」一次估完。這在預測層次也許 OK，但風控層次完全不夠。最佳組合是兩段式：

1.  預測層 ：用 MF-GJR(VIX) 給出條件變異數（QLIKE 顯著優於 GJR 的只有 SPY）
2.  風控層 ：把 MF-GJR 的條件變異數丟給 HistSim 算 VaR/ES，完全不假設尾部形狀

這個雙層架構在三資產 6/6 Trinity PASS，是目前我們找到的「universal VaR/ES 解」。對基金、券商風控、量化策略部位管理都有實用價值，不論主流市場（SPY/QQQ）還是新興市場（0050.TW）都通用。

結論

預測準 ≠ 風控好。MF-GJR(VIX) + HistSim 是 K908 驗證過的兩段式方案：條件變異數預測（在 SPY 上顯著優於 GJR）+ 最不挑形狀的尾部估計，三資產 1% 和 5% VaR Trinity 全 PASS。

下次有人跟你說「我的模型 QLIKE 比 baseline 好 30%」，記得追問一句：「那你的 1% VaR 通過 Basel 了嗎？」

本文基於實驗 K908（腳本：experiments/k908/k908_mfgjr_student_t_var_es.py，結果：experiments/k908/k908_mfgjr_student_t_var_es_results.json）。資料來源：yfinance（SPY / QQQ / 0050.TW / ^VIX），期間 2005-01 至 2026-04，OOS 2019-01-02 至 2026-03-31（SPY/QQQ n=1821；0050.TW n=1754）。延伸閱讀：K889（MF-GJR 預測實驗）、K802 / K825（HistSim 早期跨資產驗證）。[提出: Claude]