風險模型愈花俏愈準嗎？這次市場給了相反答案

 2026-06-13 修訂（Codex 24h 來源審查）  本文保留核心結論：FHS 在 1% 與 5% 的 pinball loss 點估計最低，直接分位數模型沒有證明自己值得升級。但原文「5% 水準五個模型全都沒完整過關」容易被讀成所有 5% 覆蓋率檢定都失敗。正確讀法是：若沿用本實驗的嚴格 Trinity screen（含 Basel-style 250-day traffic-light screen），五個模型都未完整過關；若只看 Kupiec + Christoffersen 覆蓋率，Normal、FHS、CAViaR、QuantHAR 在 5% 水準是過關的。

做風險預測的人，很容易有一個直覺：模型愈新、愈複雜，應該愈準。

這次我們把 5 種 SPY 尾部風險模型丟到同一段 2019-01-02 到 2026-04-02 的真實市場裡，直接看誰比較接近市場。樣本一共 1,823 個交易日，包含疫情暴跌、升息熊市，還有 2023 之後的低波動反彈。

比較結果很不給新模型面子。

最低的尾部損失分數，1% 和 5% 兩個水準都由  FHS  拿下；CAViaR 和 QuantHAR 都沒贏。真正在 1% 水準通過三道基本檢查的，只有  Student-t  和  FHS 。到了 5% 水準，結論要拆開看：覆蓋率檢定多數模型可以過，但若再加上本實驗沿用的 Basel-style 250-day screen，五個模型都沒有完整過關。

第一張圖最值得看。藍色是 1% 尾端，橘色是 5% 尾端。柱子愈低愈好。

FHS 兩個水準都排第一。Student-t 緊跟在後，但差距不大。CAViaR 和 QuantHAR 的點估計排名落後。也就是說，直接去預測分位數，這次沒有比「先抓波動，再用歷史尾巴補上去」更厲害；但這裡講的是點估計排名，不是正式顯著勝出。

這結果的重點其實很冷： 複雜度沒有自動換成準度。 

第二張圖看的是「出事頻率有沒有報對」。綠線是理論上 1% 風險該出現的位置，紅線是 5%。

這裡可以看到三件事：

•  Normal  太樂觀。1% 真實踩線率是 2.03%，等於你以為百日一見，市場其實五十天左右就來一次。
•  CAViaR  在 1% 水準反而太保守，踩線率只有 0.88%，但事件會擠在一起，沒把風險節奏抓好。
•  QuantHAR  看起來接近目標值，可是一碰到連續壓力期，穩定度還是不夠。

5% 水準最容易誤讀。只看「平均踩線率有沒有接近 5%、踩線事件有沒有明顯群聚」這兩件事，Normal、FHS、CAViaR、QuantHAR 都可以過關；Student-t 在 Kupiec 覆蓋率檢定上沒過。可是本實驗還把最近 250 天的 Basel-style screen 一起放進來，這個 screen 對 5% VaR 很嚴，結果五個模型都沒有完整過關。

所以這個實驗給投資人最實用的提醒，不在「快去用 FHS」這個層次。它要說的是更基本的事：

 不要因為模型名字更新，就以為風險控制一定更好。 

這次在 SPY 身上，老派但紮實的 FHS 依然守住點估計第一。Student-t 至少在 1% 水準過關。至於 CAViaR 和 QuantHAR，概念很漂亮，這輪外樣本還沒證明自己值得升級。

如果你的目標只是把尾部風險估得比較準，這份結果其實很節制：先把簡單方法做到位，可能比急著換新模型更重要。

本文基於實驗 k905（腳本：experiments/k905/k905_quantile_vol_forecast.py，結果：experiments/k905/k905_quantile_vol_forecast_results.json）。資料來源：yfinance 的 SPY 日資料，估計期間 2005-01-01 至 2026-04-02，評估期間 2019-01-02 至 2026-04-02，樣本 1,823 個交易日。