我們自己那批 ML-vs-HAR 的 t 值，有一半的門檻是假的

倉庫裡有一長串長得很像的實驗。K1312 拿 GARCH-LSTM 比 HAR，K1263 是 KAN-GARCH-MIDAS，K1524 排了一個 HAR / GJR / RandomForest 的 3×3 矩陣，K1593 上 CNN-Transformer。收尾動作都一樣：算一個 Diebold–Mariano t 值，看它有沒有過 1.96，然後寫結論。

這些實驗回答的是「誰預測得比較準」。K1747 問的是前面那一題，而且是一題沒人問過的題：

當比較的其中一邊，它的超參數、變數集合、擬合出來的係數，全部來自同一段有時間順序的資料，那個名目 5% 的 DM 檢定，還是每 20 次錯一次嗎？

答案是不是。而且錯的方向是多拒絕，也就是說，過去那些 t 值裡有一部分的「顯著」是估計誤差生出來的。

怎麼量的

量 size 只能在「自己的虛無假設按建構為真」的設計裡量。K1747 造了五個這樣的設計，跑蒙地卡羅，數每個程序實際拒絕的比例，再拿它跟名目 0.05 對。每格報 Wilson 95% 區間跟蒙地卡羅標準誤，主要格子 1000 次重複，昂貴的格子 400 次。主種子 42。

資料是 SPY 與 QQQ 的日 OHLC，2005-01-01 到 2026-08-01，10,856 列，快照的 sha256 釘在 results 裡。變異數代理是 Garman–Klass 全距估計量，不是 5 分鐘已實現變異數，免費日線只能做到這裡，它不含隔夜變異，也假設盤中無漂移。

有一件事這份實驗做得比一般 size 稽核嚴： 同一個拒絕率，在不同設計裡意義不一樣 。在只有母體虛無為真的設計裡，固定視窗程序的虛無按建構是假的，所以它在那裡拒絕叫檢定力，不叫犯錯。results 的每一格都帶 null_type 標籤，裁決閘會看那個標籤，不會把檢定力算成 size 失準。巢狀比較配非平方誤差損失的那些格子，倉庫早就知道沒有可用的推論程序（error_log class G、K1701），這次直接標成 diagnostic-only，不進裁決。

20 列進得了裁決。這是全文所有數字的分母。

第一個發現：連對照組都過不了

D1 是理智檢查。兩邊是同一個模型、同一組變數、對稱的 OLS，任何合理的檢定在這裡都應該貼著 5%。

對數平方誤差那兩列，區間下緣都在 5% 以上。樣本從 250 加到 1000，7.3% 只降到 7.2%——這不是小樣本問題，加資料不會讓它自己好。

QLIKE 那兩列是貼著的。這個對照在後面會一直出現。

第二個發現：模型愈複雜，偏差愈大，而且加資料會加劇

D2 是巢狀設計、母體虛無為真：小模型就是真實資料生成過程，大模型多出來的係數在虛無下全為零。這種結構下一般 DM 按建構就是偏心的，Clark–West 就是為了修這件事發明的，所以這裡的主統計量是 CW，不是 DM。

拒絕率隨大模型的參數量 p 走：

兩個方向都往壞的走。橫著看，p 從 20 到 100，拒絕率從 8.9% 跳到 12.9%。直著看，R 從 250 加到 1000，同樣的 p=20 從 8.9% 惡化到 11.0%。

第二個方向值得停一下。多給樣本讓事情變糟，聽起來反直覺，但在展開視窗（expanding window）下是合理的：樣本變長，用來估參數的那一段也變長，估計誤差在損失差裡累積的結構跟著改變，而 HAC 的頻寬是照 n 開三次方走的，追不上真正的相依長度。把頻寬改成不小於再擬合週期（21 天）的寬版本，D1 那格從 7.3% 再惡化到 9.9%——所以這不是頻寬選太小，是這個組合本身就不對。

第三個發現：三種修法沒有一種修好

這是本實驗真正的結論，也是最不好看的那一段。

裁決規則要求的不是「看起來比較接近 5%」。要算有效，一個 learner-aware 程序必須同時做到四件事：對應的一般檢定確實失準、在同一批重複上做配對 McNemar 檢定且 Holm 校正後顯著、拒絕次數嚴格少於一般檢定、而且它自己的 Wilson 區間要蓋住 5%。

符合資格的配對檢定有 34 個。通過的有  0  個。

不只是沒修好，是修反了。以 D3（非巢狀、方法層虛無為真）為例：

樣本外分割那兩欄，拒絕率是一般 DM 的兩到四倍。名目 5% 的檢定在 45.5% 的重複裡拒絕一個為真的虛無，那不是檢定，那是隨機數產生器加一個學術外觀。

實驗另外把每一格的實測拒絕率，對上該格自己量到的 A4 過度風險代理量（Escanciano–Parra 的中心化 sqrt(P) * Var_t[log m_hat - mu_log]，逐格測量、不假設）：

所以裁決標籤是 CONDITIONAL_ORDINARY_MISSIZED_BUT_NO_SUPPORTED_FIX：一般檢定確實失準（20 列裡 14 列 Holm 後仍超標），但這份設計裡沒有任何一個受支持的替代程序把它修回名目。

唯一站得住的那一格

上面那張表最右邊兩欄裡藏著一個東西：GW 固定視窗配 QLIKE，6.9% 跟 4.8%，後者的區間 [3.6%, 6.3%] 蓋住 5%。

翻遍 D1 到 D3 的主統計量，同一個組合反覆出現在沒失準的那一側。這跟理論說的對得上：Giacomini–White 的固定有限估計視窗，虛無本來就是「已估計程序」的等預測能力，估計誤差是虛無的一部分而不是要被忽略的干擾；QLIKE 則是 Patton 意義下對代理誤差穩健的損失。

但這不是本實驗的裁決，它沒有走完那四道條件。誠實的說法是：這是一個有理論支撐、在多個格子裡一致的觀察，不是被認證的修法。

這對倉庫裡的舊結論是什麼意思

實證那一側跑了 48 個主要比較（2 資產 × 3 學習器 × 2 損失 × 4 預測方案）。名目層次有 20 個顯著，Holm 家族校正後剩 8 個。單是多重性就吃掉六成。

再疊上上面那些 size 數字，在 D2、D3 那種複雜度下，名目 5% 的實際犯錯率落在 9% 到 15%——那 8 個裡還有多少是真的，這份實驗沒有回答，也不該假裝回答。

能說的是這句： 過去那些「t = 2.7，顯著」的收尾，門檻本身沒有它宣稱的那個意義 。要重新判定舊結論，得回去看每個實驗的預測方案跟損失函數落在上面哪一格。這是接下來要做的事，不是這篇能一次做完的。

這份實驗自己的限制

• R2 的解讀規則是在 v1 結果與 FAIL 審查都已知之後才定的。它的精確二項、McNemar 與 Holm 輸出是事後敏感度分析，不是預先登記的驗證性證據。results 裡 analysis_status 逐字寫著 post_hoc_after_v1_results_were_known。
• 變異數代理是 Garman–Klass 全距估計量，不是 5 分鐘已實現變異數。
• learner-aware 程序是照 Escanciano–Parra 定理 3.1 與其 80/20 建議、加上 GW 固定視窗，在本倉庫重新實作的設計層配方，不是對該論文估計量的複製。它們表現差，不能直接當成那篇論文的方法失效。
• D5 樹模型補充整組被排除在形式推論之外：GBRT 挑戰者在資訊集上巢狀、在模型類上不巢狀，Clark–West 的推導結構不適用，那些數字只是方向性證據。
• D3 的 p=200 QLIKE 兩格重複數只有 400 且區間仍蓋住 5%，標為 underpowered，不進裁決。

 實驗 ：K1747（experiments/K1747/），裁決 PASS，重跑規格 reproduce_spec.json  資料 ：yfinance 日 OHLC，SPY / QQQ，2005-01-01 至 2026-08-01，10,856 列  表 ：tables/mc_size_table.csv　 圖 ：figures/mc_size_by_cell.png、figures/size_vs_a4_rate.png  主要文獻 ：Escanciano & Parra (2026, JBES); West (1996, Econometrica); Giacomini & White (2006, Econometrica); Clark & West (2007, J. Econometrics); Diebold & Mariano (1995, JBES); Patton (2011, J. Econometrics)