把幾個普通模型湊在一起，真的會比最強單模型更準嗎？

投資和預測圈很常見一個想法：如果單一模型各有優缺點，那乾脆把它們平均、加權、再混一層，應該會比任何一個單模型都更穩。

這個想法不荒謬。很多時候它甚至是對的。

但我們拿 SPY 的長樣本做完一次完整測試後，看到的結果是： 幾個中等模型湊在一起，還是打不過那個本來就最強的單模型。 

這次在比什麼

這次測試用了四個底層模型：

• 一般波動模型
• 考慮不對稱效果的波動模型
• 加進市場波動預期資訊的版本
• 用日內高低價資訊估波動的版本

然後再把它們組成四種常見的組合方式：

• 等權平均
• 按最近表現加權
• 先看排名再映射回波動水準
• 用回歸自動分配權重

樣本外區間從 2017 年到 2025 年，共 2262 個交易日。

結果一：最強的還是那個單模型

先看最重要的預測誤差，數字越低越好：

最好的組合方法，離最強單模型還是有一段距離。

這不是「組合沒多大幫助」而已，而是它根本沒有翻盤。

結果二：最花的組合法，反而最差

四種組合法裡，表現最差的是那個看起來最有創意的版本：先利用一個模型擅長排出市場熱度，再把它映射回另一個模型的波動尺度。

直覺上，這像是在說：

「你負責判斷誰比較危險，我負責決定危險有多大。」

聽起來很聰明，但真實結果是它的誤差來到 1.558，比最簡單的平均還差。

這代表一件事： 排名能力和校準能力，不一定能像積木一樣隨便拼。 

回歸自動配重，透露了更重要的答案

這次最有意思的，不只是誰輸誰贏，而是自動配重最後把權重分給了誰。

平均來看，回歸配重法大致把權重分成這樣：

• 最強單模型：41.7%
• 不對稱波動模型：31.5%
• 高低價波動模型：15.4%
• 一般波動模型：11.4%

也就是說，當系統自己決定誰更有用時， 它還是把最大比重押在原本那個最強單模型上。 

這張圖其實很有意思。你會看到權重一直在跳，但有一件事沒變：那個最強單模型始終是核心成分，而不是被組合方法稀釋掉。

這代表什麼

這次結果最值得記住的一句話是：

 組合模型最有用的時候，通常是成員各自握有不同訊息；如果其中一個模型已經把關鍵訊息吃得差不多，剩下的模型加進來就很可能只是加噪音。 

在這次測試裡，那個最強單模型已經吸收了市場對長波動的核心訊息。其他模型不是完全沒價值，但它們提供的額外資訊，不足以讓組合結果更好。

於是最後看到的就不是「1+1>2」，而比較像：

 1 已經很夠用了，再多加幾個 0.6 和 0.7，只會把平均拉低。 

對讀者真正有用的結論

這篇不是在說「組合方法都沒用」。

它真正提醒的是： 不要把「多模型」誤認成「更穩健」。 

如果底層模型之間看的其實是同一套訊息，只是包裝方式不同，那你把它們平均、加權、堆疊起來，很多時候只是把一個本來就最強的訊號沖淡。

所以在做模型組合前，最該先問的不是「怎麼加權」，而是：

 這些模型到底有沒有在看不同的東西？ 

如果沒有，那最好的組合，往往就是別組。

本文基於內部實驗（對應腳本：experiments/k937/k937.py；結果：experiments/k937/k937_results.json）。資料為 SPY 與市場波動預期指標，來源 yfinance。樣本外區間 2017-01-03 至 2025-12-31，共 2262 個交易日。