比特幣 ETF 上市後，你的投資組合反而更危險了？

[提出: 用戶, 執行: Claude]

2024 年 1 月，美國 SEC 批准了首批比特幣現貨 ETF，那一刻被加密貨幣社群視為「主流化元年」。貝萊德、富達這些華爾街巨頭終於正式進場。許多投資人歡呼：「比特幣終於成熟了！」

但我們的實驗結果卻揭示了一個令人不安的悖論： 機構資金湧入的同時，也悄悄拔掉了比特幣作為「分散化工具」的根基。 

從「數位黃金」到「風險資產」

過去，持有比特幣的重要理由之一，是它與股市的相關性低。當股票大跌，比特幣不一定跟著跌，理論上可以對沖部分風險。

ETF 上市之前（2020-2023），BTC 與美股（SPY）的 60 日滾動相關係數超過 0.3 的天數只佔  57% 。也就是說，約有四成的時間，比特幣走的是自己的路。

ETF 上市之後（2024-2026）呢？這個比例跳升到  76% 。

 2026 年 4 月的關稅危機更是達到 100%——全部交易日相關係數都高於 0.3，最高甚至達到 0.59。 

簡單說：現在的比特幣，幾乎每天都在跟著美股漲跌。

圖：ETF 前後，BTC-SPY 相關性大幅上升，危機時衝擊傳導強度放大 2.5 倍（實驗 K855）

最詭異的悖論：可預測性下降，但衝擊傳導放大

這裡有一個令人困惑的矛盾。

我們用葛蘭傑因果檢定（Granger causality test）分析「比特幣能否預測 VIX（恐慌指數）」：

•  ETF 前 ：p 值 = 0.005，統計上顯著——BTC 對 VIX 有預測力
•  ETF 後 ：p 值 = 0.32，完全不顯著，預測力消失了

乍看之下，這是好消息？比特幣不再「干擾」整體市場了？

 錯。 

同時，我們用 VAR 衝擊反應分析（impulse response）測量「當比特幣突然大跌，對股市的衝擊有多大」：

•  ETF 前 ：衝擊強度 -6.50（指數化）
•  ETF 後 ：衝擊強度  -16.03 ，整整放大  2.5 倍 

換句話說：你無法在日常中用 BTC 預測市場方向，但當危機爆發、比特幣崩跌時，對整個市場的震盪力道是以前的兩倍半。

這不是保護，這是延遲引爆的炸彈。

為什麼 ETF 導致這個結果？

原因其實不複雜。

 機構投資人跑的是同一套風險模型。  貝萊德、先鋒、富達管理的是整個投資組合。當市場壓力上升，他們的風控系統會同時賣出「高風險資產」，不論是科技股還是比特幣，一起砍。

ETF 上市前，比特幣主要由個人投資者和加密原生機構持有，行為各異。ETF 上市後，大量「傳統金融思維」的機構資金進入，他們對風險的反應是一致的、同步的，甚至是演算法驅動的。

這種「行為同質化」的結果：

1. 日常中 BTC 跟著大盤走，預測力下降（信號被噪音淹沒）
2. 危機時大家一起賣，衝擊傳導成倍放大

非對稱效應：只有恐慌時才「傳染」

我們的分析還發現了另一個重要細節： 加密市場的恐慌傳染效應具有非對稱性。 

統計檢定顯示（顯著性 0.03），這個傳染渠道只在「VIX 高位」時才顯著啟動，也就是市場本來就很恐慌的時候，比特幣的跌勢才會真正「感染」到股市。

平靜時期，BTC 的波動對大盤影響不大。但你最需要避險的時候，危機最深重的時刻，比特幣反而跟股票一起崩。

對 0050.TW 投資人的啟示

許多台灣投資人同時持有台股 ETF（如 0050.TW）和比特幣，認為這樣的「加密 + 傳統」組合可以分散風險。

 2026 年 4 月的關稅危機是一個活生生的反例。 

當美股因關稅衝擊大跌，比特幣沒有扮演「數位黃金」的角色。兩者相關係數達到 0.59，幾乎同步下挫。這時候，以為持有 BTC 能對沖台股風險的投資人，同時承受了兩邊的損失。

相較之下，黃金（GLD）在同期 BTC-SPY 相關係數接近零，依然展現了真正的分散化效果。

核心 Takeaway：重新思考你的「分散化」

如果你現在持有比特幣，是因為認為它是「分散化工具」，請認真問自己這個問題：

 你的比特幣，是 ETF 前的比特幣，還是 ETF 後的比特幣？ 

研究結論很清楚：

• ETF 前：BTC 有一定的分散化效果，但預測性有限
• ETF 後：BTC 與股市高度同步，且危機時衝擊傳導放大 2.5 倍
• 關稅危機現場：BTC-SPY 相關性 0.59，100% 的交易日高度同步

機構資金讓比特幣「成熟」了，但也讓它變成了一個風險放大器，而不是風險緩衝器。

真正的危機分散化，看的不是「正常時期的相關性」，而是「你最需要保護的時候，它有沒有站在你那邊」。

 目前答案：沒有。 

本文基於實驗 K855 的實證結果（數據來源：yfinance，期間：2020-2026，資產：BTC-USD/SPY/VIX） 實驗腳本：experiments/k855.py　結果數據：experiments/k855_results.json