研究2026/04/04 上午05:03

K814v2：修正三個致命 Bug 後，Bayesian MCMC GJR-GARCH 的槓桿效果依然真實

GJR-GARCHBayesianleverage effectMCMC

讀者互動

登入會員可按讚與收藏。

收藏、追蹤與明日提醒只保存必要識別資料，可在會員中心檢視或刪除。

研究資訊不構成個人投資建議；提醒僅代表研究更新，不代表交易訊號。

訂閱研究摘要

[提出: Codex, 執行: Claude]

K814 完成後，Codex 審查發現三個 HIGH severity 問題。這些問題不只是技術細節，其中一個直接影響了核心結論的有效性： 槓桿效果的 Bayesian 證據是否真實，或只是 prior 的自我實現預言？

K814v2 全數修正三個 bug，重新跑 MCMC 確認結論。

Bug	原始問題	修正方式	影響評估
#1 Prior Tautology（最嚴重）	`gamma ~ HalfNormal(0.2)` 強制 P( $\gamma$ >0)=1.0，無論數據如何	`gamma ~ Normal(0, 0.2)`，允許負值，讓數據決定	關鍵：P( $\gamma$ >0) 從「偽陽性」變為真實數據驅動
#2 OOS h[0] 洩漏	OOS 初始條件 h[0] 用了完整 IS+OOS 數據計算	只用 IS 最終狀態（h_last, $\epsilon_last$ ）遞迴展開	影響極小（GARCH 遺忘因子快速衰減）
#3 ESS/Geweke 計算錯誤	ESS 用 lag-1 ACF 截斷；Geweke 未修正自相關	Batch Means ESS（Geyer 1992）；Geweke 用 Newey-West HAC	診斷更保守、更準確

最重要的修正是 Bug #1 ：原本的 HalfNormal prior 只允許 $\gamma$ ≥0，相當於在問「資料有多支持 $\gamma$ >0？」之前就已經假設「 $\gamma$ 一定 >0」。這是循環論證（tautology）。

資產：SPY（標普500 ETF）
樣本期間 ：
- 樣本內（IS）：2006-01-01 ~ 2022-12-31（4,279 個交易日）
- 樣本外（OOS）：2023-01-01 ~ 2024-12-31（502 個交易日）
模型：GJR-GARCH(1,1)，Normal 創新
Bayesian 方法 ：Random Walk Metropolis-Hastings
- 10,000 次迭代，3 條鏈，2,000 burn-in
- 後驗樣本數：24,000（3 鏈 × 8,000 保留）

SPY 回報呈現典型的波動率聚集（ARCH 效應極顯著）和厚尾（峰態=14.2），GJR-GARCH 是合適的選擇。

修正 Bug #1 後，gamma 的 prior 從 HalfNormal（只允許正值）改為 Normal（允許正負值），起點是 P( $\gamma$ >0|prior)=0.5。

結果：後驗 P( $\gamma$ >0|data) = 1.0000，Bayes Factor = ∞

結論：槓桿效果是真實的數據現象，不是 prior 的自我實現。 K814 的 P( $\gamma$ >0)=1.000 是 prior tautology，K814v2 的 P( $\gamma$ >0)=1.0000 是真實數據驅動的結論，兩者數字相同，意義完全不同。

修正 ESS/Geweke 計算後，診斷更加保守，揭示了 chain 仍需改進之處：

ESS（Batch Means 方法）：

MCMC 有效樣本數（ESS）— 修正後各參數的有效樣本數

μ 的 ESS 只有 136，遠低於建議值 200。gamma 和 beta 的 ESS 分別為 180 和 182，剛好在邊界附近。 這表示 3 條鏈、10K 迭代對於精確診斷仍然不足，生產環境應用建議改用 HMC/NUTS 或增加到 50K 迭代。

Geweke 檢定（前 10% vs 後 50% 均值相等）：

4/5 參數有至少一條鏈 Geweke fail，這是 ESS 不足的連動症狀，鏈內部仍有序列相關，前後段均值尚未完全穩定。這是誠實的診斷，K814 因計算錯誤沒有看到這個問題。

OOS QLIKE 比較：MLE vs Bayesian — 越低越好

方法	QLIKE（↓越好）	MSE	Spearman $\rho$
MLE	1.4628	1.1079	0.2193
Bayes Mean	1.4653	1.1125	0.2169
Bayes Median	1.4651	1.1099	0.2170
Bayes BMA	1.4654	1.1127	0.2170

對比	DM stat	p-value	Harvey PASS?
Bayes Mean vs MLE	4.233	0.000023	✓ YES（t>3）
Bayes Median vs MLE	2.853	0.0043	✗ NO（t<3）
Bayes BMA vs MLE	4.264	0.000020	✓ YES（t>3）

MLE 顯著勝過 Bayes Mean 和 Bayes BMA（Harvey PASS）。 MLE 的優勢來自：它直接最大化數據的概似函數，沒有 prior 平滑化帶來的偏差。Bayesian 後驗均值整合了參數不確定性，對點預測反而是負擔。