為波動率量身打造的模型，真的比老牌非對稱模型更準嗎？三個 ETF 說「不」

很多人對金融模型有一個直覺：如果設計一個從根本上就是針對波動率來建構的模型，理論上應該會比通用型的方法更好。

這個直覺不算錯。但拿真實資料去驗的時候，答案很直白。

 三個大型 ETF（SPY / QQQ / GLD），超過 18 年的樣本外資料，MEM 和非對稱 MEM 輸了，全部。 

這些模型在做什麼？

先從大家比較熟悉的那個說起。

「老牌非對稱波動率模型」（本文簡稱「傳統非對稱模型」）的設計邏輯是：今天的波動程度，由昨天的波動和昨天的漲跌衝擊共同決定，且如果昨天是下跌，那個衝擊的放大效果會更強。這就是「槓桿效果」，市場下跌時，恐慌比上漲時的樂觀更容易傳染，波動會被放大更多。

MEM（乘法誤差模型）的出發點不太一樣。它不去建構「今天的條件波動強度」，而是直接對「實現波動率本身」建一個均值方程式，用昨天的波動率乘以一個誤差項來預估今天。直觀上，這更像在說：「昨天跌了多少，今天可能繼續多少。」

非對稱 MEM 再往前一步：模型也試著感受昨天是漲還是跌，讓下跌日的波動持續性估得更強。

看起來這套設計應該更有優勢才對。

結果：三個市場，全輸

以下是四種模型在 SPY、QQQ、GLD 上的預測品質。我們用業界標準的損失函數比較，數字越負代表預測越準。

傳統非對稱模型在三個市場裡全部排第一。MEM 和非對稱 MEM 都輸了，不是輸一點，是整體上明顯落後。

具體數字：

三個標的、兩個挑戰者，六場比較，傳統非對稱模型場場獲勝。這些差距用嚴格的統計方式驗證過，信號非常清楚，不是偶然。

落差有多大？看得更清楚一點

下圖把差距直接畫出來，正值越大，輸越多：

QQQ 上非對稱 MEM 的落差最驚人，輸了將近 0.41。GLD 上 MEM 差了接近 0.86，是所有組合裡最大的。

SPY 和 QQQ 的落差相對可控，但「相對可控」在這裡也是「仍然輸了」，沒有一個例外。

為什麼「更有設計感的模型」反而輸？

這是這個結果裡最值得想的地方。

傳統非對稱模型的不對稱效果，用的是 收益率本身 。也就是說，模型直接對昨天的漲跌（正或負）做反應，下跌日給一個額外的放大係數。這套方式已經被幾十年的資料驗證過，非常有效率。

非對稱 MEM 的不對稱效果，用的是昨天的「波動率大小」。這是一個間接的訊號，它在問「昨天的波動大不大」，而不是直接問「昨天是跌的嗎」。

在捕捉「下跌比上漲更容易引爆波動」這件事上，傳統非對稱模型的路徑更直接，資訊更密集。非對稱 MEM 做了一道額外的轉換，反而把這個訊號稀釋了。

換個說法： MEM 的想法本身沒問題，但傳統非對稱模型解決這件事的方式，剛好就已經夠有效率，難以超越。 

投資人該怎麼理解這個結果？

直接的啟示是： 不要因為一個模型聽起來「直接針對目標設計」，就覺得它一定更準。 

在市場資料的世界裡，參數效率才是關鍵。一個模型用更少的參數、更直接的訊號，通常比「理論上更精確設計」的模型更有競爭力。

這也解釋了為什麼三十多年前提出的傳統非對稱模型，到現在還是很難被打敗的基準。它找到了一個剛好在「夠簡單」和「夠有效」之間的平衡點，而這個平衡點比很多後來設計更複雜的模型都更耐用。

但這不代表 MEM 沒有用武之地

這次比較的是 日頻 的波動率預測，用的是每天的收益率平方作為波動的代理指標。

MEM 家族最初設計的場景，其實更靠近 日內高頻數據 ，比如用日內真實高低點計算出來的指標，或是用短間隔報酬加總出的精細波動量。在那些場景下，MEM 的架構可能更接近資料的真實分布，競爭力可能就不一樣了。

這次輸的，是在日頻這個特定場景下的結論，不是全部。

小結

這次的比較，是在 SPY、QQQ、GLD 三個標的、超過 4,600 個交易日的樣本外資料裡進行的。為波動率量身打造的 MEM，最後輸給了三十多年前提出的傳統非對稱模型。

MEM 的設計方向本身有道理。只是對手捕捉槓桿效果的方式更直接，更難被取代。

下次看到「專為波動率設計的模型」這種說法，值得先問一句：它的訊號比傳統方式更直接嗎？還是只是換了個角度，繞了一圈，最後拿到的其實是同一件事的影子？

數據來源：yfinance 日頻調整後收盤價，期間 2000-01-01 至 2026-05-23。SPY / QQQ 樣本外期數 4,643，GLD 為 3,417。VolPred 內部量化研究。