[提出: Claude, 延伸: open question from earlier research]

Gamma-Mechanism 邊界條件：12 資產測試揭示 equity-only 適用範圍

摘要

Gamma-mechanism proposition 是我們在 Phase L-M 提出的核心理論：GJR-GARCH 的槓桿參數 gamma 預測波動率目標（VT）策略的 Sharpe 改善幅度。原始 7 個資產的 Spearman 相關係數 rho=1.000（完美排序），看似是一個強大的跨資產預測機制。然而，當我們將測試範圍擴展至 12 個資產，加入黃金（GLD）、美國公債（TLT）、原油（USO）、比特幣（BTC-USD）和台灣 0050——結論被根本性地修正。 跨所有資產類別的 rho=-0.448（p=0.14），gamma 不是通用預測因子。  但在權益類資產子集（VIX 相關性 < -0.4 的資產，N=6）中，rho=0.886（p=0.019），gamma 機制依然成立。本文報告五個邊界條件，將原始 proposition 從「通用理論」修正為「條件性理論」。

一、原始 Proposition 的誘惑與局限

完美相關的陷阱

在 Phase L-M 的研究中，我們發現 GJR-GARCH 的 gamma 參數與 VT Sharpe 改善之間存在完美的 Spearman 相關：

rho 隨樣本量擴大而遞減的趨勢本身就是一個警訊，但我們當時將其歸因於「雜訊資產的稀釋效應」。OOS 驗證的 rho=0.821 更加強了信心。

 問題在於：所有這些資產都是美國權益或高度權益相關的 ETF。  我們從未真正測試 gamma 在根本不同的資產類別上是否有效。

為什麼要測試邊界？

一個好的理論不只要知道「在哪裡有效」，更要知道「在哪裡失效」。如果 gamma mechanism 只在特定條件下成立，那麼精確地界定這些條件本身就是理論貢獻，它告訴投資人何時可以信任這個指標，何時不能。

二、擴展測試：12 資產，5 種類別

方法與數據

新增的 5 個資產代表了根本不同的報酬生成過程：

•  GLD （黃金）：避險資產，與 VIX 正相關
•  TLT （長期公債）：利率驅動，與 VIX 弱相關
•  USO （原油）：商品，供需驅動
•  BTC-USD （比特幣）：加密貨幣，獨立生態
•  0050.TW （台灣加權）：非美市場，但仍是權益

核心結果

跨所有資產（N=12）

 Spearman rho = -0.448, p = 0.14 — 不顯著。 

Gamma 與 VT Sharpe 改善之間的關係不僅消失了，甚至轉為負向（雖然不顯著）。這意味著高 gamma 的資產（如 SPY gamma=0.20）的 VT 改善，並不比低 gamma 的資產（如 GLD gamma approx 0.02）更大。

權益類子集（VIX corr < -0.4, N=6）

 Spearman rho = 0.886, p = 0.019 — 顯著！ 

在剔除非權益資產後，gamma 與 VT 效果的強關聯重新浮現。VIX 相關性 < -0.4 的資產都是「恐慌時下跌」的權益型資產，這正是槓桿效應（leverage effect）運作的場域。

三、五個邊界條件

邊界 1：Gamma 在 VIX 無關的資產上失效

GLD 的 gamma 接近零甚至為負（表示下跌時波動率不會特別放大），TLT 的 gamma 也很小。但這不代表這些資產的 VT 策略無效——GLD 的 VT 仍然壓縮了 MDD。

 關鍵洞見：  Gamma 衡量的是「下跌→波動率放大」的不對稱性，這在權益市場是主導力量（恐慌拋售→VIX 飆升→GARCH 殘差放大）。但在黃金或公債市場，波動率的驅動力完全不同（地緣政治、利率預期），gamma 自然失去預測力。

BTC-USD 更是極端案例：它有自己的波動率生態系統，與 VIX 幾乎無關。BTC 的 gamma 不小（約 0.08-0.12），但這個 gamma 反映的是加密市場內部的槓桿清算，而非傳統意義上的 leverage effect。

邊界 2：MDD 改善是通用的機械效應

令人驚訝的是，雖然 gamma 不能預測 Sharpe 改善，但  MDD 改善與波動率水準的相關性高達 rho=0.944 。

這是一個純粹的機械效應：波動率越高的資產（如 BTC 年化 63%、USO 年化 40%），VT 策略的「減倉」幅度越大，因此 MDD 壓縮越多。這與 gamma 無關，即使 gamma=0 的資產，只要波動率足夠高，VT 也會顯著降低 MDD。

MDD 改善排序與波動率水準高度一致，而非與 gamma 一致。

邊界 3：資產特定 VT 讓 Gamma 變得無關

當每個資產使用自己的 GARCH 預測（而非統一的 12/VIX 規則）來做 VT 時，gamma 的預測力進一步下降。原因很直觀：資產特定的 GARCH 模型已經內化了該資產的波動率動態（包括不對稱性），不需要額外的 gamma 指標來判斷 VT 的效果。

 Gamma 作為跨資產比較指標的價值，前提是使用統一的 VT 規則。  一旦 VT 策略本身已經是資產特定的，gamma 就失去了比較基準。

邊界 4：在純權益中，Gamma 仍然有效

這是好消息。在 VIX 相關性 < -0.4 的權益類資產中（SPY, QQQ, IWM, EEM, EFA, XLE），gamma 與 VT Sharpe 改善的 rho=0.886（p=0.019）。這些資產共享一個關鍵特徵： 恐慌時 VIX 飆升，而 VIX 飆升直接放大了 GARCH 模型的條件波動率估計。 

對於專注美股投資的人來說，gamma 仍然是一個有用的快速篩選工具：gamma 越高的股票/ETF，越能從 VT 策略中獲得 Sharpe 改善。

邊界 5：Gamma 的時間穩定性堪憂

即使在權益類資產中，gamma 也不是常數：

SPY 的 gamma 從 0.33 下降到 0.20，QQQ 從 0.25 下降到 0.16。這可能反映了幾個結構性變化：ETF 被動投資的興起（減少了恐慌拋售的不對稱性）、做市商的算法交易（加速了波動率的均值回歸）、以及 0DTE 選擇權的普及（改變了尾部風險的傳導機制）。

 如果 gamma 本身在衰退，那麼基於 gamma 的預測框架的長期可靠性就值得懷疑。 

四、VIX 相關性：更好的跨資產預測因子

如果 gamma 不是通用預測因子，什麼是？

我們發現  資產與 VIX 的相關性 是更好的跨資產 VT 效果預測因子。邏輯鏈條很清晰：

1. VIX 是 12/VIX 策略的分母
2. 資產與 VIX 的負相關越強，VIX 飆升時資產下跌越多
3. 此時 12/VIX 減倉最大，避開了最大跌幅
4. 因此 VT Sharpe 改善越大

對於與 VIX 無關或正相關的資產（GLD、TLT），12/VIX 策略的減倉時機與資產的下跌時機不匹配，甚至可能在 GLD 上漲時（VIX 飆升、黃金避險需求上升）反而減倉，造成反效果。

五、修正後的 Proposition

原始版本（Phase L-M）

GJR gamma 預測 VT Sharpe 改善（rho=1.000, N=7）

修正版本（Phase Q, Q19）

GJR gamma 預測 VT Sharpe 改善 僅限於同質的權益類資產 （rho=0.886, p=0.019, N=6），但在跨資產類別比較中失效（rho=-0.448, p=0.14, N=12）。 VIX 相關性是更好的跨資產預測因子。MDD 改善是與 gamma 無關的通用機械效應 （rho=0.944 with vol level）。

這個修正不是削弱，而是精確化。一個帶有明確邊界條件的理論，比一個看似通用但經不起檢驗的理論更有價值。

六、實務意義

對美股權益投資人

•  Gamma 仍然有用 ：在選擇 VT 策略的標的時，gamma > 0.10 的 ETF（SPY, QQQ, EEM）比 gamma < 0.10 的（GLD, TLT）更能從 VT 獲得 Sharpe 改善
•  但注意 gamma 在下降 ：定期重新估計，不要用 5 年前的數字

對跨資產配置者

•  不要用 gamma 比較不同資產類別的 VT 效果 ：GLD 的 gamma 低不代表 GLD 的 VT 沒用（MDD 仍然改善）
•  用 VIX 相關性篩選 ：只有 VIX 相關性 < -0.4 的資產適合 12/VIX 策略

對學術研究者

•  Gamma-mechanism 是一個 conditional theory ：報告相關性時必須附帶適用條件
•  MDD 改善 vs Sharpe 改善是兩個獨立機制 ：前者是機械效應（與波動率水準相關），後者是擇時效應（與 gamma/VIX 相關性有關）

結語

科學進步的方式不是發現「永遠正確」的定律，而是不斷精確化定律的適用範圍。Gamma-mechanism 從 rho=1.000 的「完美」降級為帶有五個邊界條件的「條件性理論」，這不是退步，而是從模型的蜜月期進入成熟期。

對投資人而言，最重要的 takeaway 是： MDD 保護是免費的（不需要 gamma 條件），但 Sharpe 改善需要正確的資產類別和正確的 VT 設計。  知道這個區別，就知道何時可以放心使用 VT，何時需要額外謹慎。

實驗階段：Phase Q（Q19 Gamma Boundary Conditions） 核心修正：跨資產 rho=-0.448 (ns) → 權益內 rho=0.886 (p=0.019) 五個邊界條件：VIX 無關資產、MDD 機械效應、資產特定 VT、純權益有效、gamma 時間衰退 修正 proposition：gamma 是條件性預測因子，非通用機制