[提出: Gemini(directions), Codex(review), 執行: Claude]

Phase R: GARCH 的三個應用領域，波動預測、風險測量、VRP Timing

摘要

Phase R 的核心問題是： GARCH 模型的應用邊界在哪裡？  我們設計了四項實驗，分別測試 GARCH 在宏觀預測、選擇權 timing、因子策略、策略切換四個方向的表現。結論極為清晰——GARCH 有且僅有三個有價值的應用領域，超出這三個領域的所有嘗試全部產生 null result。本文是 Phase R 四項實驗的完整彙整與方法論反思。

四項實驗總覽

四項實驗中，三項是 null result，只有一項成功。這個比例本身就是一個重要的方法論訊息： 在成熟的統計模型上尋找新應用，多數嘗試會失敗。 

實驗 R1: GARCH Persistence 不能預測宏觀

假說

Bloom (2009) 發現不確定性衝擊會導致經濟活動收縮。如果 GARCH 的 persistence 參數（$\alpha$+$\beta$）接近 1，代表波動率衝擊消散緩慢，是否能預示宏觀衰退？

結果

 完全失敗。  GARCH persistence 對 GDP 成長、失業率、ISM 指數的預測能力均不顯著。原因很簡單： VIX 本身已經是 Bloom mechanism 的最佳代理變數 。GARCH 估計的 persistence 是一個二次加工的統計量，它用歷史報酬估計波動率的持續性，但 VIX 直接從選擇權市場價格中提取前瞻性的不確定性資訊。試圖用 GARCH 的後視統計量去替代 VIX 的前瞻資訊，在邏輯上就站不住腳。

教訓

GARCH 是一個 條件波動率估計器 ，不是宏觀預測工具。它擅長的是回答「明天的波動率是多少？」而不是「經濟會不會衰退？」這兩個問題看似相關，實則屬於完全不同的預測層次。

實驗 R2: VIX/GARCH Ratio Timing——唯一的新突破

假說

VIX 代表市場對未來波動率的「定價」，GARCH 估計「應有」的波動率。兩者比值（VIX/GARCH ratio）衡量的是選擇權的相對貴賤程度。當 ratio > 1.5，代表市場為波動率支付了過高的溢酬，此時賣出波動率應該有利可圖。

結果

這是 Phase R 唯一的正面結果，也是整個研究計畫中 GARCH 在衍生品層面的首個應用突破。VIX/GARCH ratio 與 straddle alpha 之間呈現完美的單調遞增關係——ratio 越高，賣出波動率越有利；ratio < 0.8 時應完全避免賣出波動率。

重要限制

必須強調： 以上數字來自 Black-Scholes 模擬 ，未考慮 bid-ask spread（SPY 選擇權約 3-5%）、保證金要求、gamma 風險和流動性問題。我們有信心的是 timing signal 的有效性，而非具體 P&L 的可實現性。Covered call 等較保守的策略可能是更實際的應用方式。

實驗 R3: Factor VT 的 Post-Publication Decay

假說

Moreira & Muir (2017) 發現用波動率反比調整因子曝險（factor volatility targeting）可以提高 Sharpe ratio。我們測試這個方法在 2016-2026 的 OOS 表現。

結果

 Out-of-sample 完全無效。  2017 年論文發表後的十年數據中，factor VT 相對於 buy-and-hold 沒有任何顯著的 Sharpe 改善。這是學術金融中典型的 post-publication decay——一旦一個策略被廣泛認知，市場參與者的行為調整會消除原有的異常。

教訓

這不僅是 factor VT 的問題，也是所有基於歷史異常的策略的通病。 我們自己的 12/VIX VT 策略也必須持續監控是否出現類似的衰減。  目前 12/VIX 的邏輯更接近「機械性風控」而非「exploiting anomaly」，因此衰減風險較低，但絕不能假設它會永遠有效。

實驗 R4: Gamma-Momentum 切換的結構性障礙

假說

GJR-GARCH 的 $\gamma$ 參數衡量槓桿效應的強度。如果 $\gamma$ 值在不同 regime 間有顯著變化，我們可以用 $\gamma$ 切換來動態選擇 GJR 或 momentum 模型。

結果

 ETF 層級的 $\gamma$ 太穩定，無法產生有意義的切換信號。  SPY 的 $\gamma$ 在整個樣本期間幾乎恆定在 0.10-0.15 之間。這是因為 ETF 是高度分散化的投資組合，個股層面的 $\gamma$ 變異被平均掉了。

教訓

GARCH 參數的穩定性在預測上是優點（模型可靠），但在策略切換上是缺點（沒有信號變化）。 想用 GARCH 參數做 regime switching，需要在個股或行業層面操作 ，而不是 ETF 層面。

結論：GARCH 的完整應用邊界圖

Phase R 的四項實驗，加上先前 Phase A-Q 的所有累積發現，讓我們可以精確劃定 GARCH 模型的應用邊界：

GARCH 有價值的三個領域

GARCH 沒有價值的四個方向

方法論啟示

這張邊界圖的意義不僅在於告訴我們「GARCH 能做什麼」，更在於告訴我們「不需要再試什麼」。Phase R 之後，我們可以明確地說：

1.  波動率預測已到天花板 ——GJR-GARCH 是最佳日頻模型，除非引入高頻數據（HAR-RV、Realized GARCH），否則不可能再改善。
2.  風險測量已有成熟方案 ——Skewed-t 分佈加 FHS bootstrap 可以涵蓋大多數需求。
3.  VRP Timing 是唯一新方向 ——但需要真實選擇權數據才能從模擬走向實務。
4.  其他方向全部關閉 ——宏觀、因子、切換策略均已排除，不值得再投入資源。

Complexity Ceiling 的確認

Phase R 也再次確認了我們的核心發現之一： complexity ceiling 。在日頻、ETF 層級的波動率研究中，複雜模型（LSTM、hybrid、multi-factor）不會勝過簡單模型（GJR-GARCH、12/VIX）。原因是日頻報酬的殘差近似 i.i.d.——沒有可被更複雜模型捕捉的非線性結構。

 唯一能突破 complexity ceiling 的路徑是引入新的資訊維度 ——高頻數據（5-min RV）、跨市場數據（全球波動率傳遞）、或選擇權市場數據（真實 VRP）。這將是後續研究的方向。

下一步

1.  VRP 實證深化 ：取得真實 SPY 選擇權歷史數據，測試 VIX/GARCH ratio 在扣除 bid-ask spread 後的實際 alpha
2.  HAR-RV 解禁 ：等待 5-min 數據累積至 252 天以上，正式比較 HAR-RV 與 GJR-GARCH
3.  跨市場波動率傳遞 ：研究美股→台股的波動率溢出效應（Diebold-Yilmaz connectedness）

本文為 VolPred Research System Phase R 的完整總結。研究方向由 Gemini 建議、Codex 提供審查意見，實驗設計與執行由 Claude 完成。