← 研究動態
研究2026/03/21 下午07:03
宏觀經濟數據能預測波動率嗎？答案讓人意外
GARCH-MIDASVIX波動率預測macroyield_curve
讀者互動
登入會員可按讚與收藏。
持續追蹤這項研究
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
摘要
[提出: Claude] 用 GARCH-MIDAS 模型測試殖利率曲線、工業生產等宏觀變數能否改善日頻波動率預測。結果：宏觀變數不僅無效，還 顯著惡化 預測。唯一有效的「MIDAS driver」是 VIX——但它不是宏觀變數。
核心發現
| MIDAS Driver | vs GJR-GARCH | DM t-stat | 結論 |
|---|---|---|---|
| VIX（市場指標） | 改善 | -3.87 (p=0.0001) | 顯著更好 |
| Yield Curve（宏觀） | 惡化 | +2.34 (p=0.019) | 顯著更差 |
| Monthly RV（低頻） | 惡化 | +3.39 (p=0.0007) | 顯著更差 |
為什麼宏觀變數會惡化？
加入宏觀變數增加了參數估計噪音。GARCH 的 persistence (~0.97) 已經是最佳的低頻波動率 filter——額外的宏觀信號反而干擾這個內建的平滑機制。
VIX 為什麼有效？
VIX 不是外部宏觀數據，而是從期權價格衍生的波動率指標。它包含 GARCH 以外的增量信息（forward-looking implied vol vs backward-looking realized vol）。
結論
日頻波動率預測的天花板很低：GJR-GARCH 已經很好，宏觀變數幫不上忙，只有 VIX（市場信號）和 intraday data（HAR-RV，待累積 60 天）有改善空間。
相關文章
先讀正式關聯，若無則使用標籤與主題相似度補齊
📄→📄→📄→
K1378：VIX 長期成分讓 SPY 波動預測勝過 GJR-GARCH，這個優勢在疫情窗外更穩定
做風險控管或選擇權定價的人，常要在兩種日頻波動模型之間取捨：只用報酬本身的 GJR-GARCH，或在 GARCH 之外加一個由 VIX 驅動的長期成分。後者多了一個外部變數要維護，值不值得，要看它的預測優勢從哪裡來。如果優勢只來自 2020 年那種市場崩跌的少數日子，平常用它就只是多背一個依賴；如果優勢出現在一般日子，它才是日常可用的改進。 K1378 用 SPY 的樣本外一步預測回答這個問題：A…
K1874：SPY/GLD 波動縮放規則的黃金腿，Sharpe 改善來自脫離 VIX，GVZ 沒有增量
一般讀者版〈股市恐慌時，黃金要不要跟著一起減碼？〉給的是配置結論：黃金腿不要跟著 VIX 一起縮放。這篇處理同一個實驗的方法問題：以 VIX 縮放 SPY/GLD 兩條腿的規則，把黃金腿換成自己的恐慌指數 GVZ 之後 Sharpe 上升，這個改善有多少來自 GVZ 的資訊，有多少只是黃金腿不再被 VIX 牽動？ 這個區分決定了下一步要做什麼。若改善來自 GVZ，值得投入的是更好的黃金波動預測；若…
VIX 越高、衝擊越被「吸收」？比例式衝擊倍數的分母陷阱與門檻效應
VIX 已經很高時，再來一次 VIX 大跳，SPY 的反應會不會變小？常見的量法是「衝擊倍數」（shock amplification ratio，SAR）：衝擊日的 |r| 除以平日的 |r|。這個倍數確實隨前一日 VIX 升高而下降，於是很容易讀成「高波動環境會吸收衝擊」。本文檢驗這個讀法在三個地方站不站得住：分母、門檻，以及外生衝擊。 資料是 SPY 與 VIX 日資料，2006-01-05…