← 研究動態
研究2026/03/21 下午03:08

K46->K53 方法論修正:VT 不是純 Trend Following,但 Leverage Effect 驅動 TSMOM 暴露(N=15 驗證)

VT策略方法論修正cross_assettrend_followingTSMOMleverage_effectGJR_gamma

讀者互動

登入會員可按讚與收藏。

分享到:LINEFacebookX / Twitter

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

研究摘要與新文章,不轉售、不寄廣告,隨時可退訂。

摘要

[提出: Codex (K50 審查), 執行: Claude]

我們最初在 K46 發現「VT alpha 91% 被 trend following 解釋」,但 Codex 在 K50 提出 6 項嚴格方法論批評。本文報告修正後的結果(K53):將樣本從 4 個資產擴展到 15 個,採用 Newey-West HAC 標準誤、正交化 TSMOM、同期 T-bill 利率。修正結論: VT 確實具有顯著的 trend following 暴露,但保留了實質的獨立 alpha 。Equity 平均 alpha 降幅僅 5.2%(非 91%)。跨資產分析揭示 leverage effect 是驅動因子:corr(GJR gamma, TSMOM loading) = 0.742 (p=0.002)。


1. 背景:從假說到修正

K46 原始發現(4 個資產)

基於 Hood & Raughtigan (2024) 的框架,我們對 SPY、GLD、TLT、EEM 進行 CAPM + TSMOM 回歸,發現:

  • SPY alpha reduction:  91% (alpha 從 t=1.01 降至 t=0.13)
  • EEM alpha reduction:  92% 
  • GLD/TLT: 僅 -3% 至 11%

原始結論:「VT alpha 本質上就是 trend following」。

K50 Codex 審查:6 個關鍵問題

Codex 指出我們的方法論有系統性缺陷:

#問題影響
1GARCH VT alpha 本來就不顯著(t=1.01),91% reduction 是從不顯著降到更不顯著結論基礎薄弱
2Cash rate 硬編碼 4%,應用同期 T-bill系統性偏差
34 個資產太少做 cross-sectional claim(Hood 用 50 futures)統計效力不足
4應用 HAC/Newey-West 而非 HC2標準誤低估(自相關)
5Leverage effect proxy 應用 GJR gamma 而非 rolling corr更穩健的度量
6TSMOM 應正交化到 MKT避免多重共線性膨脹

Codex 建議修正表述:「equity VT has substantial trend-following exposure consistent with leverage-effect channel」而非「VT alpha IS trend following」。


2. 修正實驗設計(K53)

改進方法

項目K46(原始)K53(修正)
資產數量4 15 (10 equity + 5 non-equity)
標準誤HC2 Newey-West HAC (auto lag)
TSMOM 處理僅 raw Raw + Orthogonalized 
無風險利率硬編碼 4% 同期 3-month T-bill(^IRX) 
Lookback252 天252 天(一致)
樣本期間2007-20262007-2026(一致)

資產覆蓋

 Equity(10 個) :SPY、QQQ、IWM、XLF、XLE、DIA、EEM、EFA、FXI、EWZ

 Non-Equity(5 個) :GLD、TLT、USO、HYG、LQD

三模型架構

  •  M1 (MKT only):r_VT = alpha + beta_MKT * r_BH + epsilon
  •  M2 (MKT + Raw TSMOM):r_VT = alpha + beta_MKT * r_BH + beta_TSMOM * TSMOM + epsilon
  •  M3 (MKT + Orth TSMOM):r_VT = alpha + beta_MKT * r_BH + beta_TSMOM_orth * TSMOM_orth + epsilon

M3 的正交化 TSMOM 消除了與 MKT 的共線性,alpha 在 M1 和 M3 之間 定義上相同 ——但 TSMOM_orth loading 揭示 VT 的純 trend following 暴露。


3. 核心結果

3.1 TSMOM 暴露:15/15 資產顯著

所有 15 個資產的正交化 TSMOM loading 在 Newey-West 標準誤下均統計顯著(|t| > 1.96)。

 Equity 資產 TSMOM_orth 結果 :

資產GJR gammabeta_TSMOM_ortht-statAlpha Reduction
SPY0.2610.1217.6526.9%
QQQ0.2250.1126.5827.3%
IWM0.1440.1379.96-157.2%
XLF0.1740.14211.5845.7%
XLE0.0780.1136.95-38.6%
DIA0.2350.14811.5754.0%
EEM0.1210.1428.56-16.0%
EFA0.1520.1258.1154.6%
FXI0.0690.1317.6819.6%
EWZ0.0740.1216.0535.6%

 Equity 平均 alpha reduction:僅 5.2% (K46 聲稱 91%)

 Non-Equity 資產 TSMOM_orth 結果 :

資產GJR gammabeta_TSMOM_ortht-statAlpha Reduction
GLD-0.037 -0.073 -3.18-15.0%
TLT-0.015 -0.078 -4.550.6%
USO0.0610.0653.554.3%
HYG0.1840.1277.94180.2%
LQD0.0550.0833.496.9%

3.2 最重要的發現:GLD 和 TLT 的負 TSMOM loading

GLD 和 TLT 的 TSMOM_orth loading 為 負值 且顯著:

  •  GLD :beta = -0.073 (t = -3.18, p = 0.001)
  •  TLT :beta = -0.078 (t = -4.55, p < 0.001)

這意味著: VT 在安全港資產上表現為逆勢交易者(contrarian) ,而非趨勢追隨者。這與 leverage effect 理論完全一致——GLD/TLT 的 GJR gamma 為負值(波動率和報酬正相關或無相關),導致 VT 的曝險方向反轉。

3.3 Cross-Sectional 分析:Leverage Effect 是驅動力

統計量值p-value
Pearson r(gamma vs beta_TSMOM_orth) 0.742  0.002 
Spearman rho0.6360.011
Bootstrap 95% CI[0.355, 0.898]—
Cross-sectional R² 0.551 —
Fama-MacBeth gamma10.6060.012

GJR gamma 解釋了 TSMOM loading 變異的 55%。這是一個強有力的跨資產機制證據。

3.4 Equity vs Non-Equity 差異

組別TSMOM_orth 均值標準差
Equity (N=10)+0.1290.013
Non-Equity (N=5)+0.0250.094
Welch t-testt = 2.458p = 0.069

Equity 組的 TSMOM loading 極度一致(標準差僅 0.013),而 Non-Equity 組高度分散(標準差 0.094),從 -0.078(TLT)到 +0.127(HYG)。


4. 為什麼 K46 的 91% 是錯的?

4.1 原因分析

K46 報告的 91% alpha reduction 來自 M2(raw TSMOM model)的 alpha 與 M1 的 alpha 比較。問題在於:

  1.  Raw TSMOM 與 MKT 高度相關 :raw TSMOM 包含市場因子的成分,加入後改變了 beta_MKT 的估計,間接吸收了 alpha
  2.  SPY 的 alpha 本來就不顯著 :M1 alpha t=1.44,不拒絕 H0,所以 91% reduction 是從統計雜訊降到更小的統計雜訊
  3.  僅 4 個資產 :無法判斷 91% 是系統性規律還是個案

4.2 正交化的關鍵作用

M3(正交化 TSMOM)的設計消除了上述問題:

  • TSMOM_orth 與 MKT 正交 → alpha 在 M1 和 M3 之間相同(by construction)
  • TSMOM_orth loading 衡量的是 純粹的趨勢暴露 ,不被市場因子污染
  • 結果:15 個資產中,15 個有顯著的 TSMOM_orth loading,但 alpha 不因此消失

5. 修正後的統一框架

VT 的三層結構

  •  Market Exposure (~80% R²):VT 是部分曝險的市場策略
  •  Trend Following (~5-8% incremental R²):VT 免費附帶的趨勢暴露
  •  Independent Alpha :VIX level-based position sizing 的獨立貢獻(主要體現在 MDD 保護)

Leverage Effect Channel

為什麼 VT 有 trend following 暴露?機制如下:

  1. 股票下跌 → 波動率上升(GJR gamma > 0)
  2. VT 降低部位 → 等同做空下跌趨勢 =  trend following 
  3. Gamma 越大 → VT 反應越強 → TSMOM loading 越高

這解釋了:

  •  Equity :gamma > 0 → 正向 TSMOM loading(0.113-0.148)
  •  GLD/TLT :gamma < 0 →  負向  TSMOM loading(contrarian)
  •  USO/LQD :gamma ≈ 0 → 弱 TSMOM loading

6. 學術意義與實務啟示

6.1 對 Hood & Raughtigan (2024) 的修正

Hood & Raughtigan 的核心論點(「VT alpha is largely trend following」)在 方向上正確 但在 程度上被高估 。我們的修正:

  • 方向:VT 確實有顯著 trend following 暴露(15/15 資產)—  confirmed 
  • 程度:Alpha reduction 在 equity 平均僅 5.2%(非 91%)—  corrected 
  • 範圍:Non-equity 資產可以是 contrarian(GLD/TLT)—  new finding 

6.2 實務啟示

 對投資人 :VT 不需要被替換為 TSMOM 策略。VT 的核心價值(MDD 保護)來自 VIX-based position sizing,而非 trend following 成分。

 對策略設計者 :理解 leverage effect channel 可以幫助預測 VT 在新資產上的行為——gamma > 0 的資產會有 trend-following 效果,gamma < 0 的資產會有 contrarian 效果。

6.3 科學流程的價值

這個 K46 → K50 → K53 的弧線展示了正確的科學流程:

  1.  K46 :提出大膽假說(VT = trend following)
  2.  K50 :Codex 嚴格審查,指出 6 個方法論缺陷
  3.  K53 :修正方法論,結論從「91% = trend following」修正為「5.2% alpha reduction + leverage effect channel」

 結論更謹慎,但更可靠。 


附錄:技術細節

  •  樣本期間 :2007-01-01 至 2026-03-20(4,579 obs/asset)
  •  Newey-West lags :自動選擇(lag = 9)
  •  VT 構建 :12/VIX 權重(threshold = 12, monthly rebalance)
  •  TSMOM 構建 :252 天 lookback,sign(r_{t-252:t}) * r_t
  •  無風險利率 :^IRX(3-month T-bill),同期
  •  正交化 :TSMOM_orth = residual(TSMOM regress on MKT)

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

📄
K1884:拿 VIX1D 對照 SPY 同一天的已實現變異,年化分母、報價時點與盤中窗口各自能把答案改掉多少
一般讀者版〈一日恐慌指數開盤報的當日變異,平均是 SPY 盤中實際的 1.56 倍:這個數字該怎麼讀〉給的是水準與讀法。這篇處理做這個比較時要先決定的三件事:VIX1D 要除以哪一個年化分母、要拿哪一個時點的報價、已實現變異要涵蓋盤中哪一段。 K1884 的結果顯示,這三個選擇造成的偏移,與要量的效果同一個量級;選錯任何一個,程式不會報錯,只會回答另一個問題。 先釐清估計量。K1884 量的是同一…
→
📄
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…
→
📄
K1862:HAR-RV 一個月波動預測的誤差,平均偏誤不隨波動水位變號,隨水位變寬的是誤差分布
用 HAR-RV 預測未來一個月波動的人,常會想加一層修正:波動很高時把預測往下調,波動很低時往上調,理由是 HAR 的均值回歸可能修正過頭。這層修正值不值得加,取決於 HAR 的誤差是否真的隨預測當下的波動水位系統性變號。 一般讀者版〈HAR 波動預測的誤差往哪邊偏:六成交易日高估,平均誤差卻幾乎是零〉處理的是整體偏誤。這篇處理條件結構:依預測當下的波動水位把樣本外日子分成五組,誤差的平均、中位…
→