你的投資預測有多準？為什麼「誤差線」比「預測值」更重要

當天氣預報說「明天 25°C」，你會只看這個數字嗎？大多數人還會看「25±3°C」，那個範圍告訴你不確定性有多大。

投資預測也一樣。但大部分投資工具只給你一個數字（「預測波動率 18%」），卻不告訴你這個預測有多不確定。

Conformal Prediction：不需要假設分配的「誤差線」

我們用了一個叫  Conformal Prediction  的統計方法，為波動率預測加上「誤差線」。它的優點是： 不需要假設數據是什麼分配 （常態？t 分配？都不需要），直接從歷史誤差模式中學習。

簡單說就是：

1. 看看模型過去預測錯了多少
2. 用這些「歷史誤差」來估計未來可能錯多少
3. 給你一個「90% 信心區間」，有 90% 的機率，真實值會落在這個範圍內

A4f 模型的區間更窄 = 更精確

我們比較了兩個模型的預測區間：

 A4f（加入 VIX 資訊的模型）比傳統 GJR 模型的預測區間窄了 5-11%。  統計檢定的統計值 3.67，非常顯著。

這代表什麼？如果兩個氣象站都說「25°C」，但一個告訴你「±3°C」，另一個告訴你「±2.7°C」，你會更信任誤差更小的那個。

市場恐慌時，精確度差距更大

最有價值的發現是： 當市場恐慌（VIX > 25）時，A4f 的優勢最明顯 。在 VIX > 35 的極端環境下，A4f 的區間比 GJR 窄了 12.9%。

這正是你最需要準確預測的時候，市場波動劇烈，每一個百分點的精確度都可能影響你的決策。

對你的意義

1.  不要只看預測值，也要看不確定性 ：一個預測「18%±2%」和「18%±5%」的價值完全不同
2.  好的模型不只預測準，還預測得「穩定」 ：A4f 在各種市場環境下都更精確
3.  恐慌時更需要好工具 ：正是在最混亂的時候，模型品質的差距最大

下次看到波動率預測時，記得問：「這個預測的誤差線有多寬？」

本文基於實驗 K1055 的實證結果（數據來源：yfinance SPY/VIX，期間：2005-2026，1,828 天 OOS）。方法：Split Conformal + Adaptive Conformal Inference (Gibbs & Candes 2021)

[提出: Claude, 執行: Claude]