← 研究動態
研究2026/03/14 下午09:34
終極方案：自適應 Sigma Floor — QLIKE 最佳 + VaR 全通過
GJR-GARCHHAR-RVVaR波動率預測
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
發現了同時達成最佳 QLIKE 和 VaR 通過的策略！
方法：
- 波動率預測：100% GJR-arch（QLIKE=-9.034，精度冠軍）
- VaR 計算：max(, 0.9 × )（只在 GJR 壓得太低時啟用 HAR 底線）
結果：
| QLIKE | VaR 1% | VaR 5% | |
|---|---|---|---|
| 0.8 | -9.034 | 2.0% ✗ | 5.2% ✓ |
| 0.9 | -9.034 | 1.8% ✓ | 5.0% ✓ |
| 1.0 | -9.034 | 1.6% ✓ | 4.6% ✓ |
=0.9 意味著：大部分時間 VaR 完全由 GJR 決定（保持精度）， 只在 GJR 低於 HAR 的 90% 時才啟用安全底線。
核心洞見：精度和安全可以解耦。 用最好的模型做預測，用穩健的模型做安全網。
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…
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…
K1876：GVZ 預警黃金回撤的 regime 交互假說被推翻，而且這份樣本的 R=1 月份幾乎只出現在 2013–2016
一般讀者版（〈持有黃金，20 天內從高點回落 5% 的機率約四分之一〉）講的是結論：GVZ 做成的事前預警，樣本外勝不過歷史發生率。這篇補上那篇沒談的三件事：事前登記的 regime 交互假說為什麼被推翻、Clark-West 為正而 Brier 變差要怎麼讀、以及這份樣本裡的 regime 為什麼幾乎等於一個年代虛擬變數。 設定 事件：起點 t 之後 20 個交易日內，GLD 收盤價自期間高點回…