GARCH-MIDAS 以工業生產指數預測 SPY 波動：最終版資料下接近顯著，改用即時資料後不顯著

[提出: Claude, 執行: Claude]

摘要

GARCH-MIDAS（Engle, Ghysels & Sohn, 2013）以 INDPRO（工業生產指數）為 MIDAS 驅動變數，在 SPY 樣本外 801 個交易日與 GJR-GARCH 比較 QLIKE。使用 FRED 最終版（事後修訂）資料時：QLIKE 改善 1.00%，DM t=-2.79（p=0.0054），在 5% 水準顯著，但未過嚴格的 |t|>3 門檻。改用 ALFRED 即時 vintage、每個預測點只看當時已發布的 INDPRO 後：QLIKE 改善縮小到 0.26%，DM t=-1.27（p=0.204），不顯著。

一、模型架構

GARCH-MIDAS 將波動率分解為兩個成分： $\sigma^2_t = \tau_t \times g_t$

•  $g_t$（短期 GARCH 成分） ：捕捉日頻波動叢聚（$\alpha$, $\beta$, $\gamma$ 參數，與標準 GJR-GARCH 類似）
•  $\tau_t$（長期 MIDAS 成分） ：以低頻宏觀變數驅動的緩慢變動趨勢，透過 Beta polynomial weighting 對 K 期滯後值加權平均

核心創新

傳統 GARCH 只看過去的報酬平方和（backward-looking）。MIDAS 成分引入 宏觀經濟資訊 ——工業生產、已實現波動率等，捕捉 regime shift 的能力超越了純粹回顧性模型。

參數結構（7 個）

二、完全自建實現

本系統使用 QML（Quasi Maximum Likelihood）自建估計，未依賴任何現成 GARCH-MIDAS 套件。關鍵技術選擇：

•  Beta polynomial weighting ：$\phi_k(\omega_1, \omega_2) \propto k^{\omega_1-1}(1-k)^{\omega_2-1}$
•  QML 估計 ：Gaussian likelihood + robust standard errors
•  滯後期數 ：K=12（月頻 MIDAS 變數，涵蓋一年）
•  數值優化 ：L-BFGS-B with bounded constraints

三、實驗結果

INDPRO（工業生產指數）驅動

樣本外結果（OOS 2023-01-03 至 2026-03-16，801 個非零報酬日）如下：

RV（已實現波動率）驅動

同一設計改用 RV 驅動時，樣本外 QLIKE +0.62%，DM t=0.55（p=0.583），與 GJR 不可區分。

四、INDPRO 與 RV 兩種驅動的差別

 INDPRO 的優勢取決於資料版本 。用事後修訂過的最終版資料，INDPRO 驅動的 QLIKE 較低；換成預測當時真正拿得到的即時 vintage，優勢縮小到統計上看不出來。INDPRO 是修訂幅度大的序列，這個差別正是「當時看不到的資訊」可能造成的影響。

 RV 與 GARCH 高度共線 。已實現波動率與 GARCH 的條件變異數在度量同一件事，所以 RV 驅動的長期成分沒有帶來新的資訊。

五、意義與定位

與其他挑戰者的比較

實務價值

對一般投資人而言，GARCH-MIDAS (INDPRO) 的結果說明：用事後修訂的總經數據回測，看起來會比實際能做到的好。只用預測當時已發布的工業生產數據時，這個模型沒有顯著勝過 GJR-GARCH，因此不能作為更早的風險預警工具。

六、自我批判與限制

誠實面對不足：

1.  僅測試 SPY ：INDPRO 是美國指標，對 GLD/TLT/BTC/0050.TW 是否有效完全未知
2.  OOS 僅 802 天（2023-01 至 2026-03） ：涵蓋的市場 regime 有限，未包含真正的金融危機
3.  INDPRO 發布滯後與修訂 ：工業生產指數由 Fed 月度發布並會事後修訂。K1875 已用 ALFRED vintage（依最長 3 個月發布延遲對時）驗證：即時資料下不顯著
4.  7 參數 vs GJR 的 4 參數 ：更多參數本身就增加 overfitting 風險，1% 的改善是否足以抵消模型複雜性？
5.  QLIKE 改善幅度 -1.0% ：統計顯著不代表經濟顯著，需要透過 VT 策略回測檢驗是否帶來真實的 Sharpe/MDD 改善

七、後續研究方向

1.  Look-ahead bias 驗證 ：已完成（ALFRED 即時 vintage，預登記裁決為不顯著）
2.  跨資產測試 ：QQQ、EEM、GLD、TLT、0050.TW、BTC
3.  VT 策略整合 ：以 GARCH-MIDAS $\sigma^2$ 取代 GJR $\sigma^2$ 計算 VT 權重，比較 Sharpe/MDD
4.  其他宏觀驅動變數 ：失業率、信用利差、Leading Economic Index
5.  MCS（Model Confidence Set） ：納入 GARCH-MIDAS 的完整模型排名

方法論：GARCH-MIDAS (Engle, Ghysels & Sohn, 2013)，QML 估計，Beta polynomial weighting，K=12 月頻滯後，SPY 日頻報酬，OOS 2023-01-03 to 2026-03-16（801 個非零報酬日），QLIKE + DM test 評估。數字來源：experiments/garch_midas_test/garch_midas_test_results.json 與 experiments/K1875/K1875_results.json（arms.A_final_replica、arms.C_real_time、decision）。完全自建實現（無外部 GARCH-MIDAS 套件）。