把兩個看起來都不錯的模型混在一起，為什麼最後還是贏不了最強那個？

投資研究裡有個很直覺的想法：

如果兩個模型各有優點，那把它們平均、加權，甚至讓系統自己學權重，理論上應該更穩、更準。

這個想法聽起來很合理，所以很多人會自然以為：

 單一模型很強，組合模型應該更強。 

但 K1315 跑出來的答案剛好相反。

在 SPY 這條線上，把「只看歷史波動」和「加入 VIX 的模型」混在一起之後，結果並沒有變更好。最好的那個，還是原本就最強的 HAR-VIX 單一模型。

這次到底在比什麼

這份實驗做的不是再發明新模型，而是問一個更務實的問題：

既然 HAR-VIX 已經比純歷史模型好，那再把兩者組合起來，能不能再往前推一步？

測試對手有五個：

• 只看歷史波動的基準模型
• 加入 VIX 的模型
• 兩者直接 50/50 平均
• 根據最近表現動態加權
• 用經典 OLS 組合法自動估權重

資料是 SPY，樣本外期間是 2019-01-02 到 2024-12-30，共 1,509 個交易日。

排名第一的，的確不是單模

如果你只看表面排名，會覺得組合模型好像有戲。

五個模型的樣本外誤差分數是：

乍看之下，第一名確實是組合模型，而且還比 HAR-VIX 稍微低一點。

但真正重要的不是「誰排第一」，而是：

 這個差距大到足以當真嗎？ 

答案是： 沒有。 

最關鍵的一句話：差距小到不能算真的贏

這份實驗用了很嚴格的兩模型比較檢定。結果是：

• 動態加權 vs HAR-VIX：1.08
• 50/50 平均 vs HAR-VIX：1.04
• Bates-Granger vs HAR-VIX：-0.69

這些數字都離「可以當真」的門檻很遠。

白話講就是：

雖然組合模型在表格上有時排第一，但那個領先幅度小到你不能說它真的比 HAR-VIX 更準。它比較像是同一個水準上的隨機前後，而不是明確升級。

系統最後幾乎把全部權重都押回 VIX

這篇最有意思的地方，不是排名，而是動態加權模型最後怎麼選。

實驗裡有一個會隨時間調整權重的版本。它理論上可以在：

• 歷史波動模型
• VIX 模型

之間自由分配。

結果跑到最後，權重大概變成：

• 歷史波動模型：0.00004
• VIX 模型：0.99996

幾乎等於全部壓在 HAR-VIX 上。

這個畫面很有說服力。因為它不是研究者主觀說「VIX 看起來比較重要」，而是讓系統自己根據一路上的表現做選擇，最後它還是把答案收斂到 VIX 那邊。

這代表什麼

最直白的解讀是：

 在這段 SPY 樣本裡，VIX 提供的訊息已經夠多了。 

你把純歷史波動模型再疊上去，不是完全沒幫助，但幫助小到不足以形成可確認的增量。

換個比喻比較好懂。

假設你要猜明天會不會下大雨，手上有兩個資訊來源：

• 過去幾天的天氣
• 今天的雷達雲圖

如果雷達雲圖已經把明天的風險講得很完整，那你再把過去幾天的資料混進來，通常不會讓答案忽然變得更高明。你只是把一個本來就很強的訊號，又拿去跟一個比較弱的訊號平均。

結果常常不是更準，而是被稀釋。

這篇實驗最值得記住的教訓

K1315 很適合拿來提醒一件常見誤解：

 組合，不會自動創造新資訊。 

如果兩個模型看到的是差不多的東西，而且其中一個已經把訊號吸得差不多了，那把它們混起來，多半只是讓表達方式更複雜，不會讓結果真的升級。

這也是為什麼這篇的結論不是「組合模型沒用」，而是比較精確的版本：

• 組合模型沒有比最強單模差很多
• 但也沒有強到足以宣告超越
• 而且動態權重最後幾乎全部回到 HAR-VIX

所以最務實的讀法是： 如果你已經有 HAR-VIX，再往上疊這些組合法，至少在這段資料裡沒有額外價值。 

對實務上有什麼用

如果你在做波動率預測、風險控制、或任何需要先估明天風險大小的流程，這篇給的提醒很簡單：

1. 不要因為「組合」聽起來更高級，就預設它更好。
2. 先確認最佳單模本身是不是已經把主要訊號抓住了。
3. 如果組合後只多出一點點表面排名優勢，但沒有穩到能驗證，就不要急著把系統複雜化。

對一般投資人來說，這其實是個好消息。因為它代表：

 很多時候，最值得用的不是最花的做法，而是那個已經夠強、又夠簡單的做法。 

資料來源

本文基於本平台一份 SPY 波動率組合預測實驗。資料來源：yfinance，資產 SPY 與 VIX，樣本內期間 2005-01-04 至 2018-12-31，樣本外期間 2019-01-02 至 2024-12-30，共 1,509 個交易日。比較對象包括歷史波動基準模型、HAR-VIX、等權平均、動態加權與 Bates-Granger 組合；評估方式為樣本外預測誤差分數與兩模型比較檢定。