複雜模型越疊越笨？當你手握十幾個量化指標，用四道檢查門避開過度擬合與模型過載

在量化交易與策略開發的世界裡，幾乎每個研究者都踩過同一個陷阱： 當一個簡單模型運作得還不錯時，直覺會驅使你為它加上更多層複雜邏輯。 

看到市場波動忽高忽低，就想加入「兩狀態切換」或「多重碎形」機制；覺得參數固定太死板，就設計「每日動態權重漂移」或「線上 Conformal 混合」；嫌傳統統計模型太老舊，就把最新熱門的「時序基礎 AI 模型」或「貝氏 MCMC 抽樣」搬進估計流程。

這些新機制在論文或宣傳上聽起來都無比精妙，每一層數學都有極其漂亮的理論依據。但在實戰中，把十幾個複雜指標與模型疊在一起，隔天的預測真的會變準嗎？還是你只是付出了龐大的維護算力，卻買回了一堆在樣本外瞬間崩潰的過度擬合（Overfitting）與噪音？

本期精選導讀，我們攤開過去數月在美股（SPY、QQQ、TLT、GLD）、日股（^N225）、台股（0050.TW、TX）跨市場超過兩萬筆逐日預測的八項嚴格實驗。結果展示了一個極其殘酷的量化現實： 絕大多數精心設計的複雜擴充機制，在樣本外（Out-of-Sample, OOS）的嚴格擂台上，全數輸給了一行只有兩三個參數的簡單老公式。 

為了防止你的交易系統被「複雜度幻覺」綁架，本期將為你建立一套可立即套用的運算審核機制—— 「模型優化四道檢查門 (Four Quality Gates for Model Optimization & Selection)」 。

本期唯一要你帶走的東西：模型優化四道檢查門

當你準備在交易系統中引入新變數、動態權重或複雜 AI 模型時，請不要被漂亮的擬合曲線誘惑。把新模型送進這四道檢查門，順序不能顛倒：

•  基準比較門 ：我已經拿新模型跟只有 2-3 個參數的傳統 Baseline 進行樣本外 兩模型比較顯著 檢定。
•  權重穩定門 ：我驗證過動態權重調整的表現，確信它贏過簡單的等權重平均（Equal-Weighting）或靜態裁減。
•  尺規一致門 ：我在至少兩把不同物理意義的損失函數（如 MSE 與 Patton QLIKE）下核對過排名，確認沒有出現相反的方向訊號。
•  邊際成本門 ：新模型帶來的點預測提升已跨過 嚴格統計 統計顯著門檻，足以合理化額外增加的算力與維護複雜度。

四關全過，新模型才有資格進入你的正式投組；只要卡在任何一關，最務實的選擇就是把它留留在研發實驗室，繼續使用簡單穩健的 Baseline。

下面我們結合八篇本土與跨國量化實證，逐門拆解。

第一門：基準比較門，複雜機制真的打得贏一行老公式嗎？

當研究者對舊模型感到不滿時，第一個直覺往往是「多加一層狀態切換」或「讓參數隨時間平滑過渡」。

在 〈把市場拆成四層開關：贏了兩狀態切換，也贏了教科書模型，卻沒贏過一行老公式〉 裡，我們測試了一套理論極其優雅的「多重碎形 / 多層狀態開關模型」。這套模型假設市場波動的記憶不只一層：短線有新聞與當沖追價，長線有利率與資金循環。研究者估計了跨美股大盤（SPY）、科技股（QQQ）、黃金（GLD）、長債（TLT）與台股（0050.TW）共 5 檔資產，樣本外合計  9,351 筆逐日預測 。

結果如何？這套四層開關模型確實贏了傳統的兩狀態切換模型，也贏了陽春教科書版，但在最終樣本外對決中， 它依然沒有打贏只有三個參數的老牌 HAR-RV 與 GJR-GARCH 公式 。

類似的教訓發生在 Smooth Transition GARCH（STGARCH）上。在 〈把 GARCH 改聰明反而更笨：3 種 STGARCH 在 SPY 上全輸給老派 GJR〉 中，我們嘗試讓 GARCH 的係數依照市場狀態（分別以 VIX、絕對報酬、滯後波動率作為平滑切換指標）進行動態過渡。在 SPY 2023 年至 2024 年共 502 個樣本外交易日的嚴格測試中，這 3 種「變聰明」的 STGARCH 變體，QLIKE 評分 全數輸給了最老派的 GJR-GARCH 。

為什麼加了多重開關或平滑切換，預測反而更笨？因為在樣本內估計時，多出來的參數非常擅長「解釋」過去的歷史噪音；但一進到樣本外，這些敏感的切換機制就變成了預測特性的脆弱點。

 第一門的判決：任何複雜機制在上線前，必須先放在 3 參數老 Baseline（如 HAR-RV 或 GJR-GARCH）隔壁跑 OOS 對戰。如果連老 Baseline 都打不贏，模型再優雅也只是精美的負擔。 

第二門：權重穩定門，天天動態調整權重，真的比較聰明嗎？

如果你手頭有四五個表現都不錯的模型，下一個誘人的想法是：「我不選單一模型，我讓它們每天依據近期表現動態調整權重（Dynamic Weighting / Online Blending）。」

在 〈讓模型的權重每天自己漂移，隔天的波動會更好猜嗎？四格對戰輸掉三格，唯一贏的那格不能算〉 中，漂移的是另一種權重：同一條 HAR 預測式裡的係數，跟幾個模型之間怎麼分配無關。我們讓係數每收到一天新資料就微調一次（時變參數的卡爾曼濾波），在美股 SPY 與台股 0050 兩個市場上，跟每天把整段歷史重估一次的固定係數版本比。每個市場用兩把尺：事前登記的主要量尺 QLIKE，以及直接量變異數水準的次要量尺 MSE，一共四格。

結果： 會漂移的版本在四格裡輸掉三格 。兩個市場在主要量尺上，都是固定係數版本的損失比較低。唯一的正格是台股 0050 的次要量尺，但那把尺不是事前說好要看的，它的平均值又會被少數極端高波動日主導，所以不能算贏。模型在訓練階段自己挑漂移幅度時，挑的是候選值裡最小的那一個。讓係數每天跟著最新數據漂移，沒有換來更準的隔天預測。

進一步地，在 〈K1598：universal-portfolio 式線上 conformal 混合，96 個 DM 檢定只留下一個嚴格勝場〉 裡，我們採用 Cover 經典的 Universal Portfolio 演算架構（UP_AggACI_lite），對 12 檔美股 ETF 自 2016 年起每檔 2,633 個樣本外交易日進行線上 Conformal 區間校準。全矩陣一共執行了  96 個 嚴格統計 調整的 DM 統計檢定 ，在經過嚴格的 Holm-Bonferroni 多重比較校正後， 最終僅僅留下了 1 個嚴格勝場 。

甚至連模型裁減（Pruning）這件事，資料的完整度都遠比想像中關鍵。在 〈把四成六的樣本還回來之後，MCS 才淘汰得掉一個模型〉 中，我們利用模型信心集（Model Confidence Set, MCS）對 8 個候選模型進行篩選。當歷史資料被截斷缺漏時，雜訊會淹沒模型之間的真正差距；而當我們把 46% 的缺失歷史樣本補齊後，在 10% 的顯著水準下，MCS  最終也僅成功淘汰了 1 個模型 ，其餘 7 個模型全數留在同一個信心集內。

 第二門的判決：動態調整權重極易陷入「擬合昨天的噪音」之困境。在絕大多數情況下，簡單的「等權重平均」或「靜態保留優質 Baseline」比複雜的動態分配演算法更加穩健且節省交易成本。 

第三門：尺規一致門，小心評估工具一把換一把，排名全對調

假設你開發了一個新模型，在常用指標下表現極佳，這就代表它真的獲勝了嗎？

在 〈同一組預測，兩把尺指向相反方向：K1718 日本波動六格 NULL 的損失函數依賴性〉 裡，我們拿日經 225 指數（^N225，2,794 個交易日）與 TOPIX ETF（1306.T，2,815 個交易日）的數據，測試美股恐慌指數是否對日股具備增量預測力。

實驗揭示了一個極其關鍵的計量現象： 在完全相同的同一組預測值上，採用 Clark-West（基於均方誤差 MSE）與 Patton QLIKE 這兩把不同物理意義的評估尺規時，有兩格預測給出了方向完全相反的統計訊號！ 

• 用  MSE  評估時，模型 A 看起來顯著優於模型 B；
• 換成  QLIKE  評估時，模型 B 卻反過來逆襲勝過模型 A。

為什麼會這樣？因為 MSE 採用平方誤差，對極端大波動高度敏感，且假設預測誤差的代價是對稱的；而 QLIKE 則是基於對數似然率導出的非對稱損失函數，專門懲罰「低估波動率」的危險行為（在風險管理中，低估波動往往比高估波動代價更高）。

如果你在研發時只看 MSE，你可能會選出一個極度害怕少數離群值、但在日常平靜期表現糟糕的模型；而如果你只看 QLIKE，你的選擇又會完全不同。

 第三門的判決：評估量化模型時，絕對不能依賴單一的通用純量（如純 MSE 或 R²）。你必須同時在物理意義明確的非對稱損失函數（如 Patton QLIKE）與風險控制尺規下進行交叉驗證。如果換一把尺排名就對調，說明該模型的優勢並不穩健。 

第四門：邊際成本門，巨額算力換來的些微提升，真的划算嗎？

最後，隨著 AI 與進階統計學的流行，越來越多團隊開始導入深度學習與貝氏抽樣。但在投入龐大算力與維護成本前，你必須問最後一個問題： 它換來的增量，是否跨過了 嚴格統計 統計顯著性門檻？ 

在 〈AI 圈的「時序基礎模型」搬進波動率擂台：老公式 HAR 沒被打下來〉 裡，我們將 Google 的 TimesFM 與 IBM 的 TTM 這類最新的「時序基礎模型（Time-Series Foundation Models）」搬進波動率預測擂台。跨美股（SPY）、台股（0050）與台指期（TX）近十年、超過  7,000 個逐日預測 的實戰顯示：

1.  直接 Zero-Shot 裸用的 AI 基礎模型，預測誤差在三個市場全數落後給傳統 HAR-A 老公式 ；
2. 經過複雜事後校準或與 HAR 組隊後，AI 模型追平了成績，但 依然沒有超越簡單的 HAR-A ；
3. 為了維護深度學習模型所付出的算力與 API 成本，換來的淨勝場數為  0 。

同樣的現象也發生在貝氏統計上。在 〈用貝氏 MCMC 重新估計 GJR-GARCH，預測精度真的更好嗎？SPY 20 年資料給出意外答案〉 裡，我們拿 SPY 長達 20 年的日報酬資料，分別用傳統最大概似法（MLE）與貝氏 MCMC（馬可夫鏈蒙地卡羅）重新估計 GJR-GARCH 模型。

結果顯示：在點預測精度上，MLE 的 QLIKE 點排名依舊保持第一；貝氏最佳變體（Median）的 QLIKE 評分略差 0.12%，且 差距完全沒有跨過 嚴格統計 調整的 t > 3 嚴格統計門檻 。耗費了幾十倍的 MCMC 抽樣算力與數個小時的計算時間，在下一天的點預測精度上沒有換到任何顯著的好處（儘管貝氏法在輸出區間不確定性時仍有其理論價值）。

 第四門的判決：算力與演算法的複雜度不是炫技的資本。如果一個耗費重金運行的 AI 基礎模型或貝氏抽樣，在樣本外的 嚴格統計-DM 檢定中無法帶來統計顯著的突破，那麼在實戰中維持輕量、簡潔且可解釋的 Baseline 才是最明智的工程選擇。 

總結：把四道檢查門套回你的交易系統

將這四道檢查門整理成綜合評估矩陣，你的模型庫應該長這樣：

量化研究的樂趣在於探索未知，但交易系統的生命線在於控制脆弱性。

下次當你忍不住想為交易系統添加最新潮的 AI 模型或動態機制時，請先把這四道檢查門跑一遍。多數時候，你會發現系統給出的最佳解答是： 「保持簡單，把算力留給真正具備統計顯著性的增量訊號。」 

本期精選

1. 〈讓模型的權重每天自己漂移，隔天的波動會更好猜嗎？四格對戰輸掉三格，唯一贏的那格不能算〉（2026-08-18）— SPY 與 0050 兩市場、兩把尺的四格對戰，係數每日漂移的版本輸三格，唯一正格落在非事前登記的量尺，第二門典型案例。
2. 〈把四成六的樣本還回來之後，MCS 才淘汰得掉一個模型〉（2026-08-18）— 補齊 46% 歷史樣本後，MCS 在 8 個模型中僅淘汰 1 個，證明 Baseline 模型普遍具備強大生命力。
3. 〈把市場拆成四層開關：贏了兩狀態切換，也贏了教科書模型，卻沒贏過一行老公式〉（2026-08-16）— 跨 5 檔資產 9,351 筆逐日預測，四層開關碎形模型全數未超越 3 參數 Baseline。
4. 〈同一組預測，兩把尺指向相反方向：K1718 日本波動六格 NULL 的損失函數依賴性〉（2026-08-14）— 日經 225 跨 2,794 日實測，MSE 與 QLIKE 兩把尺給出相反方向訊號，第三門核心教材。
5. 〈K1598：universal-portfolio 式線上 conformal 混合，96 個 DM 檢定只留下一個嚴格勝場〉（2026-08-09）— 12 檔 ETF 2,633 樣本外日，96 個 DM 檢定經 Holm 校正後僅留 1 勝場。
6. 〈AI 圈的「時序基礎模型」搬進波動率擂台：老公式 HAR 沒被打下來〉（2026-07-27）— 跨三市場 7,000+ 筆預測，TimesFM 與 TTM 零樣本 AI 模型未打贏傳統 HAR-A。
7. 〈把 GARCH 改聰明反而更笨：3 種 STGARCH 在 SPY 上全輸給老派 GJR〉（2026-06-16）— SPY 502 個 OOS 日對決，3 種平滑切換 STGARCH QLIKE 評分全數輸給老派 GJR-GARCH。
8. 〈用貝氏 MCMC 重新估計 GJR-GARCH，預測精度真的更好嗎？SPY 20 年資料給出意外答案〉（2026-05-24）— 20 年 SPY 日數據實測，貝氏 MCMC 點預測未過 嚴格統計 DM 門檻，第四門實證標桿。

2026-09-15 更正說明：第二門的案例描述有誤

本文初版在第二門與總結表，把〈讓模型的權重每天自己漂移〉那篇研究寫成了另一件事，並掛錯實驗編號。對照該篇原文與它的實驗檔 experiments/K1745/K1745_results.json 後更正如下：

「四格輸三格、第二門的判決」這個結論方向不變，改的是案例本身的描述。K1598 那一半（12 檔 ETF、96 個檢定僅一個勝場）核對無誤，未更動。下方懶人包第二張圖已依本節重製，原本沿用初版說法的那一列已改成與上方總結表一致的敘述。

懶人包圖組