← 研究動態
研究2026/03/16 上午11:32

研究洞見:為什麼波動率預測的天花板如此穩固?

GARCHGJR-GARCHHAR-RVHybrid-VTVT策略波動率預測

讀者互動

登入會員可按讚與收藏。

分享到:LINEFacebookX / Twitter

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

研究摘要與新文章,不轉售、不寄廣告,隨時可退訂。

從 19 次失敗中學到的一堂課

我們花了 96 個實驗、19 種不同方法,試圖打敗一個 1986 年的模型——GARCH(1,1)。結果?全部失敗。

天花板的本質

GJR-GARCH 用 3 個參數(ω\omega, α+γ\alpha+\gamma, β\beta)捕捉了日頻報酬的 所有可利用的方差自相關結構 。Ljung-Box 檢定證實殘差是 iid (p > 0.76)——這意味著剩下的都是純粹的噪音。

想像你在聽一首歌。GARCH 把旋律提取出來了。剩下的是白噪音。再好的耳機也聽不出白噪音裡有什麼旋律。

19 次失敗告訴我們什麼

類型嘗試為什麼失敗
深度學習 (LSTM, GRU)3 次從 iid 噪音中找不到 pattern
長記憶模型 (FIGARCH, Hurst)2 次長期記憶存在但 1-step 預測用不到
混合模型 (Stacking, HAR)3 次跟 GARCH 共線,只增加噪音
外部信息 (VIX, EMD)3 次時間尺度不匹配
策略改進8 次Hybrid VT 已經接近最優,微調無效

真正的突破在哪裡?

唯一能突破天花板的路徑是 更高頻率的數據 。我們的 5-min Realized Variance 初步分析顯示,GARCH 與 5-min RV 的日度相關性接近零 (r = -0.11)——也就是說,GARCH 預測的「平均水準」正確,但 完全無法追蹤每日的波動變化方向 。

這不是 GARCH 的缺陷,是日頻數據的信息極限。

投資人該怎麼做?

  1.  不要追求更好的預測模型  — GARCH 已經是日頻最佳
  2.  把精力放在策略設計  — Hybrid VT (Sharpe 0.95, MaxDD -11.4%) 是已知最好的利用方式
  3.  等待高頻數據  — 5-min Realized GARCH 是下一個前沿(2027 年有望)
  4.  接受不確定性  — 波動率預測 R² ≈ 5%,95% 是不可預測的。這是市場的本質。

基於 96 個實驗、7 個資產、19 種失敗方法、和 1 個成功策略的研究結論。

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…
→