美國 VIX 預測台灣 0050 的波動率？跨市場時差讓訊號被稀釋的真實案例

一個直覺：美國的恐慌指數，是不是台灣交易日早盤的「先行指標」？

很多投資人都注意過一件事：美國股市收盤之後，台灣股市才剛開盤。當美股當晚劇烈震盪、VIX（波動率指數，俗稱恐慌指數）大幅跳升時，隔天早上 09:00 一開盤，台灣 0050 似乎也會跟著動盪。這個「美國先動、台灣再動」的時差結構，看起來像是一個天然的訊號： 用昨天的 VIX 來預測今天 0050 的波動率，應該會比沒有 VIX 資訊的模型強很多。 

這個直覺合理嗎？我們在過去的研究 K970 中，曾把同樣的「VIX 當作長期波動成分」的模型（學界稱為 MF2-VIX）套到 SPY（追蹤美國 S&P 500 的 ETF）上，結果該模型把 GJR-GARCH 這個經典基準的預測誤差降低了  9.55% ，是個相當可觀的改善。

問題是：跨到台灣市場呢？「跨市場時差」會讓 VIX 訊號 更強 還是 更弱 ？

K972 這支實驗就是專門檢驗這件事。本文把實驗結果以白話呈現，並老實交代結論： 直覺猜錯了 。

實驗怎麼設計

資料

•  標的 ：0050.TW（元大台灣 50 ETF），代表台股大盤的最具代表性 ETF
•  跨市場變數 ：^VIX（CBOE 波動率指數，美國 S&P 500 期權隱含波動）
•  樣本期間 ：2009-02-13 至 2026-04-02，共  4,197 個交易日 
•  訓練 / 測試切分 ：2009-02-13 至 2018-12-28 為樣本內（IS，2,441 筆）；2019-01-02 至 2026-04-02 為樣本外（OOS，1,756 筆）

OOS 期間刻意設定到 7 年以上，包含 2020 COVID 崩盤、2022 升息熊市、2024-2025 的 AI 多頭，以避免結論只反映特定市場狀態。

對照模型

我們比較四個模型對 0050 OOS 波動率的預測表現：

1.  GJR-GARCH（基準） ：學界最常見的非對稱 GARCH 變體，能捕捉「壞消息比好消息更增加波動」的槓桿效應
2.  MF2-RV ：以 0050 自己過去 22 日的「已實現波動」當長期成分
3.  MF2-VIX ：本實驗主角 — 以美國 VIX 當長期成分（見下節時差設計）
4.  MF2-EMA ：以 0050 自己過去報酬平方的指數移動平均當長期成分

VIX 時差怎麼處理（關鍵設計）

跨市場有兩段時差要處理：

•  第 1 段時差 ：VIX 是美國當地時間的收盤指數。台灣交易日 t 早上 09:00 要使用前一天美國收盤的 VIX → VIX.shift(1)
•  第 2 段時差 ：要預測 t 日的波動率，特徵也必須是 t 日 之前就已知 的資訊 → 再加 shift(1)

 最終 VIX 落後 t 日整整 2 個交易日 ：VIX[t-2] → tau[t-1] → forecast σ²[t]

這個雙重 shift 是為了保證沒有任何 lookahead bias（用未來資訊偷看），程式碼中對應實作為兩個明確的 shift(1) 呼叫，並有對應的程式碼註解。

評估指標

•  QLIKE （Patton, 2011）：波動率預測的標準損失函數，對「低估波動」懲罰較重，貼近實務風險管理需求
•  兩模型比較檢定 （搭配 2016 年提出的嚴格統計檢驗門檻判定改善是否可信）
•  MZ 回歸 R² ：預測值與實際值的相關度
•  VaR 回測 （Kupiec / Christoffersen）：1% 與 5% 風險值違反率

結果：直覺被推翻

OOS 樣本外 QLIKE 表現

數字攤開來看，三個觀察立刻浮現：

1.  MF2-VIX 在台灣只改善 1.07% ，遠遠不如 SPY 上的 9.55%
2.  MF2-EMA 才是台灣的最佳模型 ，改善 3.71%，是 MF2-VIX 的 3.5 倍
3.  MF2-VIX 雖然 QLIKE 沒贏，但 MZ-R² 是四個模型中最高（0.1438）  — 這意味著 VIX 資訊 不是完全沒用 ，它在「預測值與實際值的同向變動」上有一定貢獻，但在「絕對誤差」這個更嚴格的指標上，幅度遠低於 SPY 案例

跨市場對照：SPY vs 0050.TW

把 K970（SPY）與 K972（0050.TW）放在一起看，差異一目瞭然：

兩個有趣的反轉：

•  MF2-VIX 從 SPY 的「+9.55% 王者」掉到 0050 的「+1.07% 邊際」 
•  MF2-RV 在 SPY 上是負貢獻（-4.49%），到 0050 反而變正貢獻（+1.18%） 

統計顯著性：嚴格門檻下無贏家

我們採用 2016 年文獻提出的嚴格統計檢驗門檻（為防止過度挖掘資料而設）。本實驗六組兩兩比較中：

•  GJR vs MF2-EMA ：統計強度最高，但仍未達該嚴格門檻
•  MF2-RV vs MF2-EMA ：統計強度次之，同樣未達門檻
• 其餘四組：統計強度顯著偏低

換言之： 就算 MF2-EMA 在點估計上贏了 3.71%，在嚴格門檻下我們不能宣稱它「顯著優於」GJR 。這是研究誠實該講清楚的： 經濟意義上的改善 ≠ 統計上可保證的改善 。

VaR 回測：四個模型都通過 Kupiec 檢驗

從風險管理角度看，四個模型在 1% 與 5% 的 VaR 違反率都通過 Kupiec 檢驗（即違反率與名目顯著水準無顯著差異）。具體 1% VaR 違反率：

• GJR：1.37%（24/1756），略高於名目
• MF2-RV： 0.97% （17/1756），最接近名目 1%
• MF2-VIX：1.25%（22/1756）
• MF2-EMA：1.08%（19/1756）

 有趣的是：QLIKE 排名與 VaR 校準排名不一致 。MF2-RV 在 QLIKE 落第三，但 VaR 校準最好。這提醒實務使用者： 「預測準」與「尾部風險覆蓋準」是兩回事，要看你的應用是哪一種 。

為什麼 VIX 的跨市場效力被稀釋了？三個可能解釋

解釋 1：時差過大稀釋訊號

SPY 案例的 VIX 落後 1 日；0050 案例為了避免 lookahead 必須落後 2 日。多了 1 天的時差，相當於訊號的「新鮮度」被打折。波動率聚集（volatility clustering）有半衰期，2 天前的資訊已經部分被市場吸收。

解釋 2：VIX 是美國股市的恐慌指標，不是台灣的

VIX 由 S&P 500 的期權隱含波動算出，反映的是 美國投資人對美國股市未來 30 天的不確定預期 。台灣市場有本身的供需、資金結構、地緣議題（兩岸關係、半導體景氣循環等）。從機制上講，VIX 對 0050 的解釋力本來就不如對 SPY 那麼直接。

更精準的台股「恐慌指標」應該是  TAIEX VIX 等價指標 或者根據 TAIEX 期權建構的隱含波動指數 — 這在學界已有先例，但需另行計算，是本實驗的 follow-up 方向。

解釋 3：台灣報酬有更高的尾部風險

樣本期內 0050 的報酬峰度高達  18.0 ，遠高於 SPY 的典型水準（約 5–10）。峰度高代表「異常大跳動」更頻繁。這種尾部行為對所有模型都是噪音來源，使得任何長期成分的訊號（無論是 RV、VIX、還是 EMA）都比較難從中浮現出統計顯著性。

結論與啟示

這個實驗教我們什麼

1.  跨市場直覺不可盲信 。「美國 → 台灣的時差結構天然有資訊優勢」這個直覺在嚴謹回測下被推翻。差距從 SPY 的 +9.55% 縮到 0050 的 +1.07%，超過 8 倍的衰減。
2.  本地特徵勝出 。MF2-EMA（用 0050 自己的歷史）改善 3.71%，是 MF2-VIX（用美國 VIX）的 3.5 倍。 對台股而言，「自己的歷史」比「別人的恐慌」更具預測力。 
3.  點估計贏 ≠ 統計上保證贏 。即便 MF2-EMA 是最佳模型，也未跨過嚴格統計檢驗門檻。我們報告它的改善，但不誇大為「達顯著水準」。
4.  預測準確度與風險覆蓋是不同議題 。如果你關心的是 VaR 是否準確，反倒是 MF2-RV 表現最好。

對讀者的實務建議

•  想預測 0050 短期波動率 ：在這四個模型中，MF2-EMA 是當前最佳起點，但別期待它能比 GJR 強很多
•  想用 VIX 當訊號 ：VIX 對 SPY 的效力遠強於對 0050；跨市場應用前要先確認「時差是否會稀釋訊號」
•  想做 VaR 風險管理 ：四個模型都過了 Kupiec 檢驗，從校準角度 MF2-RV 略勝一籌

後續研究方向

• 用 TAIEX 自身的隱含波動指數（而非美國 VIX）重做這個實驗，預期會比 MF2-VIX 強
• 把 MF2-EMA 的 EMA 半衰期（halflife）做敏感性分析，找最適時間尺度
• 加入跨市場「分鐘級」資料（例如美股盤後期貨價格），縮短時差到 0 日左右

資料來源

•  0050.TW、^VIX 收盤價 ：yfinance（Yahoo Finance API），抓取自 2009-02-13 至 2026-04-02
•  實驗代碼與完整結果 ：experiments/k972/（K972）
  • 程式：k972_mf2_taiwan.py
  • 結果 JSON：k972_mf2_taiwan_results.json
  • 圖檔：k972_oos_comparison.png、k972_volatility_components.png
•  基準對照實驗 ：K970（SPY 上的 MF2-VIX 表現）

參考文獻

• Conrad, C., & Engle, R. (2025). Two-component GARCH models with exogenous long-run dynamics. Journal of Applied Econometrics.
• Engle, R., Ghysels, E., & Sohn, B. (2013). Stock market volatility and macroeconomic fundamentals. Review of Economics and Statistics.
• Patton, A. J. (2011). Volatility forecast comparison using imperfect volatility proxies. Journal of Econometrics, 160(1), 246–256.
• HLZ (2016). …and the cross-section of expected returns. Review of Financial Studies.