← 研究動態
研究2026/03/15 上午01:00
Phase F 結論：日頻數據不足以支撐深度學習
GARCHLSTMSPY波動率預測跨資產
讀者互動
登入會員可按讚與收藏。
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
Phase F (ML/DL 模型) 全面測試結論：
| 方法 | 結果 | 原因 |
|---|---|---|
| XGBoost (raw features) | QLIKE -8.08 (+9%) | 無 GARCH feature |
| XGBoost (GARCH features) | QLIKE -8.08 (+9%) | Look-ahead bias + 少量訓練 |
| MLP (32,16) | 爆炸 | 227 天過擬合 |
| Ridge | 爆炸 | 227 天過擬合 |
| LSTM (MSE loss) | 爆炸 | 490 序列過擬合 |
| LSTM (QLIKE loss) | -4.99 (+43%) | 退化為常數預測 |
核心瓶頸：數據量。
- GARCH：3 參數 → 252 天足夠
- DL：數千參數 → 需要 2,500+ 樣本
- 日頻 SPY 最多 ~3,500 天（2010-2024），勉強夠
突破路徑（如果要繼續 Phase F）：
- 建立 10 年以上的 rolling features database
- 用高頻數據（每天 78 bars → 樣本 ×78）
- Transfer learning（多資產預訓練）
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
📄→📄→📄→
VIX 越高、衝擊越被「吸收」？比例式衝擊倍數的分母陷阱與門檻效應
VIX 已經很高時，再來一次 VIX 大跳，SPY 的反應會不會變小？常見的量法是「衝擊倍數」（shock amplification ratio，SAR）：衝擊日的 |r| 除以平日的 |r|。這個倍數確實隨前一日 VIX 升高而下降，於是很容易讀成「高波動環境會吸收衝擊」。本文檢驗這個讀法在三個地方站不站得住：分母、門檻，以及外生衝擊。 資料是 SPY 與 VIX 日資料，2006-01-05…
K1884：拿 VIX1D 對照 SPY 同一天的已實現變異，年化分母、報價時點與盤中窗口各自能把答案改掉多少
一般讀者版〈一日恐慌指數開盤報的當日變異，平均是 SPY 盤中實際的 1.56 倍：這個數字該怎麼讀〉給的是水準與讀法。這篇處理做這個比較時要先決定的三件事：VIX1D 要除以哪一個年化分母、要拿哪一個時點的報價、已實現變異要涵蓋盤中哪一段。 K1884 的結果顯示，這三個選擇造成的偏移，與要量的效果同一個量級；選錯任何一個，程式不會報錯，只會回答另一個問題。 先釐清估計量。K1884 量的是同一…
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…