台灣 0050.TW CF-VaR 深度分析：近乎完美的風險量化，與 w=2000 發散陷阱

[提出: Claude, 執行: Claude]

摘要

將 Cornish-Fisher VaR（CF-VaR）應用於台灣市場旗艦 ETF 0050.TW，我們發現在估計視窗 w=504 下，CF-VaR 達到近乎完美的風險量化表現：1457 個交易日中僅 14 次違反（0.96%），Kupiec 檢定 p=0.879，幾乎無法拒絕「真實違反率 = 1%」的虛無假設。然而，當視窗擴大至 w=2000 時，CF-VaR 發生災難性發散，超額峰度飆升至 545，33% 的視窗出現 VaR 方向反轉。本文詳細分析這個現象的成因與修正方案，為台灣市場的 CF-VaR 實務應用提供完整指引。

研究背景

從美股到台灣：CF-VaR 的跨市場驗證

我們先前的研究已經證實，CF-VaR 在美國五大 ETF（SPY、QQQ、GLD、TLT、EEM）中是唯一全部通過 Kupiec 檢定的 VaR 方法。然而，一個自然的問題是： 這個結果能否推廣到其他市場？ 

台灣市場是一個理想的測試場景，原因有三：

1.  市場結構不同 ：台灣股市以半導體產業為主導（台積電佔 0050.TW 權重約 50%），產業集中度遠高於 S&P 500
2.  報酬分配特性不同 ：台灣市場的偏態和峰度與美國市場有顯著差異
3.  極端事件模式不同 ：2020 年 COVID 衝擊、2022 年半導體景氣循環、2024 年 AI 泡沫疑慮，都對 0050.TW 產生了獨特的影響

0050.TW 的報酬分配特性

一個關鍵觀察：0050.TW 的偏態（-0.21）遠小於 SPY（-0.82），但超額峰度（3.07）卻更高。這意味著台灣市場的報酬分配更接近對稱，但極端事件（無論漲跌）的發生頻率更高。這種「低偏態、高峰度」的組合對 VaR 方法提出了不同於美國市場的挑戰。

方法與數據

核心發現

三種 VaR 方法的正面對決（w=504）

結果一目了然：

•  Normal VaR 徹底失敗 ：32 次違反是理論預期（14.6 次）的 2.2 倍，p=0.0001，毫無懸念地被拒絕。常態分配對台灣市場的左尾風險低估更甚於美國市場。

•  Student-t 勉強通過 ：21 次違反，p=0.112。雖然在 5% 顯著水準下通過，但距離拒絕邊界並不遠。固定 df=5 的設定對台灣市場的高峰度仍嫌不足。

•  CF-VaR 近乎完美 ：14 次違反，幾乎等於理論預期的 14.6 次。p=0.879 意味著我們完全無法區分實際違反率與理論的 1%——這是風險模型能達到的最佳狀態。

CF-VaR 為何在台灣市場表現更好？

CF 修正分位數的計算公式為：

z_CF = z + (z²-1)·S/6 + (z³-3z)·K/24 - (2z³-5z)·S²/36

對 0050.TW（S=-0.21, K=3.07）：

• 偏態修正項較小（因為 S=-0.21 接近零）
• 峰度修正項較大（因為 K=3.07 較高）
• 最終 z_CF 主要由峰度驅動

這恰好符合 0050.TW 的分配特性—— 低偏態使得分配近乎對稱，但高峰度要求更厚的尾部 。CF-VaR 能精確捕捉這種「對稱但厚尾」的特徵，而 Student-t(df=5) 因為固定的形狀參數，無法完全適應。

CF-VaR 在 w=2000 下的發散問題

現象描述

當我們將估計視窗從 504 天擴大到 2000 天時，CF-VaR 發生了完全出乎意料的崩潰：

 超額峰度飆升至 545 ——這不是漸進式的惡化，而是數量級的爆炸。正常的金融報酬超額峰度通常在 0-10 之間，545 是病態值。

更嚴重的是， 33% 的滾動視窗出現 z_CF 為正值 。在 1% VaR 的情境下，z_CF 應該是負值（代表左尾損失），正值意味著 VaR 估計的方向完全反轉，模型認為「風險」在右尾而非左尾。這是災難性的失敗。

根因分析：COVID 離群值的長記憶效應

w=2000 視窗的問題根源在於  2020 年 3 月 COVID 衝擊的單一離群值在長視窗中的影響 。

考慮以下時間線：

• 2020 年 3 月 19 日，0050.TW 單日跌幅約 -8.6%（標準化殘差約 -6$\sigma$）
• 在 w=504 的視窗中，這個離群值會在約 2 年後自然滑出視窗
• 在 w=2000 的視窗中，這個離群值會持續影響到  2028 年 

當一個 -6$\sigma$ 的觀測值存在於視窗中時：

1.  四階中心動差被放大 ：峰度 = E[(x-μ)⁴]/$\sigma$⁴。一個 -6$\sigma$ 的值對四階動差的貢獻是 6⁴ = 1,296，除以 $\sigma$⁴ 後仍然巨大
2.  隨著視窗滾動，離群值的相對影響變化 ：當視窗中的其他觀測值相對平靜（如 2021-2023 年低波動期），離群值的貢獻佔比更高，導致峰度進一步飆升
3.  CF 公式的峰度項 (z³-3z)·K/24 爆炸 ：當 K=545 時，這個修正項遠遠壓過其他所有項，導致 z_CF 的符號反轉

本質上，這是一個 樣本動差估計在重尾分配下的已知脆弱性 。四階動差（峰度）對離群值極其敏感，而 w=2000 的長視窗讓單一極端事件的影響持續數年之久。

為何 w=504 不受影響？

w=504（約 2 年）的視窗恰好在一個「甜蜜點」：

•  足夠長 以捕捉報酬分配的基本特徵（需要至少 ~250 天）
•  足夠短 以讓極端離群值在合理時間內滑出視窗
• COVID 衝擊在 w=504 視窗中大約 2022 年初就滑出了，不會影響後續估計

修正方案：Winsorization ±5$\sigma$

對標準化殘差進行 ±5$\sigma$ 的 Winsorization（截尾處理）可以有效解決 w=2000 的發散問題：

 原理 ：將超過 ±5$\sigma$ 的殘差截斷至 ±5$\sigma$，消除極端離群值對高階動差的過度影響。

 為何選 ±5$\sigma$？ 

• 5$\sigma$ 事件的理論機率約為 3×10⁻⁷（百萬分之一以下），在金融市場中屬於真正的異常值
• ±5$\sigma$ 保留了市場的厚尾特性（±3$\sigma$ 會過度截斷），同時消除了破壞動差估計的病態值
• 實證上，COVID -6$\sigma$ 的值被截斷至 -5$\sigma$ 後，峰度回到合理範圍（<10），z_CF 不再反轉

 實務建議 ：若必須使用 w=2000 的長視窗（例如為了與 GARCH 估計視窗一致）， 必須 搭配 Winsorization ±5$\sigma$。但更推薦的做法是直接使用 w=504，既簡單又不需要額外處理。

逐年分析：2024 年是所有方法的「試煉之年」

2024 年是所有 VaR 方法的最艱困年份。原因在於：

1.  台灣半導體產業的高波動 ：台積電受 AI 需求預期、美國出口管制、地緣政治風險等多重因素影響，股價劇烈波動
2.  0050.TW 的集中度風險 ：台積電佔 0050.TW 約 50% 權重，單一公司的波動直接傳導至 ETF
3.  波動率叢聚效應 ：2024 年出現多次連續大跌，GARCH 模型的條件波動率來不及完全反應

即使在最困難的 2024 年，CF-VaR 的表現仍然優於 Normal 和 Student-t，但這一年的經驗提醒我們： 沒有任何 VaR 模型能在極端市場環境中保持完美 。

實務意義

對台灣投資人的建議

1.  CF-VaR w=504 應作為台灣市場的預設風控方法 ：p=0.879 的 Kupiec 檢定結果表明，這個設定在統計上幾乎無可挑剔。計算成本與常態 VaR 相當，但準確性大幅提升。

2.  切勿盲目套用美股的 w=2000 設定 ：台灣市場的極端事件特性不同，長視窗會導致 CF-VaR 的高階動差估計失穩。 w=504 是台灣市場的正確選擇 。

3.  若必須使用長視窗，Winsorization 是必要的 ：±5$\sigma$ 的截尾處理可以消除離群值對峰度估計的病態影響，但這增加了一個需要維護的超參數。

4.  Normal VaR 在台灣市場嚴重不適用 ：2.2 倍的違反率（32 vs 14.6）意味著使用常態 VaR 的投資人系統性低估了風險。在台灣市場高峰度（K=3.07）的環境下，常態假設的失敗程度甚至超過美國市場。

5.  Student-t(df=5) 是可接受但非最優的選擇 ：p=0.112 的邊際通過表示 Student-t 在台灣市場「勉強及格」，但在面臨更嚴格的檢定標準（如 10% 顯著水準）時可能不通過。

對 VolPred 系統的影響

本發現直接更新了系統的台灣市場風控模組：

•  0050.TW VaR 計算 ：從 Student-t(df=5) 升級為 CF-VaR，估計視窗固定為 w=504
•  發散防護 ：任何使用 CF-VaR 的場景都需要監控超額峰度。若 K > 20，觸發警報並考慮 Winsorization
•  跨市場一致性 ：美股使用 w=2000 + CF-VaR，台灣使用 w=504 + CF-VaR。不同視窗的選擇反映了不同市場的尾部特性

結論

台灣市場 0050.TW 的 CF-VaR 分析揭示了兩個同等重要的結論：

 正面結論 ：CF-VaR 在 w=504 下達到了近乎完美的風險量化表現（14 次違反、0.96%、p=0.879），全面勝過 Normal VaR（徹底失敗）和 Student-t（邊際通過）。CF-VaR 的半參數框架能自動適應台灣市場「低偏態、高峰度」的獨特分配特性。

 警示結論 ：CF-VaR 在 w=2000 下發生災難性發散，超額峰度飆升至 545，33% 的視窗出現 VaR 方向反轉。根因是 COVID 單一離群值在長視窗中對四階動差的病態影響。Winsorization ±5$\sigma$ 可修正，但最佳實務是直接使用 w=504。

 核心啟示 ：CF-VaR 的優越性建立在樣本動差估計的合理性之上。當視窗長度讓極端離群值持續影響高階動差時，這個前提條件被破壞，方法就會失效。理解工具的適用邊界，與理解工具的優勢同樣重要。

本文基於 Phase O 實驗，使用 GJR-GARCH(1,1) 滾動估計（w=504），OOS 期間 2020-2025，0050.TW 共 1,457 交易日。Kupiec 檢定在 5% 顯著水準下進行。