油價暴跌才是最危險的信號——數據顛覆你對石油的直覺

[提出: 用戶, 執行: Claude]

大多數人對石油的第一反應是：「油價漲了，通膨要來了，股市要跌了。」這個直覺看起來很合理，畢竟 1973 年石油危機、2022 年俄烏戰爭，都是油價飆漲伴隨股市動盪。

但實證數據說了一個截然不同的故事。

數據顛覆直覺

我們分析了 2007 至 2026 年共 4,839 個美股交易日，追蹤每一次油價劇烈變動後，股市波動率（SPY）的實際反應。結果讓人吃驚：

 油價暴跌讓股市波動率平均上升 4.8 個百分點（t=5.82，統計顯著）。 

 油價暴漲呢？只上升 0.7 個百分點（t=0.70，統計不顯著）。 

差距是 7 倍。

換句話說，油價崩跌對股市的衝擊，遠遠大於油價飆漲。這個「不對稱效應」在 Harvey（2016）嚴格的統計門檻下仍然成立，不是統計雜訊，而是真實的市場規律。

為什麼油價下跌反而更危險？

這背後有一個很少被一般投資人理解的邏輯，但諾貝爾獎得主候選人 Lutz Kilian 早在 2009 年的研究中就指出了這個機制：

 油價下跌的原因，比下跌本身更重要。 

油價上漲通常是「供給衝擊」，中東緊張局勢、颶風停了煉油廠、OPEC 減產。這些事件衝擊物價，讓人擔心通膨，但企業的基本需求還在，消費者還在買東西。

油價大跌，卻往往是「需求崩潰」的信號，也就是全球經濟引擎正在熄火。當工廠停工、貿易萎縮、人們開始擔心失業，石油自然沒人要了。價格下跌是結果，但背後的原因才是恐慌之源： 衰退。 

這就是為什麼「油價崩盤」幾乎每次都伴隨著股市大跌。

歷史三個案例，一目瞭然

 2020 年 COVID 疫情 ：全球封城，需求瞬間蒸發。油價不只是跌，還跌到了史無前例的 負數 （-$37 美桶）。同期 SPY 從高點暴跌 34%，VIX 恐慌指數衝上 82，創下金融海嘯以來最高。

 2008 年金融海嘯 ：油價從 $147 美元的歷史高點，在短短半年內崩跌到 $32 美元，跌幅近 80%。這正是全球信用體系崩潰、需求消失的縮影。SPY 在同期下跌了 57%。

 2022 年俄烏戰爭 ：油價從 $75 美元飆漲到 $130 美元。這是典型的供給衝擊。結果呢？SPY 最大跌幅約 -25%，而且在數月內逐步收復失地。比前兩次溫和得多。

三個案例說明了同一件事：需求崩潰型的油價下跌，殺傷力遠大於供給衝擊型的油價飆漲。

哪些資產最容易受影響？

同樣的實驗也分析了不同市場：

•  XLE（能源股 ETF） ：對油價下跌最敏感，反應最劇烈，畢竟能源公司的營收直接依賴油價
•  SPY（美股大盤） ：中度受影響，4.8 個百分點的波動率上升
•  DBA（農業 ETF） ：受影響最小，農業商品與石油需求的相關性較低

如果你持有能源股，尤其需要注意油價崩跌的風險。

油價波動率本身也是預警指標

研究還發現，不只油價漲跌的方向重要，油價本身的「波動程度」也能預測未來股市動盪。

• 當原油市場處於 高波動率狀態 時，接下來幾個月 SPY 的實現波動率平均高達  19.0% 
• 當原油市場平靜時，SPY 波動率只有  13.6% 

差距高達 5.4 個百分點。這意味著： 即使油價沒有大幅漲跌，只要石油市場開始劇烈震盪，股市也會跟著不安穩。 

投資人的實務意義

這個發現對一般投資人有幾個直接的含義：

 1. 看到油價大跌，不要高興太早 

如果你看到「油價暴跌，加油變便宜，消費者受益！」的新聞標題，先問一個問題：「這次是供給端原因，還是需求崩潰？」如果是後者，股市可能已經開始顫抖了。

 2. 油價崩跌是波動率的預警信號 

數據顯示油價大跌後，股市波動率平均上升近 5 個百分點。對於注重風險管理的投資人，這是一個重新評估倉位的時機，而不是抄底的信號。

 3. VIX 和油價要一起看 

VIX（恐慌指數）衡量的是市場對未來波動率的預期，而油價崩跌會直接推高 VIX。當這兩個信號同時出現，油崩 + VIX 飆，往往是市場真正危險的時刻。

 4. 2020 年後效應更明顯 

研究發現疫情後（2020-2026）這個不對稱效應反而略微增大（+4.0 個百分點 vs 疫情前 +2.7 個百分點）。全球化深化、石油市場與金融市場的連動性在加強，這個規律在未來可能只會更顯著，不會減弱。

結語：直覺是最危險的投資工具

許多投資人靠著「油漲股跌、油跌股漲」的直覺操作。但正如這份跨越 19 年、近五千個交易日的數據所示，真相更加微妙： 油價下跌，才是股市波動率上升的真正觸發因素。 

下次看到石油暴跌的新聞，先停下來問：這次跌，是因為沙烏地阿拉伯增產（供給）？還是因為全球工廠停工、貨輪靠岸（需求）？

答案的不同，決定了你該不該緊張。

本文基於實驗 K861 的實證結果（數據來源：yfinance + FRED，期間：2007-2026，4,839 個交易日）

實驗腳本：experiments/k861.py ｜ 結果數據：experiments/k861_results.json