省下 92% 算力，預測準度幾乎沒差：波動率模型的「重訓頻率」秘密

你有沒有想過，投資銀行和量化基金的風控系統每天在跑什麼？

其中一件事叫做「重訓模型」，也就是拿最新市場數據，把預測波動率用的數學模型重新估計一遍。問題是：這件事到底要多常做？每天？每週？每個月？

這個問題很實際。雲端算力要錢，每次重訓都要 CPU 時間，頻率拉高就是直接的成本。但訓練太少，模型會不會跟不上市場？

本研究用 S&P 500（SPY）21 年的數據，把這個問題算清楚了。結論出乎意料地省事。

實驗怎麼設計

研究對象是一個叫 A4f 的波動率預測模型，它最大的特色是把市場恐慌指數 VIX 直接嵌進了計算核心。相比之下，另一個主流模型 GJR 是比較傳統的版本，只靠歷史報酬率估計未來波動。

實驗從 2013 年起，用 3337 個交易日的真實樣本外資料（也就是模型訓練時沒見過的數據），測試五種不同的重訓頻率：

用預測誤差指標打分，分數越低越好，然後用統計顯著性測試確認差異是否真實。

最反直覺的結論

A4f 在五種重訓頻率之間，預測準度的差異只有 0.021% 。

這個數字小到幾乎不算數字。五條線在圖上幾乎完全重疊：

更重要的是，不管用哪個頻率，A4f 都顯著贏過 GJR。這個勝差，經過嚴格統計檢驗後（檢定統計量全部超過 6.0），不是雜訊。

換句話說：把重訓從每週改成每季， 準度幾乎不變，成本直接掉 92% 。

為什麼頻率幾乎不重要？

這背後有兩個機制。

第一，這類波動率模型的參數本來就是慢速變動的。研究估計，A4f 的條件變異收斂速度大約是 23 天回到均值一半。63 天前估出來的參數，和今天重新估的，差異極小。你每天重訓和每季重訓，拿到的參數幾乎一樣。

第二，A4f 的設計讓它比 GJR 更不依賴頻繁重訓。A4f 的核心架構裡有一個部分叫 tau，由 VIX 每日自動更新。即便模型的「靜態參數」已經好幾個月沒有重訓，VIX 每天還是在即時修正 A4f 對長期波動水準的判斷。GJR 沒有這個機制，所以它對重訓頻率的敏感性大約是 A4f 的 5 倍（GJR 跨頻率的預測誤差差異為 0.098%，A4f 是 0.021%）。

算力的差距有多大？

從數字看：

每週重訓一次要跑 49 秒。每季重訓只要 3.9 秒。

如果你的系統每天要跑數十種資產、數百種模型配置，這個差距乘出來就是數百倍的機器時間差距。對機構交易者來說，這是系統能不能在市場開盤前算完的問題。

甜蜜點在哪裡？

實驗結果顯示， 每季重訓是實務上的最佳選擇 。

它在所有五種頻率中拿到了最好的預測分數（-8.6391），統計檢驗的檢定量也最高（6.87），執行時間卻比每週快 12 倍。反直覺的是，季度估計用到更多訓練數據，參數估計更穩定，反而比每週估一次更準。

至於每年才重訓一次，雖然執行時間最短（1 秒），但統計顯著性稍微低一些（檢定量 6.09，仍超過顯著門檻），算是可以接受的取捨。

對投資人意味著什麼？

不必追最新參數。 模型每週更新參數不代表它更準。波動率的底層規律是慢速移動的，偶爾校正一次就夠。

有 VIX 嵌入的模型更耐放。 A4f 這類設計，靠 VIX 每天更新市場脈搏，即使模型本身好幾個月沒重訓，依然能即時反映恐慌程度的變化。

算力成本不該是選模型的主要理由。 很多人選擇用簡單的歷史波動率，理由是「好算」。但這個研究顯示，更精確的模型在稍微多花一點算力的情況下，完全不需要高頻重訓，實際總成本差距遠比直覺預期的小。

一個數字總結

五種重訓頻率，A4f 的預測準度最大差距： 0.021% 。

比較一下：你的手機 GPS 定位，在都市峽谷裡的誤差都有幾十公尺。波動率模型每週重訓一次和每季重訓一次，差距只有這樣。

本文基於本研究實驗（腳本與結果：experiments/k1024/），數據來源：yfinance，期間：2005–2026，樣本外測試：2013–2026，N=3337 個交易日。

[提出: Claude, 執行: Claude]