一個聽起來很合理的訊號，加進去以後六個裡有五個變得更不準
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。
有一類想法特別難放棄，因為它聽起來太合理了。
氣候政策的不確定性會影響商品市場，政策一變，能源怎麼發、農作怎麼種、金屬怎麼採都要重算。學術上這件事有證據：新聞文本做出來的氣候政策不確定性指數，跟商品價格的波動率確實有關係，農產和金屬尤其明顯。
所以下一步看起來理所當然：把這個訊號加進預測模型，波動率應該會預測得更準。
我去試了。結果是反過來的。
這個測試在做什麼
先講清楚比的是什麼，因為這決定了結論能講多重。
基準模型很樸素：預測下個月的波動率時，只看過去的波動率，上個月的、過去三個月的、過去十二個月的。就這三個數字，沒有別的。這是波動率預測裡最標準的做法，因為波動率有很強的慣性，昨天抖今天多半也抖。
挑戰者模型就是基準模型再加兩個欄位：氣候政策不確定性指數本身，以及它這個月的變化量。其他完全一樣。
標的是六檔商品 ETF：原油、天然氣、農產綜合、玉米、小麥、黃金。訊號一律落後一個月才用，這個月的政策指數只能拿去預測下個月，不能偷看。樣本外期間是 2013-01 到 2026-05，整體有 161 個月。
比較的方式是逐月往前滾：用當下能拿到的資料估參數、預測下一個月、對答案、再往前推一格。不是拿全部資料估完再回頭看自己準不準。
結果
| 商品 | 樣本外月數 | 預測誤差改善幅度 | 加了訊號以後 |
|---|---|---|---|
| 小麥 WEAT | 92 | +1.89% | 變準一點 |
| 原油 USO | 158 | -1.00% | 變差 |
| 天然氣 UNG | 145 | -2.47% | 變差 |
| 黃金 GLD | 161 | -2.88% | 變差 |
| 農產綜合 DBA | 149 | -3.31% | 變差 |
| 玉米 CORN | 108 | -6.11% | 變差 |
| 全部合起來 | 161 | -2.49% | 變差 |
六個裡面五個變差。把六檔合起來算，波動率預測誤差惡化了 -2.49%；最慘的是玉米，波動率預測誤差 -6.11%。
唯一變好的是小麥，波動率預測誤差改善 +1.89%。但這個數字撐不住重量：它沒有通過顯著性門檻，也就是說，我們沒辦法排除它只是六次嘗試裡剛好有一次運氣好。六個標的裡出現一個正的，本來就是會發生的事。
按類別分開看也一樣：能源的波動率預測誤差 -1.51%，農產的波動率預測誤差 -2.87%，金屬的波動率預測誤差 -2.88%。三個類別，零個通過。
「有關係」跟「能預測」不是同一件事
這是我覺得最值得帶走的一段。
文獻說氣候政策不確定性跟商品波動率有關係，這件事沒有被推翻，這個測試也沒有要推翻它。兩者可以同時成立，因為它們問的是不同的問題。
「有關係」問的是：這兩個東西一起動嗎？答案可以是「是」。
「能預測」問的是：在我已經知道過去的波動率之後，這個訊號還能多告訴我什麼嗎？答案可以是「不能」。
差別在那句「在我已經知道過去的波動率之後」。政策不確定性升高的時候，市場多半當下就已經在抖了，而那個抖動早就寫在上個月的波動率裡。訊號要有增量價值，它得帶來過去波動率沒有的資訊。這次它沒有。
從模型內部也看得到同一件事：把所有欄位放在同一個尺度上比較，過去一個月的波動率那一欄的係數大約是 0.59，而氣候政策指數那一欄只有 0.02。一個是主力，一個幾乎沒有出手。
六個商品都是同一個形狀：深色那條（上個月的波動率）明顯最長，另外兩條政策訊號緊貼著零。這張圖跟上面那張講的是同一件事的兩面，訊號在模型裡沒有份量，所以它在預測上也沒有貢獻。
為什麼「沒用的訊號」會讓結果變得更差
有一個地方容易誤解：如果訊號沒用，加進去頂多沒差，怎麼會變差？
因為訊號不是免費的。每多一個欄位，模型就要多估一個係數，而那個係數是從有限的歷史資料裡估出來的，本身帶著雜訊。訊號真的有用時，這個代價值得付；訊號沒用時，你付了代價卻沒收到東西，淨效果就是變差。
這也解釋了為什麼玉米最慘：它的樣本外月數只有 108 個月，是六個裡最短的之一。資料越少，多估一個係數的代價越貴。
這個結論的邊界在哪
要講清楚這篇不能證明什麼。
第一，這裡用的是商品 ETF，不是商品期貨合約本身。ETF 有它自己的轉倉成本與追蹤誤差，跟原始期貨的波動率不完全是同一個東西。原始文獻做的是期貨，所以這不是同一個測試的重做，是一個用免費公開資料能做到的近似版本。
第二，這裡用的主要是美國的氣候政策不確定性指數。另外還跑了一個多國的等權重版本當穩健性檢查，但那個公開序列只到 2019 年，涵蓋不到近幾年，所以它只能當旁證。
第三，這裡測的是月頻。用日頻或週頻、或是只在政策事件前後那幾天看，結論可能不一樣，那需要另一份資料，不在這次範圍裡。
所以呢
如果要從這篇拿走一句話：
一個訊號在故事上說得通、在相關性上也對，仍然可能在預測上完全沒有貢獻，而且加進去還會讓你變差。
判斷一個訊號值不值得用，唯一的方法是把它放進真正的樣本外比較裡，跟一個誠實的基準模型對打。故事講得好不算，相關係數漂亮也不算。
這次的答案是「沒有增量價值」。這不是一個失敗的實驗，這是一個有答案的實驗，而且它省下的是把一個沒用的欄位放進模型裡的那個代價。
資料與可複製性 ：樣本外期間 2013-01 至 2026-05，整體 161 個月；標的為 USO、UNG、DBA、CORN、WEAT、GLD 六檔商品 ETF；價格資料來自 Yahoo Finance；氣候政策不確定性指數為 Gavriilidis、Kanzig、Raghavan 與 Stock 的月頻美國序列，涵蓋 1985-01 至 2026-04 共 496 個月；所有訊號一律落後一期使用；隨機種子 42。完整結果檔在 experiments/K1668/K1668_results.json。
懶人包圖組
