2026-07-12 方法更正 ：五段 DM 比較改用 canonical Newey–West HAC 後，GJR-X(VIX) 的 QLIKE 點估計仍是 5/5 較低、平均改善 17.43%，但統計值均未跨過 Harvey t>3（0/5）。三段名目 p<0.10 可列為探索性證據；VaR Trinity 結果不受 DM 修正影響。

[提出: Claude, 執行: Claude]

K486：GJR-X(VIX) 的 QLIKE 點估計 5/5 較佳，但嚴格顯著門檻未過

摘要

K486 在 GJR-GARCH 變異數方程式加入 VIX 平方。SPY 五段樣本外比較中，GJR-X(VIX) 的 QLIKE 點估計均較低，平均改善 17.43%；canonical HAC 後三段名目 p<0.10，但 0/5 跨過 Harvey t>3。1% VaR Trinity Test 仍是 5/5 通過，與原 GJR 相同。跨資產 K487 顯示方向主要集中在股票，債券與商品沒有一致的預測提升。

一、背景：63 個實驗建立的不可能三角

1.1 HAR log-range 的預測優勢與 VaR 失敗

在超過 63 個系統性實驗中，我們對 SPY 進行了全面的波動率模型評估。其中，基於 Parkinson（1980）Range 估計量的 HAR（Heterogeneous Autoregressive）模型在預測精度上持續領先：跨 OOS 期間的 QLIKE 損失函數（Patton 2011）始終優於 GJR-GARCH。

然而，HAR log-range 在 VaR 風險管理上徹底失敗：

HAR 失敗的原因清晰：Parkinson Range 僅捕捉日內波動，完全遺漏隔夜跳空（overnight gaps）。當股市在收盤後發生重大事件，次日開盤跳空，HAR 的預測值系統性偏低，導致 VaR 邊界設得太窄，真實損失頻繁穿破。

K467、K476 的實驗結果明確顯示：任何包含 HAR 成分的組合（Ensemble）都會「污染」VaR 表現。

1.2 Regime-switching 嘗試失敗（K480）

K480 嘗試了一個直觀的解法：在平靜市場（VIX < 20）用 HAR，在危機市場（VIX ≥ 20）切換到 GJR，期望在保留 GJR VaR 保護的同時獲得 HAR 的預測優勢。結果令人失望：Regime-switching 未能穩定地兩全其美，切換時機難以把握，且引入了額外的模型風險。

這就是「不可能三角」的核心悖論 ：最佳預測工具（HAR）和最佳風控工具（GJR）似乎是相互排斥的。

二、K486 的候選設計：一個方程式的修改

2.1 GJR-GARCH-X(VIX) 的模型設計

候選做法很簡單。標準 GJR-GARCH(1,1) 的變異數方程式：

h_t = $\omega$ + $\alpha$·$\epsilon$²_{t-1} + $\gamma$·I($\epsilon_{t$-1}<0)·$\epsilon$²_{t-1} + $\beta$·h_{t-1}

加入一個外生變數，前一日 VIX 的平方，除以 252（年化調整）：

h_t = $\omega$ + $\alpha$·$\epsilon$²_{t-1} + $\gamma$·I($\epsilon_{t$-1}<0)·$\epsilon$²_{t-1} + $\beta$·h_{t-1} + δ·VIX²_{t-1}/252

參數 δ 衡量 VIX² 對下一期已實現變異數的預測貢獻。除以 252 將年化 VIX² 轉換為日頻尺度，確保 δ 在可解釋的範圍內。

2.2 為什麼這個設計有意義

VIX 是 SPY 選擇權的隱含波動率（30 天期），反映市場對未來波動的 前瞻性預期 ，而非已實現波動的事後描述。大量文獻（Christensen & Prabhala 1998; Blair et al. 2001）顯示隱含波動率包含已實現波動率不具備的「信息增量」（information content）。

在 K486 的數據中，VIX² 與 SPY 已實現變異數（r²）的相關係數達到 r=0.559 ，遠高於非股票資產（TLT: r=0.385，GLD: r=0.220，台灣 0050.TW: r≈0.022）。這個統計特性是 GJR-X(VIX) 在股票資產上有效的先驗條件。

三、K486 核心結果：SPY 5×Cross-OOS

3.1 數據與方法

3.2 預測結果：5/5 點估計較低

2017–2018「Volmageddon」期間的 QLIKE 點估計改善最大，為 -51.54% ；canonical HAC 統計值 2.532、雙尾 p=0.0116，仍未跨過 Harvey 3.0。這一格支持 VIX 含有前瞻資訊的候選解釋，但不能單獨確立機制。

3.3 VaR 結果：1% Trinity Test 5/5 全部通過

Trinity Test 包含三個互補的 VaR 後驗測試：

• Kupiec (1995) ：無條件覆蓋率測試（實際超越率是否等於 1%）
• Christoffersen (1998) ：條件覆蓋率測試（超越事件是否獨立）
• DQ Test (Engle-Manganelli 2004) ：動態分位數測試（超越事件是否與已知信息無關）

GJR-X(VIX) 維持了 GJR-GARCH 原本的 1% VaR 表現；預測端是五段一致的點估計改善線索，尚未通過 Harvey 嚴格門檻。

3.4 Delta 穩定性：VIX 效應不隨時間飄移

一個關鍵的模型可靠性指標是 δ 參數（VIX 係數）的跨期穩定性：

CV=0.13 意味著 δ 的標準差僅為均值的 13%，顯示 VIX 對 SPY 波動率的影響是穩定的結構性關係，而非偶發的噪音。這是選擇固定參數 GJR-X 而非更複雜的 Time-Varying Parameter（TVP）模型的統計依據——K463 的 TVP-GARCH-X 在台灣資產上失敗，也部分反映了這一點：若 δ 本身不穩定，TVP 只是增加估計不確定性。

四、理論解釋：為什麼 VIX 能兩全其美

4.1 HAR 失敗 VaR 的根本原因

HAR log-range 失敗 VaR 的機制：

Parkinson Range → 捕捉日內波動 → 遺漏隔夜跳空
→ $\sigma$̂ 系統性低估 → VaR 邊界過窄 → 超越率過高

問題出在 輸入數據（Range）的結構性缺陷 ：Parkinson estimator 假設連續價格過程，不適用於有隔夜跳空的金融資產；HAR 規格本身並非此處根因。

4.2 GJR-X(VIX) 的雙重機制

VIX 帶入的「隱含波動率風險溢酬（VRP）」使 GJR-X(VIX) 同時獲益：

機制一（改善預測）：VIX 含 Forward-Looking 信息

隱含波動率反映市場參與者對未來波動的預期，而 GARCH 型模型僅利用歷史已實現波動率的自回歸結構。當市場預期未來波動上升（VIX 升高），GJR-X(VIX) 能提前調高 h_t，比純 GARCH 更早反應。

機制二（維持 VaR 保護）：VRP 使預測保守

金融文獻早已確立 VRP（Implied - Realized ≈ +20%）：VIX 系統性地高於已實現波動率約 20%。這個「天然偏高」使 GJR-X(VIX) 預測的波動率不會像 HAR 一樣低估：

• HAR 的低估：遺漏隔夜跳空 → $\sigma$ 偏低 → VaR 失敗
• GJR-X(VIX) 的均衡：VRP 偏高 → $\sigma$ 適度保守 → VaR 通過

換言之，VIX 中的風險溢酬在預測上是「額外信息」，在風控上是「安全邊際」，同一個特性同時服務兩個目標。

五、K487：跨資產驗證，成果與邊界

K487 對 6 個資產進行相同測試（OOS: 2023-2024），結果揭示了 GJR-X(VIX) 的適用邊界：

5.1 跨資產摘要表

注：0050.TW 使用 VIX 滯後一天（時區調整，美國收盤 → 台灣次日）。

5.2 關鍵發現

Forecasting 改善是 equity-specific

• 美股（SPY、QQQ、EEM）：VIX 方向改善（3/4 更好）
• 非股票資產（TLT、GLD）：中性或略差（VIX 與 VRP 結構不同）
• 台灣（0050.TW）：顯著更差

背後原因：VIX 是 SPY 的隱含波動率，與美股的 VRP 結構高度相關（VIX² 與 r² 相關 r=0.559）。對 TLT（債券）的相關性降至 0.385，對 GLD（黃金）降至 0.220，對台灣 0050.TW 更僅為 0.0005——VIX 幾乎不包含台灣股市的信息。

VaR 保護對非台灣資產廣泛有效

5 個非台灣資產中，VaR Trinity Test 全部通過（含 QQQ 的 GJR-X 從 2/3 修復到 3/3）。台灣失敗的原因是資料問題：0050.TW 的標準化殘差顯示極端峰度（kurt=2142），資料品質導致 ARCH LM test p=1.0，GARCH 框架本身可能不適用。

5.3 結論定性

GJR-GARCH-X(VIX) 是值得保留的 美股波動率管理候選模型 ：

1. 相對純 GJR-GARCH 的 QLIKE 點估計 5/5 較低，但 0/5 跨過 Harvey 門檻
2. 1% VaR Trinity 5/5 通過，與純 GJR 相同
3. δ 係數跨期穩定，不需要額外的 Regime-switching

六、與現有文獻的對話

本研究的發現與多條文獻脈絡直接相關：

GARCH-X 的信息增量 （Day & Lewis 1992; Blair et al. 2001）：文獻已廣泛證實隱含波動率改善 GARCH 預測，但多數研究停留在 IS 驗證或單一 OOS 期間。本研究提供 5×Cross-OOS 跨市場制度的點估計一致性檢查 ，覆蓋 2015 至 2024 的 Volmageddon、COVID、升息等環境；0/5 Harvey 的結果限制了正式結論強度。

VaR 回驗框架 （Kupiec 1995; Christoffersen 1998; Engle-Manganelli 2004）：Trinity Test 是 Basel 監管框架認可的標準組合。結果顯示，加入 VIX 項後的 GJR-X 在五段 OOS 都保留 1% VaR 三重測試 PASS；原 GJR 同樣是 5/5，不能把它解讀成 VaR 的增量改善。

預測-風控 Trade-off 文獻 （Andersen et al. 2003; Hansen & Lunde 2005）：前人多關注單一目標的最佳模型，鮮少同時優化兩個目標。本研究的「不可能三角」框架仍適合檢查預測與風控的取捨；GJR-X(VIX) 提供一致的點估計改善線索，但需更多樣本才能把它定為正式解法。

七、局限性與未來方向

1. 單一 VIX 代理 ：我們使用 ^VIX（SPX 30 天隱含波動率）。對於不同到期期限的 VIX term structure（VXST、VIX3M）是否能進一步改善，尚未探索。

2. 樣本期間 ：數據為 2005-2026，包含 2008 金融危機後的量化寬鬆環境。在此之前的利率環境（1990s）可能有不同表現。

3. 台灣市場 ：台灣 0050.TW 結果為負，且資料診斷顯示異常峰度，需要更仔細的資料品質排查再下結論。

4. 交易成本 ：本研究為純波動率預測研究，未評估基於 GJR-X(VIX) 預測的交易策略淨績效（after transaction costs）。

5. 參數估計方法 ：採用月度 refit（每 21 個交易日），更高頻的 refit 是否進一步改善尚待驗證。

八、結論

在 63 個實驗累積的「波動率預測與風控不可能三角」中，GJR-GARCH-X(VIX) 提供一個值得續驗的候選：

在 GJR-GARCH 的變異數方程式加入 VIX²/252，用隱含波動率的前瞻信息補足純歷史模型的局限。

核心結論：

• 預測（SPY） ：QLIKE 平均改善 17.43%，5/5 期間點估計優於基準；3/5 名目 p<0.10，0/5 通過 Harvey t>3
• 風控（SPY） ：1% VaR Trinity Test 5/5 通過（與 GJR 相同）
• 穩定性 ：δ 係數 CV=0.13，不需要 TVP 或 Regime-switching
• 邊界 ：效果為 equity-specific；台灣市場因 VIX 相關性趨近零（r²≈0.0005）不適用

這組結果顯示，將隱含波動率納入既有模型可能同時保留 VaR 合規性與較低的 QLIKE 點估計；正式預測優勢仍需新的 OOS 證據確認。

參考文獻

• Patton, A.J. (2011). "Volatility Forecast Comparison Using Imperfect Volatility Proxies." Journal of Econometrics, 160(1), 246-256.
• Diebold, F.X. & Mariano, R.S. (1995). "Comparing Predictive Accuracy." Journal of Business and Economic Statistics, 13(3), 253-263.
• Kupiec, P. (1995). "Techniques for Verifying the Accuracy of Risk Measurement Models." Journal of Derivatives, 3(2), 73-84.
• Christoffersen, P. (1998). "Evaluating Interval Forecasts." International Economic Review, 39(4), 841-862.
• Engle, R.F. & Manganelli, S. (2004). "CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles." Journal of Business and Economic Statistics, 22(4), 367-381.
• Blair, B.J., Poon, S.H. & Taylor, S.J. (2001). "Forecasting S&P 100 Volatility: The Incremental Information Content of Implied Volatilities and High-Frequency Index Returns." Journal of Econometrics, 105(1), 5-26.
• Day, T.E. & Lewis, C.M. (1992). "Stock Market Volatility and the Information Content of Stock Index Options." Journal of Econometrics, 52(1-2), 267-287.
• Christensen, B.J. & Prabhala, N.R. (1998). "The Relation Between Implied and Realized Volatility." Journal of Financial Economics, 50(2), 125-150.
• Parkinson, M. (1980). "The Extreme Value Method for Estimating the Variance of the Rate of Return." Journal of Business, 53(1), 61-65.
• Hamilton, J.D. (1989). "A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle." Econometrica, 57(2), 357-384.

數據來源：yfinance（SPY、QQQ、EEM、TLT、GLD、0050.TW、^VIX），實證數據。 實驗腳本：experiments/k486_gjr_vix_final.py（SPY Cross-OOS），experiments/k487_gjr_vix_cross_asset.py（跨資產） 結果檔案：experiments/k486_gjr_vix_final_results.json，experiments/k487_gjr_vix_cross_asset_results.json