避險比率多久該重新估計？股票、黃金與公債期貨，答案完全不同
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。
用期貨避險一筆現貨部位，第一個要決定的數字是「避險比率」：每一塊錢的現貨部位，要用多少塊錢的期貨去對沖。這個比率通常用過去一段期間的現貨與期貨報酬做迴歸估出來，本身不是天生的常數。問題是：這段「過去一段期間」該抓多長？30 天、250 天，還是乾脆用一整年份的資料估一次就不動？
直覺上，窗口越短，避險比率越能跟上市場最新的關係，但也越容易被雜訊牽著走、越常需要調整部位（換手率越高、交易成本越大）；窗口越長，估出來的比率越穩定，但可能跟不上結構改變。這個直覺對不對，值不值得為了「精準」多付一點換手成本？我們用三組不同資產類別的現貨期貨配對，分別測了 30、60、120、250、500、1000 個交易日的滾動窗口，結果三條線走向完全不一樣。
怎麼測的
避險比率用最小變異數公式估計：某一天的避險比率，等於「截至前一天為止」那個滾動窗口內，現貨報酬與期貨報酬的共變異數除以期貨報酬的變異數。這裡刻意強調「截至前一天為止」，用來決定今天避險部位的比率，只能看得到今天以前的資料，不能偷看今天的報酬，這是避免 lookahead bias 的基本要求。樣本外測試期從 2020 年初開始。
三組現貨期貨配對，涵蓋股票指數、貴金屬與公債三種不同的風險結構：
- SPY 現貨 / E-mini 標普期貨（ES=F）
- GLD 現貨 / COMEX 黃金期貨（GC=F）
- TLT（20 年期以上美國公債 ETF）/ 10 年期公債期貨（ZN=F）
每組配對都算兩個指標： 避險效果 HE （把現貨部位用期貨對沖後，報酬變異數比不避險降低了多少百分比，數字越高代表避險越有效）；以及 換手率 （避險比率逐日變動幅度的年化值，數字越高代表你要越常調整期貨部位、付出越多交易成本）。另外用 Diebold-Mariano 統計量比較每個窗口設定和「最簡單的一比一避險」（每一塊錢現貨配一塊錢期貨，完全不估計）誰的避險誤差比較小，這個統計量的正負號和大小，決定了「花力氣估計」到底有沒有換到看得見的好處。
（ 方法論註記 ：本實驗原始結果檔同時包含 EWMA 動態避險比率的比較列。複查程式碼發現 EWMA 分支在樣本外起點的共變異數/變異數初始化用了長度為零的視窗，導致四種 EWMA 衰減參數算出來的避險比率其實全部退化成固定的 1.0——與「不估計」的基準完全相同。這個問題已記錄，本文不引用任何 EWMA 數字，只使用邏輯正確、且對三種資產都做過的滾動迴歸窗口比較。）
完整結果：六個窗口 × 三組資產
| 資產配對 | 窗口（交易日） | 避險效果 HE | 換手率 | DM 統計量（vs一比一避險） |
|---|---|---|---|---|
| SPY-ES | 30 | 93.97% | 1.63 | -3.12 |
| SPY-ES | 60 | 94.11% | 0.77 | -1.99 |
| SPY-ES | 120 | 94.13% | 0.41 | -1.61 |
| SPY-ES | 250 | 94.28% | 0.20 | -1.02 |
| SPY-ES | 500 | 94.33% | 0.11 | -0.49 |
| SPY-ES | 1000 | 94.36% | 0.06 | -0.31 |
| GLD-GC | 30 | 84.63% | 3.45 | 1.48 |
| GLD-GC | 60 | 84.98% | 1.76 | 2.55 |
| GLD-GC | 120 | 85.25% | 0.85 | 3.29 |
| GLD-GC | 250 | 85.34% | 0.41 | 3.58 |
| GLD-GC | 500 | 85.40% | 0.21 | 3.77 |
| GLD-GC | 1000 | 85.35% | 0.12 | 3.44 |
| TLT-ZN | 30 | 67.67% | 15.92 | 6.94 |
| TLT-ZN | 60 | 67.68% | 7.90 | 7.01 |
| TLT-ZN | 120 | 67.08% | 4.15 | 7.21 |
| TLT-ZN | 250 | 66.39% | 1.91 | 7.51 |
| TLT-ZN | 500 | 65.17% | 1.03 | 7.33 |
| TLT-ZN | 1000 | 64.29% | 0.50 | 6.78 |
負的 DM 統計量代表該窗口設定顯著或方向上輸給一比一避險；正值代表贏過一比一避險；數字取自 experiments/i12/i12_window_sensitivity_results.json 的 rolling_ols 方法列，未經任何篩選或排除（除上述已排除的 EWMA 列）。
股票期貨：怎麼估都差不多，一比一已經很夠用
SPY 現貨對 E-mini 期貨的避險效果，30 天窗口是 93.97%，1000 天窗口是 94.36%——窗口拉長 33 倍，避險效果只多了 0.4 個百分點。更Diebold-Mariano 檢定：沒有一個窗口設定顯著贏過最單純的一比一避險，30 天窗口的統計量甚至是 -3.12（顯著 輸給 一比一避險），其餘窗口的統計量介於 -1.99 至 -0.31 之間，同樣沒有顯著優於什麼都不算、直接用一比一的簡單做法。
換句話說：對股票指數期貨避險而言，花力氣估計比率，換到的統計上可驗證的好處幾乎是零，最短窗口甚至可能因為追逐雜訊而做得比什麼都不算還差。但如果你還是想估一個比率，窗口的選擇不是沒差——30 天窗口的年化換手率是 1.63，1000 天窗口只有 0.06，相差 27 倍。既然避險效果幾乎沒差，換手率卻差了 27 倍，長窗口是白撿的便宜。
黃金期貨：長窗口是少數「真的比較好」的例子
GLD 現貨對黃金期貨的故事和股票不一樣。30 天窗口的避險效果是 84.63%，統計量只有 1.48，還沒有顯著贏過一比一避險；但拉長到 120 天，避險效果升到 85.25%，統計量來到 3.29，500 天窗口的避險效果 85.40%、統計量 3.77，1000 天窗口統計量仍有 3.44——中長窗口都清楚跨過「顯著優於一比一」的門檻。
這是三組資產裡唯一一個「花力氣估計、而且估對了窗口，確實換到看得見好處」的例子，而且好處和便宜同時出現：500 天窗口不只避險效果最好，換手率（0.21）也遠低於 30 天窗口的 3.45。對黃金期貨避險的人來說，「用長一點的歷史窗口估比率」不是保守的選擇，是同時最有效、最省事的選擇。
公債期貨：故事整個反過來
TLT 對 10 年期公債期貨的結果，和前兩組完全相反。首先，每一個窗口設定都大幅、顯著贏過一比一避險——30 天窗口統計量高達 6.94，1000 天窗口也有 6.78。這不難理解：TLT 追蹤的是 20 年期以上公債，存續期間遠長於 10 年期公債期貨對應的存續期間，兩者對利率變動的敏感度天生不對等，一比一的名目金額對沖等於用錯的比例在對沖，估一個比率是必要的，不是可有可無的精緻化。
但決定「估多長的窗口」這件事，答案和股票、黃金正好相反：30 天窗口的避險效果是 67.67%，250 天窗口降到 66.39%，1000 天窗口只剩 64.29%——窗口越長，避險效果越差，趨勢從頭到尾一致，不是雜訊。代價也很清楚：30 天窗口的年化換手率是 15.92，是整張表裡最高的數字，250 天窗口降到 1.91。對公債期貨避險的人而言，這是一個真正的取捨：用短窗口追蹤利率敏感度的變化，要付出高換手率的代價；用長窗口省成本，付出的代價是實質的避險效果損失，不是誤差範圍內的雜訊。
三條線放在一起看
這兩張圖背後其實是一個共同結論： 「避險比率多久重估一次」沒有放諸四海皆準的答案，答案取決於你在避險什麼。 股票指數期貨避險的關鍵問題，是要不要為了幾乎測不到的精準度多付換手成本，答案是不用；貴金屬期貨避險，用長一點的窗口是少數「更好、更便宜」同時成立的情況；公債期貨避險，估計比率這件事本身是必要的，但選窗口是真正的成本與效果的取捨，不是免費的午餐。
局限
三組配對只涵蓋美股期貨市場，沒有涵蓋台灣期貨市場或其他新興市場資產，避險比率的窗口敏感度是否在流動性較低的市場呈現不同型態，本研究無法回答。DM 檢定比較的基準是最單純的一比一避險，不是「業界常見的替代方法」，如果讀者的比較對象是其他動態避險模型（例如 GARCH 條件共變異數），本研究的結論不能直接套用。原始結果檔中的 EWMA 分支存在上述初始化缺陷，需要另外修正重跑才能納入比較，本文對此不做延伸推論。
資料與方法來源
- 現貨與期貨日收盤價：yfinance，樣本外測試期自 2020-01-01 起
- 避險比率估計：滾動視窗最小變異數公式（
Cov(現貨報酬, 期貨報酬) / Var(期貨報酬)），視窗嚴格取自預測當日之前的資料 - 完整程式碼與結果：
experiments/i12/i12_window_sensitivity_hedge.py、experiments/i12/i12_window_sensitivity_results.json