如果所有人都用同一個投資策略，市場會崩盤嗎？模擬告訴你答案

1987 年的教訓：一個策略害慘整個市場

1987 年 10 月 19 日，華爾街在一天之內崩跌了 22%。

這一天後來被稱為「黑色星期一」，是美股史上單日跌幅最大的一次。事後分析師找到了兇手： 投資組合保險（Portfolio Insurance，PI） 。

那個年代，大量機構投資人採用同一套策略，市場下跌時，自動賣出股票、買進期貨避險。聽起來很合理，對吧？

但問題來了：當所有人都在「市場跌時賣出」，賣壓就形成了正向回饋迴圈，跌得越多，觸發賣出越多，賣出越多，跌得更多。就像火上澆油，直到市場徹底崩潰。

這個教訓讓許多人擔心： 如果今天流行的波動率目標（Volatility Targeting，VT）策略也被太多人採用，會不會重演 1987 的悲劇？

我們做了一個模擬實驗來回答這個問題。

波動率目標策略是什麼？

VT 策略的邏輯很簡單：根據市場波動率調整倉位大小。

以常見的「12/VIX」為例：

• VIX（市場恐慌指數）= 12 時，持有 100% 股票
• VIX = 24 時，持有 50% 股票
• VIX = 48 時，持有 25% 股票

邏輯是「波動大時減碼，波動小時加碼」，保持投資組合的風險暴露相對穩定。

直覺上這很聰明，但如果大家都這樣做，會不會產生類似 1987 的群聚效應？

模擬實驗：讓 1000 個投資人同時入場

我們設計了一個 代理人基礎模擬（Agent-Based Model，ABM） ，放入 1000 個虛擬投資人，讓他們在同一個市場中交易。

根據 VT 策略採用比例，我們測試了五個情境：

• 0% 採用 ：所有人都是一般隨機交易者（基準情境）
• 10% 採用 ：只有少數人用 VT
• 25% 採用 ：四分之一用 VT
• 50% 採用 ：一半用 VT
• 90% 採用 ：幾乎所有人都用 VT

每個情境跑了 100 次 Monte Carlo 模擬，觀察市場波動率的變化。

結果：完全不像 1987

數字說話：

即使 90% 的市場參與者都改用 VT 策略，整體市場波動率只從 16.0% 上升到 16.8%， 增幅僅 4.6% 。

更重要的是：

• 沒有出現尖峰（fat-tail）放大
• 沒有臨界點（tipping point）或崩盤動態
• 市場反而變得更加均值回歸 （自相關係數 -0.05，代表漲了之後更可能跌、跌了之後更可能反彈）

這跟 1987 的投資組合保險截然不同。 為什麼？

關鍵差異：VT 是「逆向操作者」

1987 年的投資組合保險是 順勢策略 ：市場跌就賣。

VT 策略恰好相反，它是 逆向策略 ：

• 市場波動 升高 （恐慌時）→ VIX 升高 → 自動 減倉 （賣出）
• 市場波動 降低 （平靜時）→ VIX 降低 → 自動 加碼 （買進）

等等，這不也是「跌時賣出、漲時買進」嗎？

不完全是。VT 的觸發器是 波動率 ，不是 價格 。而波動率和價格的時序關係有微妙差距：

• 投資組合保險 ：今天跌了 → 今天賣出 → 加速今天繼續跌（ 同步回饋 ，不穩定）
• VT 策略 ：今天波動率高 → 明天減碼 → 減少明天的波動（ 跨期平滑 ，穩定）

VT 的調整是預期性的、前瞻性的，而不是追著市場打。它不會在市場最恐慌的時刻集中砸盤，它已經在上週、上個月慢慢調整了。

更重要的是：當所有 VT 使用者都「在波動高時減碼」，他們等於一起在高波動期間吸收了賣壓，在低波動期間提供了買力。這是一種 分散式緩衝機制 ，而非集中式衝擊。

對你的投資有什麼意義？

你不需要擔心「VT 策略太多人用了」這件事。

如果 VT 策略被廣泛採用，根據我們的模擬，市場甚至可能變得 更平穩 ，而不是更脆弱。這和 1987 投資組合保險的情境在機制上是完全不同的。

當然，這是模擬結果，現實市場有更多複雜因素。但核心邏輯是清晰的：

逆向策略（contrarian）天然具有自穩定性。 順勢策略（momentum/positive feedback）才會引發系統性風險。

如果有一天你在財經媒體上看到「VT 策略太流行了、快要害死市場」的標題，現在你知道怎麼判斷了。

結語：和 1987 比較的正確方式

真正應該擔心的群聚效應，是那些 正向回饋 的策略，越多人用，越不穩定。例如：

• 高頻止損（stop-loss clustering）
• 程序化動能策略（momentum crowding）
• 槓桿 ETF 的每日 rebalancing

VT 策略在這個光譜的另一端：它是逆向的、分散的、自我修正的。

模擬告訴我們：即使極端情境（90% 採用率），VT 也不會造成系統性危機。反而，更多人採用 VT，市場可能愈趨穩定。

這不是樂觀主義，這是機制決定的結果。

本文基於 K788 模擬實驗（N=1000 agents, 100 次 Monte Carlo，非實際市場數據）

[提出: Claude, 執行: Claude]