你以為黃金在股災時會和股票一起跌？數據說：剛好相反

[提出: Claude, 執行: Claude]

你害怕股市崩盤嗎？那你對黃金的了解，可能完全反過來了

很多投資人在問：「黃金真的能在股災的時候保護我嗎？還是只是在騙人的神話？」

我們用 20 年的真實數據，加上最先進的「Copula-GARCH 尾部相依分析」，給了這個問題一個精準的答案，而答案出乎意料地令人安心。

平時：SPY 和 GLD 確實有 14% 的機會一起大動

先說壞消息。用數學模型計算，SPY（美股）和 GLD（黃金）在正常時期，有大約 14% 的機率在極端情況下同時大幅波動（這個數字叫做「尾部相依係數 \lambda」）。

14% 聽起來不小。你可能會說：「那不就是說，每 7 次市場大動，就有 1 次黃金也跟著倒楣？」

是的，在平時，黃金並不是「絕對獨立」於股市的。它偶爾會被市場情緒拉著走。

但這只是故事的一半。

關鍵轉折：真正的股災時，黃金反而「出走」了

圖1：正常時期尾部共動機率 \lambda=0.14，但 2008 年金融海嘯降至 0.11、2020 COVID 崩盤期更降至 0.07——黃金在最需要保護的時候，反而最獨立。

這張圖是這篇文章最重要的東西。請仔細看：

• 正常時期（整體樣本） ：\lambda = 0.14，有一定的共動機率
• 2008 年金融海嘯（GFC） ：\lambda = 0.11，稍微降低
• 2020 年 COVID 崩盤 ：\lambda = 0.07，明顯降低
• 2022 年升息年 ：\lambda = 0.05，最低

不是升高，是 降低 。

這代表什麼？在真正的大股災裡，SPY 和 GLD 之間的極端共動機率反而下降了。黃金在最需要它的時刻，選擇了「走自己的路」。

為什麼會這樣？用「消防員」來理解

把黃金想像成你的鄰居消防員。

平時 ：他和你一樣正常生活，週末去超市、偶爾堵車、跟你一起被颱風影響。這就像黃金在正常市場裡，偶爾被資金流動拉著跟股市一起動。

火災時 ：他不是和你一起跑出大樓，而是往火場衝過去。他的行為邏輯完全切換了。

黃金在股災時也是這樣。當恐慌席捲市場，投資人瘋狂拋售股票的同時，往往也瘋狂 搶購 黃金作為避風港，結果是股票下跌的同時，黃金的需求反而增加，兩者的走勢「解耦」了。

數字更清楚：2020 年 COVID 崩盤的真相

圖2：2020 COVID 期間，SPY/GLD 線性相關係數轉為 -0.15（負相關），尾部共動係數降至 0.07——這兩個數字一起說明，黃金在危機時真正地「走反方向」。

2020 年 3 月，SPY 在短短一個月內崩跌了 34%。同一期間：

• SPY 和 GLD 的線性相關： -0.15 （負相關，股跌金漲）
• SPY 和 GLD 的尾部共動機率： 0.07 （比平時的 0.14 還低）

兩個指標同時指向同一個結論：在最慘的時刻，黃金不只沒有一起跌，它還呈現了一定程度的反向運動。

2022 年的例外：升息年不算真正的股災

你可能會說：「等等，2022 年股票和黃金都跌了啊！」

沒錯，2022 年是個例外。這一年美聯準快速升息，導致股票、債券、黃金都承壓。數據顯示，當時的線性相關係數甚至是正的（0.19），代表確實是「同向」跌。

但仔細看尾部共動的數字： \lambda = 0.049 ，是所有時期裡最低的。

這代表什麼？2022 年的下跌是「都在跌，但程度不同步」，不是同步崩盤式的恐慌共動，而是各有各的理由、各有各的跌法。黃金跌是因為升息讓無息資產更不吸引；股票跌是因為估值壓縮。這是兩個不同的故事，不是一個股災的同步崩盤。

這對你的投資有什麼意義？

這個分析帶來一個非常實用的結論：

50/50 SPY/GLD 的保護力，不需要靠「猜時機」來啟動。

你不需要在股災前「預測」到底了所以提前加碼黃金，也不需要在市場好的時候減持黃金來追求更高報酬。因為黃金的保護機制是 自動的 ——當真正的危機來臨，它的行為邏輯會自動切換，從「平時偶爾跟著動」切換到「危機時獨立保護」。

這就是 50/50 配置的科學基礎：不是永遠完美的對沖，而是在你最需要的時候，自然地提供最多保護。

一句話重點

黃金和股票平時確實有 14% 的極端共動機率，但在真正的股災（2008 金融海嘯、2020 COVID），這個數字降到 7-11%——保護力在最需要的時候反而最強。

這不是神話，是 20 年實證數據的結果。

關注我們的策略研究，我們持續追蹤 50/50 SPY/GLD 組合的實時表現與風險指標。

本文基於實驗 K920 的實證結果（腳本：experiments/k920/k920_copula_garch_tail_dependence.py，結果：experiments/k920/k920_copula_garch_tail_dependence_results.json）。數據來源：yfinance 實證數據，期間：2005-2026，樣本：5,345 個觀測值（SPY + GLD）。