800+ 實驗後的誠實反思：我們到底學到了什麼？

[提出: 用戶 (根本問題), Claude (反思整理)]

「會不會你現在的策略都不適合？」

—— 一位讀者的提問，也是我們必須面對的問題。

一個不舒服的數字

VolPred 系統至今已執行超過 800 個實驗、產出 591 個實驗腳本、累積 1637 條知識記錄。光是今天一天，就做了 18 個實驗。

但如果誠實面對結果—— 大多數實驗的結論是 NULL 。

這不是失敗的標誌。在科學研究中，知道什麼「不行」跟知道什麼「行」一樣重要。但如果我們不停下來認真盤點，就會犯一個更大的錯： 在已經證明走不通的路上繼續投入資源 。

今天，我們做一次完全透明的覆盤。

確定失敗的方向：不要再走了

1. 日頻報酬率預測：EMH 對 SPY 確實有效

K840 的結果很明確：即使用 GARCH 條件波動率做信號，SPY 的日頻方向預測準確率只有約 55%。這個數字在扣除交易成本後無法產生穩定 alpha。

34 次獨立驗證 都指向同一結論：沒有任何變數，包括 VIX、FRED 總經指標、情緒指數，能夠可靠預測 SPY 的每日漲跌。效率市場假說在日頻層面、對大型指數而言，是成立的。

2. 沒有模型能統計顯著打敗 GJR-GARCH

我們讓 7 種不同的機器學習模型挑戰 GJR-GARCH：KAN（Kolmogorov-Arnold Network）、GRU、GINN、Random Forest、XGBoost、LSTM，以及各種 ensemble 方法。

結果：7 戰 7 敗。 沒有一個能在 Harvey (2016) t > 3.0 的門檻下統計顯著勝出。GJR-GARCH 在日頻波動率預測上，就是王者。它的槓桿效應項捕捉了最關鍵的不對稱性，而且只用 4 個參數。更複雜的模型帶來的只是更多的過擬合風險。

3. 沒有策略能打敗 50/50 SPY/GLD

K702 的 grid search 確認：在風險調整後，50/50 SPY/GLD 的靜態配置在 Sharpe 上沒有被任何動態策略打敗。我們測試了 10+ 種 VT（Volatility Targeting）策略的變體，調整閾值、改變頻率、加入額外信號—— 全部無法在統計上超越 這個最簡單的配置。

4. Bayesian 沒有改善 MLE

K814v2 和 K839 都明確顯示：對 GARCH 家族模型而言，Bayesian 估計並沒有比最大概似估計（MLE）產生更好的預測。先驗分配帶來的 shrinkage 效果，在大樣本下可以忽略不計。

5. 其他確認失敗的方向

• 國會議員跟單交易 （K823v2）：用真實交易數據驗證，完全沒有 alpha。政治人物的交易時機並沒有比隨機好。
• 夜盤 momentum （K838）：不但沒有正向 momentum，信號是 反向的 。
• 期貨日頻避險 （K841）：使用夜盤開始前最後一個可得的 VIX 日收盤，至少落後一個美國交易時段。部分覆蓋降低了平方報酬風險，但報酬、回撤與成本合併後，仍不足以證明整體策略效用更好；更快的盤中信號未被測試。

確定成立的結論：這些是真的

1. VT 是保險，不是 alpha generator

這是我們最重要的發現，也是最需要正確理解的：

• VT 策略可以降低最大回撤（MDD） 30-50%
• 但代價是每年約 4% 的保費 （Sharpe ratio 略低於 Buy & Hold）
• 原因很清楚：VIX 預測 vol magnitude（相關性 0.57），但 不預測方向 （相關性 0.04）

這不是失敗。保險本來就不是用來賺錢的。對風險厭惡係數 gamma >= 5 的投資人而言（K688），VT 在 CRRA 效用框架下確實勝出。 VT 的價值在於讓你睡得好，不是讓你賺更多。

2. GJR-GARCH 是日頻波動率預測之王

在所有模型中（包括 EGARCH、TGARCH、各種 ML），GJR-GARCH(1,1) with Student-t innovations 一直是最穩健的選擇。它在 QLIKE loss function 上的表現跨資產一致地最好或不可區分地接近最好。

3. HistSim 和 Student-t 是 VaR 最佳實踐

K829 跨資產驗證（SPY、QQQ、EWZ、0050.TW）：歷史模擬法（Historical Simulation）和 Student-t 分配在 VaR 估計上一致表現最佳。Cornish-Fisher 展開式特別適合高峰態資產如台股（K836）。

4. VRP（波動率風險溢酬）一致為正

K833 確認：市場在 78% 的時間高估恐慌。隱含波動率 > 實現波動率 是常態。這是一個結構性的收益來源，不是預測的結果。

5. VT 擁擠效應：模擬裡找不到臨界點

擁擠模擬（K827v3、K1471）把 VT 採用率從 10% 拉到 100%，策略夏普比率都沒有顯著退化，市場波動率與閃崩頻率也不隨採用率上升。模擬沒有重新校準價格衝擊係數，所以能確定的只有「這個簡化模型不支持擁擠臨界點」，不能延伸成「擁擠風險不存在」。

範式轉向：下一步該往哪走？

當你在一個方向上做了 800+ 個實驗還是 NULL，正確的反應是 換方向 ，再多試幾個不會改變結果。

1. 從「預測」到「結構性收益」

我們花了太多精力試圖預測市場的下一步。但 VRP 研究（K833）告訴我們： 有些收益不需要預測，它們是市場結構的產物 。波動率賣方收取的保費、再平衡帶來的 rebalancing premium——這些是可以系統性收割的。

2. 從「日頻」到「多頻率」

EMH 在日頻對大型指數有效。但月頻呢？季頻呢？K697 顯示 VIX 不能預測每日方向，但 VIX 的 月度 regime （高/中/低）與後續月報酬有更清晰的關係。多頻率框架可能揭示不同的 alpha 結構。

3. 從「回測」到「可稽核的執行假設」

K841 的教訓不是一句「信號延遲」就能概括。歷史回測必須明確記錄每個信號真正可得的時間、期貨夜盤的會計方式、缺盤處理、換月規則與每一腿成本；其中任何一項錯置，都可能改變績效數字。更快的盤中信號與 live execution 仍需另外測試，不能從這個日頻實驗直接推論。

4. 從「Alpha」到「風險管理」

也許我們問錯了問題。與其問「如何賺更多」，不如問「如何虧更少」。VaR 估計（K829）、Cornish-Fisher 風險調整（K836）、VT drawdown protection——這些才是大多數投資人真正需要的。

5. 從「美股」到「效率較低的市場」

SPY 太有效率了。但 K461 在台股（0050.TW）上用 SSVS 方法竟然選出了 SPY 作為最佳外生預測因子（PIP=1.000），而美股上同一方法選的是空模型。 效率較低的市場可能有更多結構性機會。

誠實的結論

800+ 個實驗之後，我們的答案是：

是的，對於「打敗市場」這個目標，我們的策略確實不適合。

但對於「在承擔較少風險的前提下獲得合理回報」，我們學到了很多確定有效的方法。50/50 SPY/GLD 配置、GJR-GARCH 波動率估計、VT drawdown protection、HistSim VaR——這些不是 alpha，但它們是 真正有用的工具 。

科學研究的價值不在於每次都發現新大陸。800 個 null results 畫出了一張清晰的地圖：告訴你哪些路走不通，這本身就是極有價值的知識。

下一步，我們不會停止實驗。但我們會更聰明地選擇方向。

本文基於 VolPred 系統 800+ 實驗的綜合反思。主要引用實驗：K840（日頻預測）、K697（VIX 方向預測）、K687/K688（VT 策略 lag 修正）、K702（50/50 最佳配置）、K829（跨資產 VaR）、K833（VRP）、K836（Cornish-Fisher）、K827／K827v3／K1471（VT 擁擠度）、K823v2（國會跟單）、K838（夜盤動量）、K841（期貨日頻避險）、K814v2/K839（Bayesian vs MLE）。數據來源：yfinance、FRED、CBOE。