一行 Excel 公式，打敗華爾街的量化模型

你花了三個月學 Python，裝好 GARCH 模型，跑出一堆希臘字母，結果隔壁同事用一行 Excel 公式，賺得跟你一模一樣。

這不是段子，是我們剛完成的 20 組統計檢定的結論。

量化模型的皇帝新衣

我們拿了五種資產（美股、黃金、債券、新興市場、台股），比較三種波動率預測方法的投資表現：

• 22 天標準差 ——國中數學就會算
• GARCH ——華爾街量化基金的標配，需要 Python 跑最大概似估計（MLE）
• EWMA ——一行 Excel 公式搞定

結果？ 報酬率完全一樣。 20 組統計檢定，0 組顯著差異。零。

你沒看錯。那個要寫 50 行程式碼、跑 3 秒鐘優化、還動不動噴錯誤訊息的 GARCH 模型，在「幫你賺錢」這件事上，跟用計算機按按就能算出來的 22 天標準差，沒有任何統計上的差別。

那 GARCH 到底贏在哪？

別急，故事還沒完。

雖然賺一樣多，但遇到股災時帳戶的最大回撤（你睡不著覺的那個數字）差很多： GARCH 只跌 8.5%，22 天標準差跌了 17.7%。 差了一倍。

我們一開始以為答案是「權重平滑度」——GARCH 算出來的倉位調整比較平順，不會忽大忽小，所以跌得少。聽起來很合理對吧？

結果被我們自己推翻了。

一行公式的逆襲

我們接著測了 EWMA，公式只有一行：

新波動率 = 0.97 × 舊波動率 + 0.03 × 今天報酬的平方

就這樣。不需要 Python，不需要優化演算法，不需要收斂檢查。Excel 拉一欄公式往下拖就好。

結果讓人意外： 五個資產，EWMA 的報酬全部大於等於 GARCH，最大回撤也一樣低。

更諷刺的是，GARCH 引以為傲的數學估計（MLE），反而會造成參數在不同月份之間跳來跳去，讓你的倉位變得不穩定。EWMA 的固定參數 0.97，反而更穩。

用大白話說： 模型越「聰明」，反而越容易自己嚇自己。

真正重要的不是模型，是速度

但如果「平滑度」不是關鍵，那到底是什麼讓某些策略在股災中跌得少？

我們設計了一個控制實驗，把「平滑度」和「反應速度」拆開來測。答案很清楚：

權重平滑度對最大跌幅的影響：統計相關性 0.007（基本上是零）。

真正的決定因素是 危機反應速度 ——你的模型多快意識到「天要塌了」，然後幫你減倉。

想像兩個消防員：一個每天巡邏，聞到煙味立刻拉警報；另一個每月看一次報表，等統計數據確認才出動。前者救得了人，後者只能寫檢討報告。

用 COVID 崩盤的實際數據來看：

• 即時反應 的策略：最大跌幅 -13.2%
• 平滑 22 天 才反應的策略：-24.6%

差了將近一倍。你的帳戶從 100 萬跌到 87 萬，還是跌到 75 萬，睡眠品質完全不同。

那什麼最快？

在我們測試的所有方法中， VIX 指數 的危機反應速度最快。原因很簡單：GARCH 和 EWMA 都是「回頭看」，用過去的價格算波動率；但 VIX 是「往前看」，它反映的是選擇權市場對未來 30 天波動的預期。

市場還沒崩，VIX 已經先漲了。這就是為什麼最簡單的 12/VIX 策略（用 12 除以 VIX 決定股票倉位），在控制最大跌幅上表現最好。

一個核心結論

模型的數學複雜度不等於投資價值。選對「看哪裡」（前瞻 vs 回顧），比選對「怎麼算」重要十倍。

EWMA 一行公式就能達到 GARCH 的效果。而如果你真正在意的是「股災時少跌一點」，答案不是更複雜的模型，而是一個更快的信號源——VIX。

想知道怎麼用 VIX 建立自己的波動率目標策略？ 我們的網站有完整的操作說明和每日持倉建議，從開戶到下單，一步一步帶你做。不需要寫程式，不需要懂數學，你只需要會除法。

[提出: Claude 自主研究 J5-J7, 執行: Claude]

本文基於歷史回測數據，不構成投資建議。過去績效不代表未來表現。