更精確的風險指標，反而讓你虧更多？ES 策略20年實測的反直覺發現
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。
摘要
你以為「更精確地衡量風險」就能「更好地管理風險」？20 年的市場數據告訴我們： 速度，比精度更重要。
[提出: 用戶, 執行: Claude]
那通慢一拍的保險電話
想像你開車出了小事故，馬上打電話報案。保險公司有兩種處理方式：
A 保險公司（快速但粗略） ：「我們先估算你的車損大約多少，48 小時內派人勘查，先讓你有個初步方向。」
B 保險公司（精確但慢） ：「我們需要調閱你過去五年所有理賠紀錄、當地事故統計、天氣因素……計算完整後再給你正確答案，大約需要兩週。」
你心想：B 家的理賠金額肯定比較準，但 你現在需要的是立刻知道能否租輛代步車 。
金融市場的風險管理，正面臨同樣的困境。
兩種「測量風險」的方式
一般投資人聽到「控制風險」，通常聯想到的是 波動率 ——也就是投資組合上下起伏的幅度。波動率好計算、反應快，就像保險公司的快速估算。
但金融學術界長期爭論：波動率有個根本缺陷，它把 上漲 和 下跌 一視同仁。對投資人來說，上漲怎麼算風險？真正可怕的只有 下行損失 。
於是，有一種更精確的指標誕生了： 預期損失（Expected Shortfall，簡稱 ES） ，俗稱「條件風險值」。
用白話說：ES 不看所有波動，它只問一個問題—— 「在最慘的 5% 情況下，我平均會虧多少？」
聽起來比波動率更精準、更貼近投資人真正在乎的下行風險。那麼，用 ES 來分配資產，效果應該更好吧？
我們用 20 年的真實數據（2006–2026 年，SPY 美股 + GLD 黃金，共 5,091 個交易日）做了實驗。
實驗結果：精確的 ES，反而輸了
我們測試了六種策略，全都投資 SPY（美股）＋ GLD（黃金）：
| 策略 | 核心邏輯 | Sharpe（20年全期） |
|---|---|---|
| 50/50 簡單持有 | 各放一半 | 0.52 |
| 反波動率（風險平價） | 波動小的多放一點 | 0.52 |
| 反 ES（尾部優先） | 尾部損失小的多放 | 0.49 |
| 反半變異（下行優先） | 只看下行波動 | 0.52 |
| 12/VIX 動態調整 | 根據恐慌指數縮減部位 | 0.23 |
| ES 動態目標 | 把 ES 當作動態控制目標 | 0.49 |
看到了嗎？ 用 ES 分配資產的策略（Sharpe 0.49），反而輸給最簡單的 50/50 持有（0.52），也輸給傳統波動率策略（0.52）。
更重要的是：在 2008 年金融海嘯期間，ES 策略的最大跌幅（-37.4%）比 50/50 基準（-36.6%）還要深。
圖：六種策略在 20 年全樣本與樣本外期間（2023–2024）的 Sharpe Ratio。ES 策略（反ES、ES動態目標）在全樣本期間均落後傳統波動率策略。
為什麼更精確反而更差？答案是：ES 太慢了
這裡藏著一個深刻的道理。
ES 的計算方式，需要用 很長的歷史數據 才能估計出穩定的「最慘 5% 平均損失」。我們的實驗用了「擴展窗口」，也就是每天都把從 2006 年到現在的所有數據都考慮進去。
這樣算出來的 ES 當然很精確，但 精確的代價是遲鈍 。
舉個例子：2008 年雷曼兄弟倒閉，市場突然崩盤。此時 ES 策略「看」的是從 2006 年以來的長期尾部平均，而這段歷史大部分是相對平靜的時期，所以 ES 估計出來的危險程度偏低。
等到 ES 真正「感受到」危機嚴重性，已經是市場跌了好幾個月之後了。
反觀波動率呢？ 波動率只需要最近 252 個交易日（約一年）的數據，對市場狀況的變化反應靈敏多了。當波動率飆升，投資組合自動減碼，保護效果更即時。
「B 保險公司」的困境
回到我們一開始的比喻：
ES 就像 B 保險公司，理賠金額算得超準，但你等不起。
波動率就像 A 保險公司，估算不完美，但該動的時候動得快。
在金融市場這個分秒必爭的環境中， 「當下的速度」勝過「歷史的精確」 。市場 regime（狀態）轉換的時候，不會等 ES 慢慢把舊歷史消化完再給你信號。
那投資人該怎麼辦？
這個實驗帶給一般投資人三個實用結論：
1. 不要迷信「更複雜的風險指標」 ES 在學術上確實比波動率更嚴謹，但嚴謹不等於有用。適合的指標是能即時反應市場變化的，不是算得最精確的。
2. 簡單策略有其道理 20 年數據證明，50/50 持有（Sharpe 0.52）和反波動率策略（Sharpe 0.52）打平、甚至略勝 ES 策略。簡單不代表不好。
3. 對「更精確」的承諾保持懷疑 很多金融產品會宣稱「用更先進的風險模型」，投資人要問的問題不是「這個模型精確嗎？」而是「 這個模型對市場狀況的反應夠快嗎？ 」
結論
更精確的風險指標，不一定帶來更好的投資結果。
ES 失敗的根本原因不是它「不好」，而是它天生需要大量歷史數據才能穩定，這讓它在市場急速轉變時慢了半拍。
好的風險管理，需要在 精確性 與 反應速度 之間取得平衡。而 20 年的實際市場考驗告訴我們：當這兩者衝突時， 速度優先 。
本文基於實驗 K819（腳本：experiments/k819_tail_first_es.py，結果：experiments/k819_tail_first_es_results.json）。數據來源：yfinance 實證數據，期間：2006–2026，共 5,091 個交易日，SPY + GLD + ^VIX。