空氣污染、票房冠軍、SEC 訴訟名單——我們拿十二個市場外的訊號預測波動率

有一篇正經的經濟學論文說，紐約的空氣品質會影響當地交易員的情緒，進而影響他們當天的決策。這不是都市傳說，是刊在美國國家經濟研究局工作論文系列裡的研究。

如果情緒真的被空氣推著走，那空氣品質應該多少能告訴我們一點市場當天會有多顛簸。這個推論看起來很順。

我們去查了美國環保署的每日空氣品質資料，抓紐約五個郡從 2018 到 2025 年的細懸浮微粒濃度，跟標普 500 ETF 的日波動放在一起測。

結果是零。不是「效果很小」，是在我們預先設定的每一個預測期長度上，它都沒有讓預測變得更準。污染高的日子跟污染低的日子，波動的差異也撐不起任何一個檢定。

這只是十二次裡的一次。

十個不相干的領域，同一個答案

過去大半年，這個平台陸陸續續問了十二個形狀相同的問題： 能不能從市場外面找一個訊號，讓波動率預測變準一點？

其中大部分我們當時就單獨寫過，票房那次、空氣污染那次、搜尋熱度那次，各自有各自的報告。這篇要做的是把它們放在同一張桌子上，因為單獨看每一次都只是「這個沒用」，十二次擺在一起才看得出別的東西。

訊號的來源刻意分散，因為如果失敗集中在同一類資料上，那只能怪那類資料。實際測過的包括：

• 週末票房冠軍的賣座程度（娛樂）
• 美國證管會證券詐欺訴訟點名的股票（司法）
• 公司總部所在州對自家品牌的搜尋熱度（搜尋行為）
• 紐約市的空氣污染（環境）
• 生物多樣性足跡較高的農產品商品（生態）
• 紐約聯準銀行的全球供應鏈壓力指數（實體經濟）
• 產業受人工智慧衝擊的曝險分數（勞動市場）
• 原油相關新聞的曝光量（新聞）
• 幾種免費的投資人情緒與注意力指標（情緒調查）
• 專業預測機構彼此的分歧程度（專家預測）

這些領域彼此沒有關係。空氣污染跟票房冠軍之間唯一的共通點，是它們都不是市場自己產生的資料。

十二次裡，九次完全沒有可驗證的增量。剩下三次方向上有一點東西，但沒有一個通過正式的統計關卡，這三次我們也不打算說成成功，方向對而檢定不過，跟沒有是兩回事，但離「找到訊號」還很遠。

幾個具體的數字：供應鏈壓力指數對原油與農產品 ETF 下個月波動的預測，在 101 個月的樣本上，係數的 p 值分別是 0.328 和 0.667。票房那一組跑了 1,098 個週末、96 次賣座衝擊，標普報酬的檢定統計量是 -0.90，而我們事前設的門檻是 3。訴訟名單那組建了一個 19 萬列、250 檔個股的面板，八個預先宣告的檢定格子，通過的是零個。搜尋熱度那組四個目標，通過嚴格檢定的也是零個。

樣本都不小，門檻都是事前訂的，方向也都試過正反兩面。答案一致得有點單調。

有用的那個訊號，一直在市場自己身上

到這裡為止，故事聽起來像是「波動率就是預測不了」。那會是個錯誤的結論，而且我們手上就有反證。

在同一套模型架構下，我們比較過幾種設定：一種只用過去的波動資訊，另一種在此之上加進 VIX——也就是選擇權市場對未來三十天波動的定價。

樣本外從 2018 年初測到 2023 年底，總共 1,487 個交易日。只看過去波動的版本，預測誤差是 0.532；加進 VIX 之後降到 0.450。少了大約一成五。

這是一個明確、可重現、幅度不小的改善。所以問題從來不是「波動不可預測」。

真正的問題是 再往上加東西會發生什麼 。我們在「已經有 VIX」的基礎上，依序加進恐懼貪婪指數、散戶多空調查、政策不確定性指數、消費者信心指數，以及全部一起加。

結果分成兩種，兩種都不是好消息。

第一種是加了等於沒加。恐懼貪婪指數把誤差從 0.450 挪到 0.448，散戶調查也是 0.448，政策不確定性反而變成 0.452。用兩個模型比較的正式檢定去看，這幾個差異的 p 值分別是 0.679、0.515、0.762——連接近顯著都談不上。它們在 VIX 已經說完話之後，沒有補充任何東西。

第二種比較難堪：加了會變差，而且是統計上站得住的變差。消費者信心指數把誤差從 0.450 推到 0.505，惡化超過一成，p 值 0.0002。把所有指標一起塞進去，誤差變成 0.485，同樣顯著地比只加 VIX 差。

換句話說，在一個已經包含 VIX 的模型裡，多塞一個看起來合理的外部指標，最好的情況是浪費，最壞的情況是主動把預測弄壞。

為什麼會這樣

一個合理的解釋是：這些外部訊號想捕捉的東西，市場已經捕捉過了。

空氣污染如果真的影響交易員情緒，那個情緒會表現在他們的報價上；供應鏈壓力如果真的會讓能源股更顛簸，買選擇權避險的人會先把它買進權利金裡。等我們從外面拿到那份資料的時候，價格裡通常已經有了。

VIX 之所以有效，是因為它本身就是一群拿真錢下注的人對未來波動開出的價。沒有人從外面觀測它，它把無數條我們想不到、也拿不到的資訊壓縮成一個數字。

這也解釋了為什麼多加指標會讓結果變差。模型的參數量是有成本的：多一個沒有增量資訊的變數，就多一組要從有限樣本裡估出來的係數，估計誤差會吃掉原本的準確度。消費者信心那個例子特別清楚，它是月頻的調查資料，拿來預測日頻的波動，本來就隔了好幾層。

這對你的實際意義

如果你在評估任何一個號稱能預測市場波動的另類資料產品，有一個問題比「它的回測績效多好」更值得先問：

它有沒有跟一個已經包含 VIX 的基準比過？

我們這十二次測試裡，幾乎每一個訊號在「只跟歷史波動比」的時候都能看出一點東西。它們是在對上 VIX 之後才失去意義的。一個只跟弱基準比較的漂亮結果，說明的可能只是那個基準太弱。

這不是說另類資料沒有價值。我們測的都是免費或公開的代理指標，衛星影像、信用卡消費、機構級的即時新聞情緒，這些我們沒測，不能替它們背書也不能替它們定罪。這篇的邊界很清楚： 在公開可得的範圍內，用外部世界的變數去改善日頻波動率預測，我們試了十二次，沒有一次成功。

對一般投資人來說，這其實是個省錢的消息。你不需要訂閱什麼特殊資料源才能知道市場接下來可能有多顛簸。那個數字每天都在，免費，而且到目前為止，我們還沒找到什麼東西能在它之外再多說一句話。

資料來源 ：yfinance（ETF 與個股日頻價格）、美國環保署 AirData 每日細懸浮微粒、紐約聯準銀行全球供應鏈壓力指數、GDELT 新聞資料庫、費城聯準銀行專業預測者調查、聖路易聯準銀行 FRED 消費者信心指數、美國證管會訴訟公告、Wikimedia 公開瀏覽資料。各實驗的樣本期間、檢定設定與完整統計量存放於平台的實驗存檔，本文引用的每個數字都可回溯到對應的結果檔。

懶人包圖組