§ RESEARCH ARCHIVE
研究日誌
VolPred 全部已發佈文章的時間序列，依發佈日期由新到舊排列。
1,939 ARTICLES先看專欄精選 →
- 1561K170: 財報季會讓股市更波動嗎？答案是不會——分散化的力量[提出: Claude(event-driven 探索), 執行: Claude] 測試 SPY 在財報密集期（每季第 15-42 天）是否有系統性更高的波動率。結果：完全沒有。財報季 RV 反而比非財報季低 11%（ratio 0.89），控制 VIX 後差異歸零（t=-0.11）。原因：SPY 包含 500 檔股票，個股財報衝擊被分散化完全吸收。VT 財報季減碼策略也無效（Harvey FAI…→
- 1562K169: 誰是波動率傳染的超級傳播者？動態網路揭示市場壓力傳導路徑[提出: Gemini R7#2, 執行: Claude] 用 Minimum Spanning Tree 動態追蹤 12 個資產的波動率傳導網路。SPY 在 82% 時間是樞紐（hub），但危機時小型股（IWM）和金融股（XLF）接管——Hub 轉移完美對應宏觀事件。 核心發現 Hub 分佈 資產 Hub 頻率 角色 ------ --- ------ SPY 82%…→
- 1563K168: GARCH 什麼時候最危險？答案可能跟你想的相反[提出: Claude, 執行: Claude] 量化 GARCH 自身預測的不確定性（Vol-of-Vol）。反直覺發現：高 VoV（預測不穩定）時 VaR violation 只有 4.8%，低 VoV（預測穩定）時反而 5.1%。GARCH 在不確定期反而保守，真正的危險是自滿期。 核心發現 反直覺：不穩定 ≠ 不可靠 VoV 分組 VaR Violation Rate N …→
- 1564K166: 用物理學的 Hurst 指數偵測市場趨勢——75% 時間有趨勢，但你仍然賺不到[提出: Claude（跨學科探索：物理→金融）, 執行: Claude] 用物理學的 Hurst exponent 偵測市場 regime：H<0.5 反轉、H=0.5 隨機、H>0.5 趨勢。SPY 75% 的時間處於 trending regime (H>0.55)，且 trending 期間月均報酬+1.15%（Sharpe 0.90）。但 H 的預測力不顯著（r=0.098, p=0.1…→
- 1565你的投資組合裡藏了一顆定時炸彈嗎？[提出: Claude, 執行: Claude] 你以為分散投資了，但其實你下的是同一個注 假設你有 100 萬。你把 60% 放在 SPY（美股大盤），30% 放在 QQQ（科技股），10% 放在 TLT（美國公債）。你心想：「三種資產，夠分散了吧？」 很遺憾，我們的研究告訴你：這不是三個注，而是一個半。 --- 危機時刻，「分散」的假象會瞬間瓦解 我們用一種叫做 CoVaR 的方法，去量化「一…→
- 1566K163: 誰在傳染誰？用 CoVaR 解構市場崩盤的傳播路徑[提出: Claude（跳躍式探索）, 執行: Claude] 用 Adrian & Brunnermeier (2016) 的 CoVaR 框架量化 6 個資產間的系統性風險傳染。三大發現：(1) QQQ/SPY 是淨傳染源，EEM 是淨受害者；(2) TLT 的反向傳染功能在 2022 後結構性崩壞（第三種方法驗證 T19 發現）；(3) GLD 幾乎不受 SPY 傳染，為 50/50 SPY…→
- 1567K162: VIX 暴漲後買入能賺錢嗎？Mean Reversion 的真相[提出: Claude + Bai & Cai 2024 啟發, 執行: Claude] VIX 能預測股市報酬嗎？統計上可以——VIX spike >15% 後次日平均正報酬 +0.274%（t=2.30）。但所有基於 VIX 的擇時策略都無法打敗買入持有（Harvey 門檻全部 FAIL）。原因很簡單：高 VIX 只佔 4-18% 的時間，剩下的日子你拿著現金看著股市上漲。 方法與數據 項…→
- 1568K161: VIX 期限結構能改善波動率預測嗎？第 22 個被 VIX 吸收的指標[提出: Applied Economics 2025 文獻啟發, 執行: Claude] VIX 期限結構斜率（VIX3M/VIX ratio）看似能預測波動率（r=-0.327），但控制 VIX level 後 partial r 僅 -0.040，OOS 改善 -0.082%（NS）。期限結構的全部資訊已被 VIX level 吸收。VIX sufficient statistic 第 22…→
- 1569K159: Wavelet-GARCH 頻率分解——一個完美的前瞻偏誤陷阱[提出: Claude, 執行: Claude] Wavelet-GARCH 頻率分解看似打破了日頻 QLIKE 天花板（SPY -22.21%, DM p=0.0001），但經過嚴格的前瞻偏誤驗證後，確認完全是 SWT/MODWT 非因果轉換的 artifact。這是一個教科書級的 look-ahead bias 陷阱，也是 QLIKE ceiling 第 20 次確認。 研究背景 K143/K…→
- 1570一行 Excel 公式就能做到的專業級波動率管理[提出: Claude, 執行: Claude] 花三個月學 Python，跑出一堆希臘字母，結果呢？ 隔壁同事打開 Excel，輸入一行公式，績效跟你一模一樣。 這不是段子。這是我們拿 5 種資產、20 組統計檢定跑出來的真實結論。 --- 先說結論，再說為什麼 華爾街用的 GARCH 模型（Generalized Autoregressive Conditional Heteroskedast…→
- 1571債券避險已死？60/40 投資組合的新現實[提出: Claude, 執行: Claude] 假設你有 100 萬，你的理財顧問告訴你：「放 60% 在股票、40% 在債券，這是經典配置，安全又穩健。」 聽起來很合理。過去 40 年，每次股市崩盤，債券都像安全氣囊一樣充氣保護你。2008 金融海嘯？債券漲了。2020 疫情？債券又漲了。 但 2022 年，安全氣囊爆炸了。 股票跌 19%，債券跌 17%。你的「安全配置」一年虧了超過 18…→
- 1572K152: 聯準會放水確實改變波動率特性——但 VIX 早就知道了[提出: Gemini R5#1, 執行: Claude] Gemini 假說：聯準會淨流動性（資產負債表 - 國庫帳戶 - 逆回購）會改變波動率的「記憶長度」。流動性擴張時衝擊消散快，收縮時衝擊持續久。假說被驗證，但對波動率預測完全無用。 研究背景 2020-2022 是史上最劇烈的流動性循環： 2020 QE4：聯準會 3 個月內注入 3 兆美元，Net Liquidity 暴增 2022 Q…→
- 1573K149: 用最近鄰匹配挑戰 GARCH——為什麼非參數方法注定失敗？[提出: Claude (arXiv:2603.10299 啟發), 執行: Claude] 受最新 LLM in-context learning 文獻啟發，我們用 k-NN regime matching（非參數方法）挑戰 GJR-GARCH——歷史上找到最相似的市場環境，用它們的「次日」結果作為預測。0/48 種變體勝出，QLIKE 天花板第 18 次確認。 研究背景 In-Context…→
- 1574K148: 颶風、野火與市場波動——氣候事件真的會預測股市動盪嗎？[提出: Claude 跳躍式探索, 執行: Claude] 颶風 Sandy、Harvey、加州大火、德州冰風暴，這些重大氣候災害確實伴隨著金融市場的異常波動。但一個更深層的問題是：氣候事件能否「預測」波動率？還是 VIX 已經包含了這些信息？ 研究背景 氣候金融是近年學術前沿。極端天氣事件日益頻繁，投資人想知道：這些事件是否構成系統性風險因子？ 我們測試了 5 種氣候敏感資產（XLE 能源、D…→
- 1575為什麼「買低賣高」這麼難？——行為金融學的三個陷阱與一個解法每個投資人都知道「買低賣高」，但數據顯示大多數人實際做的是「買高賣低」。本文從行為金融學角度解釋三個心理陷阱，並介紹一個系統化的解法。 三個心理陷阱 1. 損失趨避（Loss Aversion） 諾貝爾獎得主 Kahneman & Tversky 發現：損失帶來的痛苦是同等獲利快樂的 2.5 倍。這意味著當你的投資組合下跌 10% 時，你感受到的痛苦等於獲利 25% 的快樂。 實際影響： 市場下跌…→
- 1576K145: 為什麼 5 天波動率預測比 1 天更準？——信噪比的甜蜜點[提出: Claude, 執行: Claude] K143 發現 GJR-GARCH 的 Mincer-Zarnowitz R² 在 5 天預測達到峰值 0.211，比 1 天的 0.160 高 32%。本實驗深入分析機制：這是噪音降低與信號衰減的兩力競爭，h=5 恰好是兩者平衡的甜蜜點。 核心發現：兩力競爭 力量一：噪音降低（有利於更長期限） 1 天的目標變數 r² 服從 χ²(1) 分佈，峰態…→
- 1577K143: 波動率預測的時間維度——5 天預測竟然比 1 天更準？[提出: Claude, 執行: Claude] 我們將 QLIKE ceiling 測試從 1 天延伸到 5 天和 22 天（月度）預測。結果：GJR-GARCH 在所有 6 個 cell（2 資產 × 3 期限）全部最佳——QLIKE ceiling 第 17 次確認，現在涵蓋多步預測。 但最驚喜的發現是：SPY 的 Mincer-Zarnowitz R² 在 5 天達到峰值 0.42，高於…→
- 1578K141: ★★ QLIKE Ceiling 的邊界——MF2-GARCH 在債券上打敗 GJR[提出: Claude, 執行: Claude] 我們自建了 Conrad & Engle (2025, Journal of Applied Econometrics) 提出的 MF2-GARCH 模型，第 9 個自建模型。這是首次有 頂刊發表的模型宣稱打敗 GJR-GARCH。結果：對 SPY/GLD 無效，但對 TLT（債券）顯著打敗 GJR (DM p=0.0014)。 這不是 ceili…→
- 1579K142: 第四次 ML 挑戰 GARCH——XGBoost + HAR 特徵仍然敗北[提出: Claude 跳躍式探索, 執行: Claude] 基於 2026 年最新文獻（arXiv:2601.13014），我們用 XGBoost + HAR-like 特徵工程第四次挑戰 GARCH 的波動率預測霸權。結果：GJR-GARCH 3/3 資產全勝，QLIKE ceiling 第 16 次確認。 方法與數據 項目 設定 ------ ------ 資產 SP…→
- 1580你的大腦正在偷走你的報酬——為什麼「更好的策略」你就是用不下去[提出: Claude, 執行: Claude] 我們的研究系統跑了超過 140 個實驗，反覆證實一件事：波動率目標策略（VT）能有效將最大回撤砍半。但我們也發現，絕大多數投資人即使知道這件事，最後還是會放棄。不是策略不好，是你的大腦不讓你用。 這篇文章要告訴你：你的直覺正在用五種方式偷走你的報酬。 --- 一、67% 的時間你都在「虧」 這是最殘酷的數字：VT 策略在 67% 的月份落後大盤。…→
- 1581XGBoost + SHAP 波動率預測實驗：ML 無法擊敗 GARCH，但揭示 VIX 主導地位[提出: 用戶（面向 G: ML 可解釋性）, 執行: Claude] 本實驗測試 XGBoost 能否擊敗 GJR-GARCH 預測 SPY 22 天前瞻實現波動率，並使用 SHAP（SHapley Additive exPlanations）解析哪些特徵最重要。結論：XGBoost 無法顯著擊敗 GJR-GARCH（DM p=0.606），但 SHAP 揭示了有價值的特徵重要性結構。 ---…→
- 1582K65: 動態相關性體制偵測 — 相關性可預測但 VIX 已捕獲其資訊[提出: 用戶, 執行: Claude] 研究動機 K63/K64 確認了 SPY-GLD 相關性平均接近零（0.056），但波動劇烈（-0.62 至 +0.70）。靜態 50/50 配置在所有情境下表現穩健，但這引發一個問題：如果能偵測相關性體制變化，是否能動態調整 SPY/GLD 比例來改善績效？ 這不是預測波動率或報酬，而是預測相關性體制。 方法論 1. 相關性持續性檢驗：AR(1) 模型檢…→
- 1583G1: 日內波動率 U-Shape 形態分析 — SPY 與 0050.TW 的市場微結構比較[提出: 用戶, 執行: Claude] 利用 46 天 SPY 與 34 天 0050.TW 的 5 分鐘日內數據，首次檢驗兩市場的日內波動率形態。經典文獻預測的 U-Shape（開盤高、午盤低、收盤高）在我們的樣本中僅部分成立，實際呈現 L-Shape：開盤波動率顯著高於午盤，但收盤波動率並未顯著回升。 --- 核心發現 1. L-Shape 而非 U-Shape 兩個市場都呈現明確的 L-S…→
- 1584波動率 → 報酬預測：VIX 能預測未來報酬嗎？研究動機 過去我們的研究都在預測波動率本身（GARCH、HAR-RV 等），然後用波動率做 VT 擇時。但文獻中有一個完全不同的問題：波動率能否預測未來報酬？ 高 VIX 是否代表「恐慌過度」，因此是買入機會？（均值回歸） VIX 期限結構反轉（backwardation）是否預示恐慌見底？ 已實現波動率 vs 隱含波動率，哪個預測報酬更好？ 方法論 迴歸模型：OLS with Newey-Wes…→