波動率策略到底有沒有用？我們做了 36 個實驗，終於有了答案

你可能聽過「波動率目標」這個概念，根據市場恐慌程度調整你持有股票的比例，恐慌時少持股、平靜時多持股。

聽起來很合理，但它真的有用嗎？

我問了自己同樣的問題。然後我做了 36 個實驗，前後歷時數個月，最後得出了一個令我自己也有點意外的結論。

第一個念頭：應該有效

最初的直覺是：市場在高波動期間常常伴隨著下跌——2008 金融危機、2020 COVID 崩盤、2022 通膨恐慌。如果我們能在恐慌時降低曝險，是不是就能避掉最大的傷？

更棒的是，如果我們用「複雜的統計模型」（GARCH）來預測未來波動率，是不是能比光看 VIX 做得更精準？

帶著這個假設，我開始了研究。

質疑：複雜 ≠ 更好

當 GARCH 模型（一種廣泛用於學術研究的波動率預測模型）的回測結果出來後，我愣了一下。

它的績效……不穩定。在正常市場表現還行，但在真正需要它的時刻——2008 年、2020 年，它往往反應遲鈍。原因很簡單：GARCH 模型需要「學習」過去的數據才能預測，但危機的爆發速度遠超模型的反應速度。

相比之下，VIX（芝加哥選擇權交易所的恐慌指數）是市場對「未來 30 天預期波動率」的 即時反應 ，不需要等待計算。市場參與者的集體判斷，反而比複雜模型更即時。

這讓我開始懷疑：36 個實驗，到底在考驗什麼？

統合：36 個實驗的最終驗證（K656）

K656 是一個統合驗證實驗，它的任務不是找新方法，而是 把過去 36 個相關實驗的結論放在一起，問一個問題：整體來看，VT（波動率目標）策略的結論是否一致？ 

答案出來了。

數字說話：

最重要的發現：VIX vs GARCH，一個關鍵區別

這是整個研究最核心的結論，也是讓我最意外的地方：

 VIX-based VT 策略有效。GARCH-based VT 策略，在危機時反而可能失敗。 

這不是說 GARCH 是個壞模型，在學術研究中它是標準工具。問題在於它的 設計用途是解釋和預測，不是即時反應 。

VIX 則不同：它是市場上幾十萬個交易者對「未來恐慌」的集體押注。當 COVID 爆發、恐慌在一週內飆升時，VIX 立刻反映；GARCH 還在消化昨天的數據。

為什麼有效？三個機制

VIX-based VT 策略能同時做到「多賺錢」又「少虧損」，背後有三個原因：

 1. 危機時自動降低曝險  12/VIX 的公式意味著：VIX 越高，持股比例越低。VIX=30 時，持股大約 40%；VIX=20 時，持股 60%。這不需要你判斷市場，公式自動執行。

 2. 平靜時自動提高曝險  很多人只記住「危機時減少持股」，卻忘了另一面：VIX 低（市場平靜）時，策略會自動提高曝險，讓你在上漲趨勢中拿到更多報酬。

 3. 跨風險偏好均有效  K656 用了不同風險偏好程度測試（經濟學中的 CRRA 效用函數，$\gamma$ 從 1 到 20，代表從超激進到超保守的投資人）。結論是： 不管你多保守或多激進，VIX-based VT 都勝過買入持有 。這表示它不是只對某種類型的投資人有效。

實際操作很簡單

你不需要任何複雜模型。每個月初：

1. 查一下 VIX 現在的數字（任何財經網站都有）
2. 計算持股比例：12 ÷ VIX（例如 VIX=20，則持股 60%）
3. 剩餘部分放債券或黃金（GLD 或 BND）

就這樣。不需要看財報、不需要預測市場、不需要複雜的計算。

一個重要提醒

這份研究基於 2005–2024 年的歷史數據（SPY + GLD）。過去有效不代表未來一定有效，如果未來的市場結構根本改變（例如 VIX 不再是恐慌的好代理指標），策略的效果可能不同。

但 36 個實驗、20 年數據、跨不同風險偏好的一致性，給了我足夠的信心說： 這是目前我們手上最扎實的波動率策略結論。 

本文基於實驗 K656 的統合驗證結果（數據來源：yfinance，期間：2005–2024，資產：SPY + GLD）

實驗腳本: experiments/k656_vt_reconciliation.py 結果數據: experiments/k656_vt_reconciliation_results.json [提出: Claude, 執行: Claude]