從假突破到真解法：為什麼預測和風險管理要分開選
讀者互動
已追蹤瀏覽 0 次，登入會員可按讚與收藏。
摘要
[提出: 用戶, 執行: Claude]
一個模型可以同時「預測最準」又「風險管理最差」，這不是矛盾，而是兩件完全獨立的事情。K799 到 K802 這段四步旅程，讓我們用自己的親身錯誤，把這個道理刻進骨子裡。
第一步：K799——五模型六層大決鬥，贏家竟然「害人」
我們用嚴格的六層統計框架，測試了五個波動率模型：GJR-GARCH、GARCH、EWMA、HAR、AMEM。這五個模型都是業界常見的工具，每一個都聲稱能幫你「預測明天有多震盪」。
測試結果出爐： GJR-GARCH 在預測準確度（QLIKE 損失函數）上名列第一 ，Spearman 相關係數達 0.203，比第二名高出 14%。
聽起來很棒，對吧？但我們繼續往下看第六層：風險管理（VaR 回測）。
結果令人傻眼：
| 模型 | VaR 違反率 | 目標 1% | Kupiec 檢定 | 巴塞爾燈號 |
|---|---|---|---|---|
| GJR（原始） | 1.99% | 1.00% | ❌ 失敗 | 🟡 黃燈 |
| GARCH（基準） | 1.39% | 1.00% | ✅ 通過 | 🟢 綠燈 |
| HAR | 0.80% | 1.00% | ✅ 通過 | 🟢 綠燈 |
GJR 的 VaR 違反率高達 1.99% ——差不多是目標的兩倍。說人話就是：GJR 告訴你「今天最多虧這麼多」，但實際上跌破這條線的頻率比預期多一倍。預測最準的模型，在風險管理上卻墊底。
這讓我們陷入困境：用 GJR？預測很準但風控不過關。放棄 GJR？但它真的預測最好。
第二步：K800——看似完美的解法，其實是假的
「我有辦法！」有個想法浮現了： 保形預測（Conformal Prediction） 。
這個技術的邏輯聽起來很聰明：在 GJR 預測完波動率之後，加一個「後處理」步驟，用歷史違反率自動校正 VaR 的界線。如果過去 252 天違反太多，就把警戒線向外推，讓它更保守。
K800 的結果讓我們興奮：GJR + 保形校正之後，VaR 違反率從 1.99% 降到了 0.80% ！Kupiec 檢定通過，巴塞爾燈號變綠。而且 QLIKE 預測準確度完全不受影響。
「找到了！預測第一，風控也過關！」
然後我們把代碼給 Codex 審查。
第三步：Codex 掃出兩個致命 Bug
Codex 的審查報告讓我們冷靜下來。 兩個 HIGH 嚴重度的 Bug：
Bug 1：違反率計算對象錯誤。 K800 追蹤的是「違反原始 VaR」，而不是「違反已校正後的 VaR」。這導致每次原始 VaR 被突破，程式就持續累積「需要校正」的信號，即使校正後的 VaR 其實已經沒有被突破了。結果：自動把警戒線推得太遠，人為壓低了違反率。
Bug 2：不是真正的保形預測。 K800 用了一個 ad-hoc 乘數公式（violation_rate / alpha，最大 3 倍），這根本不符合 Vovk（2005）的保形預測理論，沒有任何統計覆蓋率保證。
K800v2 修正這兩個 Bug 重跑：GJR 的 VaR 違反率回到 1.99% ，和原始完全一樣。保形校正沒有任何效果。
那個「突破」是假的。
圖：各版本 VaR 1% 違反率比較。K800 的假修正（0.80%）源自 Bug，非真實改善。K802 的 Student-t 和 Skewed-t 才是真正的解法（1.20%），兩者均通過 Kupiec 檢定。
第四步：K802——換個地方找答案，真的找到了
重新思考問題的本質。GJR 的 VaR 為何失敗？
根本原因：用了錯誤的統計分配。
VaR 的計算需要兩件事：（1）波動率預測（GJR 做這個），（2）把波動率乘上一個分位數（這取決於你假設的分配形狀）。K799 和 K800 都假設報酬率服從 常態分配 。但真實市場報酬根本不是常態，它有 厚尾 （極端事件比想像中多）和 左偏 （跌得比漲得凶）。
這就是為什麼 GJR+常態 的 VaR 一直太窄：低估了極端跌幅的發生機率。
K802 直接解決這個問題：換成 Student-t 分配 （有厚尾）和 Skewed-t 分配 （厚尾 + 左偏）。
結果如下：
| 模型設定 | VaR 違反率 | Kupiec 檢定 | QLIKE（預測準度） |
|---|---|---|---|
| GJR + 常態（原始） | 1.99% | ❌ 失敗 | 1.469 （最佳） |
| GARCH + 常態（基準） | 1.39% | ✅ 通過 | 1.514 |
| GJR + Student-t（K802） | 1.20% | ✅ 通過 | 1.469 （最佳） |
| GJR + Skewed-t（K802） | 1.20% | ✅ 通過 | 1.469 （最佳） |
GJR + Skewed-t：預測最準（QLIKE 第一），風控也通過（Kupiec ✅）。 兩件事同時達成了。
這段旅程教了我們什麼？
預測能力和風險管理是兩個獨立的問題
選模型時要分兩個問題分開回答：
-
「誰預測最準？」 — 用 QLIKE、DM 檢定、Spearman 相關係數來評估。答案：GJR-GARCH。
-
「誰的風控最好？」 — 用 Kupiec、Christoffersen、巴塞爾燈號來評估。答案：取決於 分配假設 ，不是模型本身。
換句話說：同一個 GJR 模型，接上常態分配就風控失敗，接上 Student-t 就通過。改變的不是「預測」，而是「你對極端事件有多大方」。
假突破比沒突破更危險
K800 的錯誤很有代表性：它看起來完全合理（保形預測是有理論基礎的技術），違反率也降下來了，各項統計也通過了。如果我們沒有把代碼送去審查，可能就這樣發出去了。
研究的可信度不是靠「看起來好」，而是靠「每一步都經得起檢查」。這也是為什麼我們每個實驗代碼都要通過 Codex 獨立審查，才算完成。
解法永遠在「根本原因」那裡
GJR 的 VaR 問題，根本原因是分配假設錯誤。所有繞過這個根本的修法（保形後處理）都治標不治本。一旦找對了根本原因，解法反而很簡單：換個分配，問題消失。
給投資人的實務意義
如果你在用任何模型計算「今天最多虧多少」（VaR），記得問一句：
這個模型假設的是什麼分配？
如果答案是「常態分配」，那它很可能低估了你在壞日子的最大虧損。尤其是在市場恐慌、崩盤、流動性危機的時候，極端事件發生的頻率比常態假設的兩到三倍還高。
好消息是：這個問題有已知的解法，而且不複雜，換成 Student-t 或 Skewed-t 分配，不需要改模型的預測邏輯，只需要改計算 VaR 時用的那個尾部分位數。
延伸閱讀
本文基於 K799-K802 系列實驗（數據來源：yfinance SPY，期間 2006-2025，樣本：5,029 個交易日，OOS：502 日）
相關文章
先讀正式關聯，若無則使用標籤與主題相似度補齊