CBOE SKEW 真能補捉尾端風險嗎？我們把它和 VIX 一起檢驗

為什麼要研究 SKEW 指數

提到「市場恐慌」，多數讀者會立刻想到 VIX。但有另一個指數常被金融媒體稱作「黑天鵝指標」——CBOE SKEW 指數。它由 CBOE 用 S&P 500 的價外（OTM）選擇權價格反推 risk-neutral skewness 而來，理論上反映「投資人為極端尾端事件多付了多少保險費」。

然而 SKEW 指數的實證表現一直爭議不斷。它真的能在 VIX 之外補捉到尾端風險？還是只是另一個 VIX 的影子？這篇文章用 K447 實驗的完整結果回答這個問題，並且結論可能會讓「SKEW 信徒」感到失望。

資料來源

本研究數據來自 K447 實驗，由 yfinance 取得三組資料：

•  ^SKEW （CBOE Skew Index）
•  ^VIX （CBOE 波動率指數）
•  SPY （S&P 500 ETF，用以計算實現波動率與絕對報酬）

樣本期間從  2005-01-03 到 2026-03-25 ，總計 5,277 個交易日（清理後 5,194 個有效樣本）。樣本外（OOS）測試期為  2023-01-01 至樣本期末 ，OOS 觀察值 761 個。預測目標包含：

• 未來 21 日實現波動率 fwd_RV21
• 未來絕對報酬 fwd_abs_ret
• 二元尾端事件（5 日內出現 ≥2σ 報酬）

 Lookahead 控制 ：所有 SKEW 與 VIX 訊號皆採 t-1 數值（前一交易日收盤後可觀察）預測 t 起算的後續變數，明確 lag。

描述統計：SKEW 和 VIX 長得很不一樣

兩個指數在分配性質上有明顯差異：VIX 高度右偏、極端肥尾（峰度 9.67），危機時刻會劇烈跳升；SKEW 偏度則溫和許多（1.00）。更耐人尋味的是兩者 負相關 ——SKEW 與 VIX 的 Pearson 相關係數為  −0.236 。市場恐慌（VIX 高）時 SKEW 反而往下掉，這個違反直覺的現象其實有理論解釋：恐慌期投資人忙著買 ATM 保護，OTM put 的相對溢價反而被壓縮。

平穩性方面，ADF 檢定 SKEW 統計量 −4.10，達顯著水準（p≈0.001），可視為平穩；Ljung-Box 自相關檢定 p≈0 顯示 SKEW 高度自相關（記憶長），這部分倒像是個合格的預測變數。

核心問題一：SKEW 預測未來波動率的能力

我們建構五個競爭模型，全部用 Ridge 迴歸並控制標準化、樣本內外切分一致：

QLIKE 越接近 0 越差（負值越大越好）。結果一目瞭然： M2（純 VIX）是冠軍 。把 SKEW 加進去（M4）不僅沒有改善，QLIKE 還從 −0.997 退步到 −0.987。連塞滿十個特徵的 Ridge（M5）也沒辦法贏過單一 VIX。

更嚴格的兩模型比較檢定（DM-style）也支持這個結論：

• M4 vs M2：統計強度 0.60，未達顯著水準（顯著性 0.55）
• M5 vs M2：統計強度 0.46，未達顯著水準（顯著性 0.65）

換句話說，SKEW 的「貢獻」連雜訊都算不上。GJR-GARCH 基準（QLIKE −0.979）也不如純 VIX 模型，這驗證了 VIX 作為前瞻指標的不可替代性。

核心問題二：SKEW 在「尾端事件」表現如何

這是 SKEW 應該大顯身手的場域。我們把「未來 5 日是否出現 ≥2σ 報酬」設為二元目標，比較四個分類器（用 AUC-ROC 衡量區分能力）：

VIX 單獨就達到 AUC=0.824（這是非常高的尾端事件區分力）；SKEW 單獨僅有 AUC=0.539，幾乎等於亂猜（0.50）。最殘酷的是把 SKEW 加進 VIX 後 反而掉到 0.743 ——SKEW 的增量貢獻為  −0.081 。理論上應該補捉「左尾保險定價」的指標，在實際資料上 讓 VIX 變得更糟 。

我們還做了另一個視角：把 SKEW 樣本外分成 Low/Mid/High 三組，看高 SKEW 是否真的對應更高尾端事件率。結果：

 高 SKEW 反而對應較低的尾端事件率 ，且 chi-square 檢定未達顯著水準（顯著性 0.134）。這完全違反 SKEW 的設計初衷，「市場為極端事件多付保費 → 接下來真的會發生極端事件」這個敘事在 OOS 階段被資料推翻。

核心問題三：SKEW 是不是只在某些時期有用？

我們把 OOS 期切成三個年度檢視 SKEW 的偏相關係數（控制 VIX 之後 SKEW 與 fwd_RV21 的關係）：

2023 年 SKEW 確實在控制 VIX 後仍貢獻顯著的負相關（高 SKEW 預示低未來波動，這方向也很怪）。但 2024、2025 訊號完全消失甚至反向。 Regime-specific 但不 robust ——這是嚴格統計（HLZ 2016 標準）下最忌諱的「挑期間說故事」素材。

滾動相關係數的 OOS 統計也佐證這點：均值 −0.281、標準差 0.289、最小 −0.821、最大 +0.461；80% 期間呈負相關、82% 期間達顯著水準，但 符號分歧的本身就排除了 SKEW 作為穩定訊號的資格 。

為什麼會這樣？三個解釋

一、VIX 已經吃掉大部分尾端資訊

VIX 是用全段 OTM put + OTM call 報價綜合建構，本來就含有左尾資訊。SKEW 試圖萃取的「skewness premium」很大程度上已經被 VIX 的 level 資訊蓋過。從共線性角度看，當 VIX 充當 dominant predictor，SKEW 的邊際資訊量很小，而 Ridge 把這個微小資訊和雜訊一起攤平。

二、SKEW 計算方法在 2021 年改過

CBOE 在 2021 年重新校正 SKEW 指數的計算公式，這意味著 2005-2020 與 2021-2026 的 SKEW 嚴格說來不是同一個指標。我們的 OOS 期（2023-）正好落在新公式時代，而模型訓練期跨越新舊公式。這個 structural break 可能讓任何依賴 SKEW level 的學習結果失準。

三、OOS 期相對風平浪靜

2023-2025 的 OOS 期間沒有 2008、2020 那種系統性危機等級的尾端事件。SKEW 的真正用武之地或許在 crisis tail，但我們的測試樣本恰好缺乏這種環境。這是本研究承認的一項實質限制。

對讀者的實務啟示

1.  不要把 SKEW 當作 VIX 的替代或補強工具 。在我們完整 21 年資料 + 761 日 OOS 的嚴格檢驗下，SKEW 對波動率與尾端事件預測的增量貢獻為負或零。
2.  VIX 是無可取代的核心 。OOS R²=0.173、tail-event AUC=0.824，VIX 單獨就提供強大的前瞻訊號，疊加任何衍生指標都需要極高的證據門檻。
3.  「黑天鵝指標」這類媒體標籤要非常小心 。SKEW 在學術文獻（Faff, Parwada & Tan 2021; Chang, Christoffersen & Jacobs 2013）中也只有 conditional / regime-specific 的證據；普通投資人用 SKEW 擇時、調整 hedging 比例，極可能是雜訊驅動行為。
4.  本研究與相關 K 一致 ：K877 顯示 GS ratio 同樣未通過 sufficiency 檢定，K1053 在高 VIX 區間檢驗 SKEW 家族也得到弱證據——SKEW 在 Hybrid Volatility Targeting 策略內被排除是合理的。

結論：誠實的 null result

K447 的 verdict： SKEW 在 VIX 之上沒有 robust 的增量預測力 ——無論對 RV21、絕對報酬、還是尾端事件二元分類。其表現呈現 regime-specific（2023 顯著、2024-2025 消失甚至反向）且 sub-period 間符號不一致，無法作為系統性訊號使用。在 嚴格統計、Liu、Zhu (2016) 嚴格統計門檻下，SKEW 的增量貢獻通不過考驗。

這是一個 null result，但對投資人和研究者都是重要資訊： 它讓我們把注意力放回真正有用的 VIX 與其他 well-validated 訊號上，而不是繼續追逐美麗但不 robust 的「黑天鵝指標」敘事 。研究誠實的價值，常常在於勇敢說出「沒效就是沒效」。

圖表