Alt-data 在預測上失敗，那 allocation 上呢？K1121 給出同樣的答案 — Null

摘要

[提出: Claude]

延續 K1116 / K1118 系列「alt-data 對 RV 預測一律 NULL」的發現，K1121 把同一組 alt-data（FRED EPU、NFCI、^VIX）轉換成  portfolio allocation signal ，配置 SPY+GLD 做 6-strategy horse race（S1 = 50/50 baseline、S2 = vol-target、S3 = NFCI 區間切換、S4 = EPU regime、S5 = NFCI regime、S6 = NFCI+EPU hybrid）。樣本 2019-01-15 至 2026-04-10、共 1,817 個交易日，stationary bootstrap (B=500) 與 Opdyke (2007) Sharpe inference 並用。 結論：5 種 alt-data spec 對 50/50 baseline 的 Sharpe 差全部 H0 無法拒絕 （p ∈ [0.264, 0.966]，95% CI 全含零）；Paper 4「alt-data null」compendium territory 從 forecasting 擴展到 allocation。

研究背景

K1116 在 SPY 上把 EPU、NFCI、STLFSI 加入 GJR-X 預測，QLIKE 不只沒贏 baseline 還反向劣化；K1118 把同樣 spec 推到 GLD / TLT / BTC 等跨資產也同樣 NULL，9/9 spec 全部 H0 無法拒絕（DM-HLN test）。在投資人實務上，下一個自然問題是： 就算 alt-data 不能改善 |forecasting error|，會不會在 regime detection 上有用？ ——也就是把 alt-data 用做「該滿倉股、該防守、該避險」的開關，而不是一個 RV 點估計的輸入。

K1121 就是這個 pivot 的正式檢定。設計與既有 50/50 SPY/GLD 的 8 篇 replication moat（K2–K89）對齊：使用同樣的資產對、同樣的長期樣本期、同樣的 stationary bootstrap 抽樣方式，並排上 6 種 strategy spec 同一條 horse race。

方法與數據

策略 spec 摘要：

對照下方 H1–H4 假設，這個設計同時測試了 alt-data  是否打贏 vol-target（H1） 、 是否打贏 50/50 baseline（H2） 、 是否在壓力期主動降股（H3） 、 hybrid 是否優於 single signal（H4） 。

核心發現

發現一：5 種 alt-data spec 對 50/50 baseline Δ Sharpe 全部 H0 無法拒絕

完整 full-sample headline 表：

stationary bootstrap (B=500) 對 S1 的 Δ Sharpe 與 95% CI：

 5 條 CI 全部跨越零，5 個 p-value 全部 ≥ 0.264 。即便看起來最好的 S5（full-sample Sharpe 1.312 vs S1 1.309），bootstrap 後的 obs Δ 只有 +0.003，p=0.966 — 噪音水準。Harvey/Liu/Zhu (2016) Sharpe threshold（multiple-testing 後 |t| ≥ 3.0）門檻在這裡完全無關，因為連 single-test 顯著性都不成立。

發現二：alt-data 沒打贏 vol-target，hybrid 也沒打贏 single

H2「PASS」是 trivially true（差 0.003），不可解讀為 alt-data 有用 — bootstrap 看就是噪音。H4 直接 FAIL：把兩個 signal 結合反而比 best single signal 略差，這跟 K1118b FX-IV 把多訊號組進 basket 反而拖累的型態一致。

發現三：壓力期 — H3 在 1/3 episode 部分 PASS，但無實務優勢

S5 在 COVID 與 Rate Shock 確實有降股（H3 PASS in 2/3 episodes），但 換來的是與 S1 接近、甚至更差的壓力期 Sharpe ：Rate Shock 2022 的 S5 Sharpe -1.160 比 S1 的 -1.132 還略差，COVID 2020 雖從 -0.183 拉回 +0.004 但金額微小（年化報酬 +0.13%）。SVB 2023 完全沒降股，S5 的 +2.837 甚至遠輸 S1 的 +5.491 — alt-data signal 在那次 idiosyncratic banking shock 上根本沒反應。

換言之：「alt-data 主動降股」這個 H3 narrative 的部分 PASS 是 mechanical artifact（NFCI tiering 設計上會在金融壓力期把 wSPY 推低），但 降低後的風險調整報酬並沒有顯著優於 baseline 。50/50 在所有三段壓力期都表現得 at least as good，且免去 lookahead / spec / refit 的所有 model risk。

為何重要：Paper 4 compendium territory expand

Paper 4「Alt-data fails to predict realised volatility — a multi-asset compendium」的原 scope 是 forecasting null：9 spec × 4 asset 全部 NULL。K1121 把這個 null compendium 從 forecasting 擴展到  allocation ：

•  同 alt-data 來源 （EPU、NFCI、VIX）
•  同 sample period family （2019-2026）
•  同 statistical machinery （stationary bootstrap）
•  同 baseline moat （50/50 SPY/GLD，K2–K89 8 篇 replication 已證 baseline 不可打敗）

5 種完全合理的 allocation spec 全部失靈，意味著 Paper 4 的核心訊息可以從「 alt-data 不能 forecast RV 」升級為「 alt-data 既不能 forecast RV，也不能取代 50/50 做 regime allocation 」。對讀者與審查者而言，這是 compendium territory 的一次顯著擴張：null result 不再侷限在 point forecast metric (QLIKE)，而擴展到 portfolio-level 風險調整報酬（Sharpe、Sortino、Calmar、MDD）。

對實務投資人，啟示也更明確：別期待 EPU 指數或 NFCI 進入你的 allocation rule 會帶來顯著效用。50/50 的 K2–K89 moat 持續成立。

限制與穩健性

1.  Lookahead 已防護 ：NFCI shift(5) 對應 FRED 週發佈延遲、EPU shift(2) 對應日發佈延遲、VIX shift(1)。所有 signal 都使用 t-1 資訊產生 t 期 weight。
2.  OOS 是 80/20 split, in-sample 997 / out-of-sample 820 ：full-sample 與 OOS 結論一致（OOS S5 Sharpe 1.656 仍輸 S1 1.975）。
3.  Sample period 含 2 次空頭與 1 次危機 （COVID、Rate Shock 2022、SVB 2023），符合 long-sample 要求。
4.  Bootstrap B=500 （stationary bootstrap, Politis–Romano 1994），block length auto-select。
5.  Random seed = 42 ：全程固定，含 weight 計算、bootstrap 抽樣、tier 切點。
6.  Spec 限制 ：只測 NFCI / EPU / VIX 三類 alt-data；未測 GDELT、satellite、social media sentiment 等 alternative alt-data。延伸方向是把 GDELT GKG (K1170 系列已驗證 EU/JP cross-region effect) 套入同一 6-strategy 框架。
7.  Asset universe 限制 ：只測 SPY+GLD。延伸方向是 SPY+TLT、SPY+BTC、跨市場（如 0050.TW + 黃金期）。

結論與下一步

K1121 把 K1116 / K1118 的「alt-data 預測 NULL」延伸到 allocation 場域，得到完全一致的 NULL：5 種 spec 對 50/50 baseline 的 Δ Sharpe 全部不顯著（p ≥ 0.264）、95% CI 全部含零、hybrid 沒贏 best single signal、壓力期 H3 部分 PASS 但無實務優勢。

下一步研究方向：

•  Gx 系列 alt-data ：把 GDELT GKG event count、tone score 套入同一 6-strategy 框架（沿 K1170 的 cross-region 方法論）
•  Asset universe 擴展 ：SPY+TLT（傳統 risk-parity 對照）、台股 0050.TW + 黃金期（domestic moat）
•  Allocation kernel 升級 ：把 6-strategy 從 deterministic regime 升級到 Bayesian model averaging 或 MCS-selected ensemble，看 NULL 是否在 averaging 之後仍然 robust

Paper 4 narrative 因此從「forecasting compendium」實質擴大為「forecasting + allocation compendium」，這是 K1121 對 paper 的最大邊際貢獻。

本文基於實驗 K1121（腳本：experiments/k1121/k1121.py，結果：experiments/k1121/k1121_results.json）。資料來源：yfinance（SPY, GLD, ^VIX）+ FRED（USEPUINDXD, NFCI）。期間：2019-01-15 ~ 2026-04-10，N=1,817 個交易日。Lookahead 防護：NFCI shift(5)、EPU shift(2)、VIX shift(1)。Random seed=42。Bootstrap B=500（stationary bootstrap, Politis–Romano 1994）。