波動的波動率能預測市場切換嗎？一個直覺漂亮但實證失敗的故事

一個聽起來很合理的想法

當 VIX 從 15 漲到 35，每個投資人都知道市場進入動盪。但若我們再進一步問：「VIX 自己的波動率」（也就是波動的波動率，vol-of-vol，簡稱 VoV）會不會在市場真正爆炸前先動起來？這個概念在學術圈有不少正面文獻：Huang & Shaliastovich (2015) 把 VoV 視為一種獨立的風險因子，Park (2015) 在 Journal of Banking and Finance 找到 VoV 與尾端風險避險報酬有關，Baltussen et al. (2018) 用「unknown unknowns」框架描述 VoV 是一種「對風險本身的不確定性」。

直覺上這個故事很迷人：在大型風暴前，市場參與者會猶豫、會擺盪、會在恐慌與貪婪之間反覆橫跳，這份猶豫應該會反映在 VIX 自身的「抖動」上，而非 VIX 的水平本身。如果這個直覺是對的，VoV 就應該能比單看 VIX 更早抓到 regime change（高低波動切換），進一步幫助我們設計更穩健的避險或風險平價策略。

K649 就是針對這個假說的一場完整實證，而結果，是一個漂亮但誠實的 NULL。更糟的是：把 VoV 加進策略， 反而傷害績效 。本文完整呈現這份實證紀錄。

資料來源

•  K649 實驗 ：本研究完整代碼與結果見 experiments/k649/
•  樣本期間 ：2007-01-01 至 2026-03-27，共約 4,838 個交易日（19.1 年）
•  資產 ：SPY（S&P 500 ETF）作為標的、^VIX 作為波動率指數、^VVIX 作為「VIX 的波動率指數」
•  資料源 ：yfinance（公開市場數據）
•  VoV 計算方法 ：以 22 日滾動標準差（σ_VIX）、22 日 VIX 變動百分比（σ_VIX_pct）、VIX intraday range、GARCH(1,1) 條件波動率、以及 22 日 z-score 等五種口徑構造 VoV 訊號，全部以  t-1 的數據預測 t 之後的 regime （明確 lag，無 lookahead）
•  Regime 定義 ：以 VIX = 20 為門檻，將每日標記為高/低波動 regime；regime change 為當日相對 22 日前發生切換

描述統計：VoV 確實會「動」

先看 σ_VIX（22 日 VIX 滾動標準差）的分佈：均值 1.60、標準差 1.23、最小 0.30、最大 9.82、偏度 3.08、峰度 12.94。這個分佈非常右偏且厚尾，意思是大部分時候 VIX 抖動不大，但偶爾會出現極端劇烈的 VoV 爆衝。VVIX（市場對 VIX 自身波動率的隱含估計）均值 93.86、標準差 16.33、最大 207.59，同樣厚尾。

樣本期間共出現  287 次 regime change ，平均每年 14.4 次。其中 36.3% 的交易日處於高波動 regime（VIX > 20），而 17.8% 的交易日是 regime change 發生日。這個比例適中，足以做為機器學習的二元分類目標。

第一個發現：VoV 與 regime change 是「同步」而非「領先」

我們做了一個簡單但關鍵的檢查：算 VoV 與 regime change 在不同 lead-lag 下的相關係數。如果 VoV 真的有領先性，相關係數應該在「VoV 領先 regime change」（負 lag）的位置最高。

實際結果：

訊息很清楚：相關係數是 單調遞增 的，到 lag = +10 還在上升。VoV 不是 regime change 的領先指標，它是 同期反映 + 落後追隨 指標。換句話說，當你看到 σ_VIX 變大時，regime change 通常已經發生或正在發生，這對前瞻性的預測或避險意義不大。

雖然 Granger 迴歸在 1 天、5 天、10 天 horizon 都顯示 σ_VIX 的迴歸係數有極高的統計強度（係數 0.36 / 0.28 / 0.23，對應的統計強度分別接近 18.46 / 13.73 / 11.23 達顯著水準）、R² 在 0.21 / 0.12 / 0.07，但這個顯著性並不等於「實務預測力」，因為下一步的 AUC 檢定告訴我們真實樣本外預測力幾乎不存在。

第二個發現：VoV 加入預測模型，AUC 改善不顯著

我們訓練了 5 個 logistic regression 模型來預測 regime change（22 日後的 VIX 高/低 regime）：

樣本外（OOS）2020-01-01 之後的最佳 AUC 是 0.5868（Model 4），只比隨機猜測（0.5）高一點點。 Bootstrap 5,000 次 檢定 Model 4 vs Model 1 的 AUC 差異：mean difference = 0.0171、95% 信賴區間 [-0.0265, +0.0606]、達顯著水準（達顯著水準（顯著性 0.2184）， 未達 5% 顯著水準 ）。

換句話說：把所有 VoV 訊號加進模型，看似把 OOS AUC 從 0.52 拉到 0.59，但這個差異在 bootstrap 抽樣下無法排除運氣。重點是 OOS 期間恰好涵蓋 COVID 衝擊，這個極端事件可能正向膨脹了 AUC——如果連 COVID 都不能讓 VoV 有顯著預測力，平靜時期更不可能。

第三個發現：「暴風雨前的寧靜」並不存在

我們進一步檢查一個更精緻的假說：在 regime 從 calm（低波動）切換到 storm（高波動）的轉折前 5 天，σ_VIX 是否會異常壓低？這就是金融文獻常提到的「calm before storm」效應。

樣本內共有 143 次 calm-to-storm 轉折。轉折前 5 天平均 σ_VIX = 1.51、轉折當天 = 1.67、轉折後 5 天 = 1.86。對比無條件均值 1.60， 轉折前並沒有顯著壓低 （統計強度 -1.46，未達顯著水準）。前 vs 後比較雖然顯著（統計強度 -3.81、達顯著水準 0.0002），但這只是反映「regime 切換之後 VoV 上升」這個自然現象，不是預測訊號。

簡單說：σ_VIX 不會在風暴來臨前先「悄悄壓低」，也不會「先悄悄爆衝」，它就是和 regime 同步動而已。

第四個發現：把 VoV 加進策略，反而傷害績效

最殘酷的檢定來了。我們把 VoV 訊號加進一個標準的 12-VIX 風險平價策略（標的：SPY；當 VIX 上升時降低 weight），看看 VoV 是否能進一步提升風險調整後報酬：

最關鍵的兩模型比較顯著（兩模型比較顯著-style）：VoV-adjusted vs Standard 12-VIX 的  統計強度 = -2.811、達顯著水準 0.005 ，年化平均報酬差距 -3.71%。

意思非常清楚： 把 VoV 訊號加進來，會在統計上顯著傷害策略 。原因可能是 VoV 在 regime change 後才上升（前述發現一），導致策略在錯誤的時點降低部位（事後反應 = 賣在低點），平均 weight 從 0.68 降到 0.37 卻沒換來更好的風險調整後報酬。

OOS 期間（2020 之後）也是同樣結論：Standard 12-VIX 風險調整後報酬 0.795，VoV-adjusted 只有 0.677，VoV-soft 0.786 略低於 Standard。

第五個發現：「VoV 低 = 報酬高」是 VIX regime 假象

我們把 σ_VIX 分四組（Q1 最低、Q4 最高），算每組的 SPY 年化報酬：

乍看 Q1 風險調整後報酬高達 2.162，似乎 VoV 低就是好時機。但 ANOVA 檢定 F = 0.48、達顯著水準 0.6965（ 未達顯著水準 ），四組均值差異無法排除隨機抽樣誤差。更關鍵的是：σ_VIX 與 VIX 高度相關，Q1 σ_VIX 同時也是 Q1 VIX，而 VIX 低的時候 SPY 報酬好本來就是已知效應。 這個 Sharpe 2.16 是 VIX-regime 的影子 ，不是 VoV 的獨立貢獻。

為什麼直覺漂亮卻實證失敗？

K649 的結果與本實驗室既往的 K448、J17、K1 完全一致：

•  K448 ：把 VVIX 加進波動率預測模型，NULL。
•  J17 ：用 VVIX 做尾端風險避險 overlay，NULL。
•  K1 ：把 SKEW、VVIX、VIX3M 等 options surface 變數一起測，全被 VIX 吸收。

這三個結果加上 K649，可以匯整成一個結論： VIX 水平本身已經充分內含大部分 vol-of-vol 訊號 。當 VoV 變高，VIX 通常也已經變高；模型同時看 VIX 和 VoV，VoV 變數並不會帶來額外的預測力。

這也呼應 HLZ (2016) 對因子「實證篩選」的提醒：學術文獻找到的 VoV 效應可能來自特殊樣本期、特定資產、或特定模型 spec。當我們在 19 年樣本、SPY、嚴格 lookahead-free 的回測下重做，效應消失。

限制與後續方向

誠實列出限制：

1.  VIX = 20 的門檻是武斷的 ——若改 15 或 25，結論可能不同（但既有 K448/J17 的多門檻 robustness 顯示主結論穩健）。
2.  OOS 期間（2020 之後）涵蓋 COVID ，可能正向膨脹 AUC；真實預測力可能更低。
3.  GARCH(1,1) 用固定參數 ，不是 MLE 估計；改用 MLE 可能讓 σ_VIX 更精準但不太可能翻轉結論。
4.  Logistic regression 是線性決策邊界 ——若 VoV 與 regime change 的關係是非線性，深度學習或 random forest 可能找到更好的訊號（但本實驗室既往用 GBM 測過 K1 同樣 NULL）。

可能的反向研究路徑：(a) 改測 短期 VoV spike （5 天內）作為短線交易訊號（K448 prior 顯示有限效果）；(b) 改測 跨資產 VoV spillover （例如 BTC-VVIX 對 SPY 的領先）；(c) 改測 選擇權 dealer gamma exposure  等更微觀的市場結構變數。但「VoV 直接預測 regime change」這條主路，K649 確認是死路。

給投資人的實務啟示

如果你的策略目前 只看 VIX ，K649 告訴你：你已經在使用最好的訊號。再去找一個 VoV 指標來「加強」VIX，平均而言會傷害你的績效（風險調整後報酬下降約 0.15、年化報酬下降 3.7%）。

如果你看到別人 promote「VVIX 領先 VIX 7 天」「σ_VIX 抓到 regime change」這類論述，請要求對方提供：(1) 至少 15 年樣本、(2) 嚴格 lookahead-free 的 OOS 績效、(3) 與單看 VIX 的兩模型比較顯著。三項缺一，就是樣本內 overfit。

研究的價值不在每個假說都被證實，而在誠實地把死路標出來，讓有限的研究資源投向真正有效的方向。K649 把 VoV 主路標為死路，這就是它的貢獻。

圖表

延伸閱讀

• 金銀比能預測美股波動嗎？一個 NULL 結果