「GPS 給你一個點，但人生更需要地圖」——Bayesian 統計如何改變你看待投資預測的方式

摘要

[提出: 用戶, 執行: Claude]

傳統統計模型給你一個「精確」的答案，但從不告訴你這個答案有多可靠。Bayesian 統計做到了更誠實的事：它給你一個範圍，告訴你每個可能性的機率，而這種誠實，對投資人來說比虛假的精確更有價值。

你的導航 App 從來不說「你現在精確在北緯 25.03312, 東經 121.56432」

好吧，其實它會說。

但你有沒有注意到，Google Maps 有時候會顯示一個藍色的光暈圈，那個圈代表「你可能在這個範圍內的某個地方」。光暈越大，定位越不確定。

這個藍色光暈，就是 Bayesian 統計的核心精神。

大多數人習慣的統計預測，像是傳統 GPS 回報： 「你現在在精確的這個座標。」  一個數字，沒有討論餘地。

但 Bayesian 統計說： 「你最可能在這裡，但也可能在周圍這個範圍內。越靠近中心的可能性越高，越往外越低。」 

乍聽之下，「一個範圍」好像比「一個答案」更沒用。但當你真正需要做決策的時候，你會發現恰恰相反。

傳統 GARCH 的問題：它從不告訴你它有多沒把握

GARCH 是金融界最常用的波動率預測模型。簡單說，它試圖預測「明天市場大概會波動多少」。

傳統的 GARCH 估計完之後，會給你這樣的結果：

•  $\alpha$（衝擊反應）= 0.08 ：今天發生的大事件，對明天波動率的影響程度
•  $\beta$（波動持續性）= 0.92 ：昨天的高波動，有多少會延續到今天

這兩個數字看起來很精確。但問題是： 模型從來不告訴你，這兩個數字有多可靠。 

也許 $\alpha$ 其實可以是 0.02，也可以是 0.18——差了九倍。也許 $\beta$ 真的很穩定，在 0.88-0.95 之間。但傳統方法給了你同樣「精確」的數字，讓你以為這兩個估計的可信度是一樣的。

這就像天氣預報說「明天下午 2 點台北氣溫 28°C」和「明天下午 2 點台北氣溫 15°C」，如果預報員對這兩個預測的信心完全不同，你難道不想知道嗎？

Bayesian MCMC：誠實說出「我有多不確定」

Bayesian MCMC（Markov Chain Monte Carlo，馬可夫鏈蒙地卡羅）採用了完全不同的方法。

它不直接給你一個答案，而是 跑成千上萬次模擬 ，每次根據數據調整參數，最終得到每個參數的「可能性分布」：

• 不說「$\alpha$ = 0.08」，而說「$\alpha$ 最可能在 0.05-0.12 之間，這個範圍包含了大多數可能性」
• 不說「$\beta$ = 0.92」，而說「$\beta$ 幾乎可以確定在 0.89-0.95 之間，分布非常集中」

這兩個描述有一個關鍵差異： $\beta$ 的範圍很窄（高確定性），$\alpha$ 的範圍相對較寬（低確定性）。 

同樣是模型裡的兩個參數，但我們對它們的了解程度完全不同。

傳統方法把這個差異藏起來了。Bayesian 方法把它坦白告訴你。

最確定的事：壞消息比好消息更能撼動市場

在 Bayesian GARCH 框架裡，有一個發現在概念上特別清晰：

 Leverage effect（槓桿效應）是所有參數中確定性最高的。 

槓桿效應是什麼？簡單說就是：市場跌的時候，波動率上升的幅度， 比市場漲同樣幅度時更大 。

壞消息傳來，投資人的反應不成比例地激烈。市場恐慌的速度，遠比市場歡慶的速度快。

這件事在 Bayesian 框架下顯示出非常窄、非常集中的後驗分布，意思是： 不論怎麼分析，這個結論都非常穩定，幾乎沒有不確定性。 

反過來說，關於「今天的衝擊有多少會影響明天」（$\alpha$），不確定性就大得多。

對投資人來說，這個非對稱性有實際意義： 你可以很有信心地說，大跌之後波動率會升高；但你對「升高多少」的預測，應該保持謙遜。 

為什麼「誠實的範圍」比「精確的謊言」更有用？

讓我們回到導航的比喻。

如果 GPS 告訴你：「你在這條街的 53 號」，但它的定位其實差了 100 公尺，你可能會走進別人家。

如果 GPS 說：「你在這個圓圈範圍內的某個地方」，你知道要多留意周圍的門牌號碼，調整你的行走策略。

第二種資訊 讓你做出更好的決策 ，即使它聽起來比第一種「不精確」。

金融預測也一樣。一個模型說「明天 VIX 會是 18.3」，另一個模型說「明天 VIX 最可能在 16-21 之間，但如果今晚有重大新聞，上限可能更高」，後者看起來模糊，但告訴了你更多真實的資訊。

 不確定性本身就是資訊。  當模型告訴你它很有把握，你可以相信它；當模型告訴你它不確定，你就知道要留後路。

投資人的三個行動啟示

 1. 不要被「精確數字」迷惑 

當有人說「根據模型，這支股票明年目標價 52.3 元」，這個小數點讓人感覺很可靠。但它沒有告訴你模型的不確定性有多大。記得問：「這個預測的信心區間是多少？」

 2. 不確定性大的預測，要留更多緩衝 

如果一個策略在「$\alpha$ 參數小一點」和「$\alpha$ 參數大一點」的情境下表現差異很大，這個策略就需要更保守的倉位管理，因為我們本來就對 $\alpha$ 不確定。

 3. 壞消息時，波動率一定升高，這件事可以相信 

Bayesian 分析支持這個結論：Leverage effect 是金融市場中最穩健的規律之一。在高不確定性的環境下，這個確定性反而是你可以依賴的少數錨點之一。

結語：學會與不確定性共存

金融市場的本質是不確定性。任何聲稱能「精確預測」的模型，要麼在說謊，要麼對自己的局限沒有自覺。

Bayesian MCMC 做了一件看似違反直覺的事： 它用更多的計算，換來一個更誠實的「我不確定」。 

但正是這種誠實，讓投資決策建立在更扎實的基礎上。

不是追求更精確的預測，而是理解預測的邊界，這才是讓策略經得起考驗的真正功夫。

本文概念來自 K814 Bayesian MCMC GARCH 實驗（方法論層面）。具體數值待 Codex 審查修正版（K814v2）確認後公布。研究工作目錄：/experiments/k814.py。