EWMA 平滑參數最佳值：Lag 修正後的誠實答案

一句話結論

把 EWMA（指數加權移動平均）波動率平滑參數 λ 從常見的 0.94（RiskMetrics 1996 預設）調到 0.98 之後， 風險調整後報酬從 0.484 提升到 0.507 ——數字確實有微幅進步；但同樣這個「最佳」的波動率目標化策略， 仍然輸給最簡單的 50/50 買入持有（Sharpe 0.545） ，而且在 5 個跨期間 OOS（樣本外）測試中 只贏 baseline 1 次 。本研究最重要的價值不是「找到了最佳參數」，而是把過去看似擊敗 baseline 的訊號，攤開來看清楚： 訊號很大一部分來自當日資訊外洩（lookahead bias），修正後幾乎全部消失 。

為什麼需要做這個實驗

EWMA 是業界估計波動率最常見的工具之一。它把今天的波動率寫成：

σ²_t = λ · σ²_{t-1} + (1 - λ) · r²_{t-1}

平滑參數 λ 介於 0 和 1 之間：λ 越大，波動率記憶越長、反應越慢；λ 越小，反應越快但雜訊越多。J.P. Morgan 在 1996 年的 RiskMetrics 技術文件中，把日頻資料的 λ 預設成  0.94 ——這個數字後來成為產業界事實上的標準。

但 RiskMetrics 1996 的 λ=0.94 是基於 1990 年代初期樣本選出來的； 這個值是否仍然是 2007–2026 區間最佳？是否仍然是不同 lag（落後期數）下都穩健的選擇？ 

更重要的是：在我們先前 K547、K561、K562 等一系列實驗中，發現 VT（volatility targeting，波動率目標化）家族策略普遍存在一個隱性 bug—— 當日訊號用了當日的波動率估計 ，但這在實際交易中不可能做到（你必須先看到當日所有報酬才能算出當日波動率）。修正成「t-1 期的波動率估計來決定 t 期的部位」之後，許多看起來漂亮的回測結果一夕之間退色。K695 就是把 EWMA + VT 這個經典組合，在嚴格 lag 修正後，重新做一次完整的 λ 搜尋。

資料來源

樣本涵蓋 2008 金融海嘯、2011–2013 緩慢復甦、2015–2017 低波期、2020 COVID 崩盤、2022–2024 升息週期五大場景，足以檢驗策略在不同市場狀態下的穩健性。

Lookahead 修正：本研究的核心誠實點

過去 VT 策略文獻有一個微妙陷阱：許多回測在 t 期決定部位時， 用的是包含 t 期當日報酬計算出來的波動率估計 。這在數學上是合法的（你可以用整段樣本算 EWMA），但在實務上是不可能的，交易員在 t 期早盤決定部位時，根本還不知道 t 期的收盤價是多少。

K695 的實作明確區分兩種版本：

•  Lag-0（作弊版） ：用同一天的 σ̂_t 決定 w_t——這是看得見未來的版本，僅作對照用。
•  Lag-1（可實作版） ：用 σ̂_{t-1} 決定 w_t——這才是真正能在實盤交易的版本，本研究的所有正式結論都以此為準。

 修正前後的差距有多大？  看下面 lag robustness 表：

 關鍵觀察 ：λ 越小（反應越靈敏）的版本，在 lag 修正後衰減越大。這非常合理，快反應的 EWMA 對「今日資訊」的依賴度更高，一旦把今日資訊抽走，效能掉得最快。 很多過去看起來在小 λ 區間特別亮眼的「動態調整」策略訊號，其實是 lookahead 製造出來的假象，修正後就消失了 。

λ 全掃描結果（lag-1 修正版）

下表為 8 個 λ 值在完整 19.2 年樣本中的核心績效：

幾個重要訊息：

1.  最佳 λ 是 0.98 （Sharpe 0.507），不是 RiskMetrics 預設的 0.94（Sharpe 0.484）。差異約 0.023。
2.  沒有任何一個 λ 擊敗 BH 50/50 （Sharpe 0.545）。所有 EWMA + VT 版本的風險調整後報酬都低於最簡單的買入持有。
3.  EWMA + VT 真正的優勢在最大回撤 ：λ=0.98 時 MDD 為 -17%，是 BH（-32%）的一半。年化報酬代價約 2.2 個百分點。
4.  λ 越大，週轉越低 。λ=0.98 年週轉只有 2.28 倍，遠低於 λ=0.88 的 12.76 倍，這代表 λ=0.98 在實際交易成本（這裡假設 5 bps）下被吃掉的報酬最少。

兩模型比較與重抽樣比較

把 λ=0.98 與 BH 50/50 做日報酬序列的兩模型比較檢定（Newey-West 修正後標準誤），統計強度為 -1.98，達顯著水準（顯著性約 4.8%）。注意這裡是 負向 顯著—— EWMA + VT 在統計上顯著落後 BH 50/50 ，不是領先。

進一步用 5,000 次重抽樣對比 λ=0.98 與 BH 50/50 的 Sharpe 差異：

換句話說，雖然點估計顯示 BH 略勝，但 95% 區間跨過 0、勝出比例只有 33%——統計上 無法宣稱兩者有顯著差異 。可以說「EWMA + VT 的風險調整後報酬，與 BH 50/50 在統計上無從區分」。

跨期間 OOS：穩健性堪憂

把樣本切成 5 個獨立區間做跨 OOS 測試（以 λ=0.98 為例）：

 這 5 個 OOS 沒有任何一期通過嚴格統計顯著（HLZ (2016) 高 bar） 。最值得注意的是 OOS1 金融海嘯：理論上 VT 策略應該在這種高波動崩盤裡保護資本， 結果反而 Sharpe 比 BH 還低 0.165 ——主因是當下波動估計上升、部位被壓到 0.55 左右、結果 V 型反彈時 GLD/SPY 補回來太慢。

從學術角度看，這非常重要： 「危機期保護」是 VT 策略的招牌賣點，但在嚴格 lag 修正下，這個賣點在 GFC 樣本中沒有兌現 。

那 λ=0.98 比 RiskMetrics 預設 0.94 真的更好嗎？

把 λ=0.98 與 λ=0.94 做重抽樣比較：

點估計上 λ=0.98 確實略勝 λ=0.94，重抽樣中 73% 的次數較高，但 95% 區間仍跨過 0，不達嚴格統計顯著。實務上可以說「λ=0.98 是這個樣本的最佳值，但與 RiskMetrics 0.94 預設值的差距不夠大到可以下定論」。

為什麼 λ=0.98 反而比 λ=0.94 好一點？

這是一個有趣的方法論問題。RiskMetrics 1996 用的是 1990 年代初期樣本，當時的市場環境與 2007–2026 大不相同。可能原因：

1.  金融危機後的波動聚集（volatility clustering）變得更持久 ：高波動期延長，需要更大 λ 才能抓住。
2.  5 bps 交易成本 ：λ 越大週轉越低，扣成本後相對更划算。本實驗中，λ=0.98 年週轉 2.28，λ=0.94 為 6.50，前者交易成本只是後者的 1/3。
3.  最大回撤友善 ：λ=0.98 在大跌時更平滑減倉、不會一日內砍太多，反而避免掉「砍在最低點」的反彈損失。

但要注意，這些都是 post hoc 解釋，不能在另一個資產或另一段樣本上保證重現。

對讀者的實務建議

1.  如果你的目的是「跟著大盤拿風險溢酬」 ：直接 BH 50/50 的 Sharpe 0.545 已經贏過所有 EWMA + VT 版本，且實作零複雜度。不需要用 EWMA。
2.  如果你的目的是「降低最大回撤、犧牲一點報酬」 ：EWMA + VT 在 λ=0.97–0.98 區間是合理選擇——MDD 從 -32% 降到 -17%，但年化報酬也跟著從 11.5% 降到 9.2%。
3.  不要採用 λ=0.94 預設值就停下來 ：本實驗清楚顯示 λ=0.98 在 2007–2026 樣本中略優、且交易成本更低。但統計顯著性不夠強， 請務必在你自己的樣本上重做這個搜尋 。
4.  特別小心「同日訊號」陷阱 ：自己回測時務必確認部位由 t-1 期資訊決定，否則你看到的 Sharpe 可能像本實驗中 lag-0 那樣，比真實版本高出 5–15%——但實盤永遠不會有那個成績。

研究方法論的反省

K695 的最大價值不在「找到最佳 λ」，而在 主動暴露原本被 lookahead 隱藏起來的真實效能 。在我們先前一系列 VT 實驗中，許多看似擊敗 baseline 的數字，修正 lag 後才發現原來訊號的一半以上來自資訊外洩。 這種實驗每做一次，學術界與實務界對「VT 策略到底有沒有 alpha」的認知就更貼近真相一些 。

對研究者的提醒：每當你在回測中看到漂亮的 Sharpe，第一個要問的不是「這個策略多厲害」，而是「我的訊號是不是用到了當日資訊？」。把 t-1 化做進去，再看數字。如果還能贏，那才是真實際的 alpha。

圖表