為什麼同樣是「商品 ETF」，銅銀就是吃不到 VIX 紅利？

一段給急著看結論的讀者

如果你是用 ETF 做資產配置的散戶、或是替客戶選工具的理財顧問，K1091 這個實驗對你的價值很簡單：

•  不是所有資產都能用同一套「波動率參考指標」 。
• 拿 VIX（S&P 500 的恐慌指數）去推 全球股票 ETF （VGK 歐股、EWJ 日股）的波動率，是有效的；
• 拿同一個 VIX 去推 沒有自己 IV 指數的商品 ETF （CPER 銅、SLV 銀），幾乎沒用，跟一般 GARCH 模型沒差別。

換句話說： 當你聽到「VIX 是市場的恐慌計」的時候，你要先問一句 —— 是哪個市場的恐慌計？  這個問題在你選擇是否相信某篇研究、是否套用某個免費的波動率工具、是否把雞蛋放在不同籃子的時候，都直接攸關你的決策品質。

為什麼這件事跟散戶有關

過去十年，「使用 VIX 做投資判斷」幾乎變成主流投資論述的常識：

• 媒體報導：「VIX 飆破 30，市場恐慌」
• 量化部落格：「用 VIX 訊號做擇時」
• ETF 商品：VIX 期貨 ETF、VIX 反向 ETF、VIX 增強策略
• AI 投顧工具：把 VIX 餵進去做風險評估

但 很少人說清楚一件事 ：VIX 本質上是 美國 S&P 500 指數選擇權 所反映的隱含波動率（implied volatility）。它的「恐慌」是 S&P 500 的恐慌，不是「全市場」的恐慌。

當你的投資組合裡有：

• 美股 ETF（SPY、QQQ）→ VIX 是相關的
• 歐日股票 ETF（VGK、EWJ）→ VIX 還是有用，因為全球股市風險溢酬連動
• 黃金 ETF（GLD）、原油 ETF（USO）→ 別用 VIX，這兩個各自有自己的指數（黃金有 GVZ、原油有 OVX）
•  銅 ETF（CPER）、銀 ETF（SLV）  →  VIX 給你的訊號接近於零 

K1091 的價值就是把最後一條從「直覺猜測」推進到「實證可驗」。我們不是用嘴巴說 VIX 對銅銀沒用，是真的拿 1,500 到 3,000 個交易日的數據跑模型比較，得到的結論是：在銅、銀這兩種商品上，加進 VIX 資訊 完全打不過 最普通的 GJR-GARCH 模型。

實驗到底做了什麼？用人話講一次

研究系統先在另一個實驗（K1090）建立了一條「事前判斷公式」，這條公式的功能是： 還沒跑模型前，先預測「VIX 對這個資產有多大幫助」 。它用三個非常便宜算的特徵（資產是不是美元計價、資產報酬與 VIX 變動的相關係數、是不是商品類別）就能粗估出後續模型比較的統計強度。

這條公式在訓練資料的 12 檔資產上， 事後估計誤差 大約是 1.94 個 DM-t 單位（DM-t 越高代表 VIX 模型贏得越多），算是堪用的事前篩選器。

K1091 接下來做的事情很單純： 找四檔完全沒進訓練集的資產，先用公式預測，再真的跑模型，比對誤差 。

四檔資產與公式預測：

DM-t > 3 代表這個 VIX 模型「明顯比 GJR-GARCH 好」，公式對四檔的預測 全部都在 3 之上 。

實際跑下去呢？

兩張圖把這個對比畫得很清楚：

歐股、日股的預測幾乎神準（誤差 < 0.5），銅、銀的預測 錯了 3 個 DM-t 單位以上 。最尷尬的是 SLV（白銀），實際結果不只達不到門檻，還是 負的  —— 等於 VIX 資訊不只沒幫忙，還微微拖累了預測。

 1,576 個交易日 （CPER）、 3,004 個交易日 （SLV）的樣本，不是統計噪音可以解釋的。

真正的原因：「商品」這個標籤太粗

很多人看到結果第一反應是：「公式爛、模型爛，所以對商品沒用。」這個解讀是 錯的 。

把資料攤開看相關性：

最後兩列的相關係數是 −0.054 跟 −0.041， 幾乎是零 。VIX 跟銅、銀的價格走勢之間，根本沒有可被模型抓出來的訊號。模型不是壞掉，是 沒東西可學 。

那為什麼黃金、原油就有用？因為：

•  黃金有 GVZ （CBOE 黃金 ETF 波動率指數）
•  原油有 OVX （CBOE 原油 ETF 波動率指數）

過去那些「商品也能用 VIX-style 模型」的研究，其實 用的是各商品自己的隱含波動率指數 （GVZ、OVX），不是套 S&P 500 的 VIX。 結構對齊 才有效。銅、銀目前沒有流通性夠的對應 IV 指數可用（CBOE 跟 Volmex 都還沒固定發布），所以拿 VIX 代打 —— 而 K1091 的結論是：代不來。

換成生活化的比喻：你不會用「全國平均氣溫」去預測自己城市的明天溫度，會用最近的氣象站。VIX 是「整個美國股市的氣溫」，要拿來預測歐股、日股還行（國際股市連動度高），但要預測銅或銀就太遠了 —— 你需要的是「銅市場的氣象站」或「銀市場的氣象站」，這兩個目前沒掛。

給散戶 / 配置者的三條操作建議

一、聽到「這個工具對所有資產都有用」的時候要警覺

K1091 是一個 反例教科書 ：同一個工具（VIX-based volatility model），在歐股、日股很有用，但在銅、銀無效。

實務應用時，遇到任何聲稱「全資產通用」的工具或策略，建議問三個問題：

1. 這個工具用了什麼 輸入訊息 ？（VIX？利率？情緒？）
2. 我要套用的資產，跟這個輸入訊息的 結構 有沒有對齊？（有沒有對應的隱含波動率？有沒有共通的風險溢酬？）
3. 有沒有人 真的在我的資產上跑過 （不是直接套美股結論）？

如果三題都模糊，那這個工具放在你的資產上 期望值是不確定的 ，要審慎使用。

二、預測區間（confidence interval）比點估計誠實

K1090 公式對 CPER 給的點預測是 +3.58，但 預測區間下緣是 0.35  —— 這個區間的下緣其實已經低到 嚴格統計 門檻 3.0 之下，等於公式自己在說「我有把握說大概率 PASS，但也不能完全排除 FAIL」。

實務應用：當你看到任何預測（不管是 ETF 預期報酬、還是某模型預期績效）， 永遠先看區間，再看點 。寬區間就是「樣本不夠 / 模型不確定」的誠實警告。如果有人只給你點預測沒給區間，那是 過度自信 。

三、資產類別的「行政分類」≠「結構分類」

這條最重要。把資產 按監理用途分類 （股票、債券、商品、加密貨幣）是會計師、稅務員、報表編製者的需求，但 不是模型有效性的判準 。

從 模型角度 看，更有用的分類是：「 這個資產有沒有對應的隱含波動率指數可用？ 」

如果你正在挑選 波動率預測工具 、或正在讀某篇宣稱對「商品有用」的研究，先把資產對到這張表的右欄。沒有對應 IV 的資產（銅、銀、玉米），別期望免費的 VIX 工具會給你準確訊號。

兩個常被誤解的點

「DM 統計量、QLIKE 是什麼？我看不懂」

不用懂細節，記住兩件事：

•  QLIKE  是「波動率預測誤差」的衡量。越接近真實波動率，QLIKE 越小（在這個專案的代碼裡是越「負」越好）。
•  DM-t  是「兩個模型誰預測得比較準」的統計強度。DM-t 越大、且絕對值大於 3，代表 A 模型 明顯 贏 B 模型。

K1091 的故事可以濃縮成：

• VGK / EWJ：DM-t = +4.46 / +4.81 → VIX 模型 明顯 贏
• CPER / SLV：DM-t = +0.44 / −0.08 → VIX 模型 沒贏 

「樣本只有 4 檔資產，這結論可靠嗎？」

四檔做事前驗證點預測時，誤差的不確定性確實寬。但 配合機制證據 就完全不一樣了：

• 四檔的相關係數差距是 機制層面的 （股票 −0.10 量級 vs 銅銀 −0.05 量級）
• 機制驗證有「沒有對應 IV」的觀察支持
• 過去 GLD（黃金）+ GVZ、USO（原油）+ OVX 的成功案例已經建立「IV 對齊就有效」的規律

K1091 不是「樣本 4 檔」就草率下結論，而是 用四檔驗證一條有更深機制支持的規律 。對散戶來說，能信任的就是這條規律： 有 matched IV 的資產，VIX-style 模型才有用 。

結論

K1091 不是給量化從業者看的硬核結果，是給每個會看新聞、用 ETF、擔心市場波動的人，一個非常具體的判讀指引：

 當你下次看到「用 VIX 訊號做投資判斷」的工具或文章時，先問：是哪些資產？ 

• 如果是美股、歐日股 → 工具大致可信
• 如果是黃金、原油 → 用 GVZ / OVX 才對，VIX 是次選
• 如果是 銅、銀、農產品、新興市場貨幣  →  這個工具大概率對你的資產沒效 

這個判讀規則的成本是零（就是看一下資產類別），但能幫你過濾掉一大堆 結構不對齊 的工具與聲稱。研究誠實原則的目的不是嚇唬讀者，是讓每個讀者都能掌握「什麼時候相信、什麼時候保留」的判斷力。

資料來源

•  實驗 K1091 ：腳本 experiments/k1091/k1091.py、結果 experiments/k1091/k1091_results.json
•  資料 ：yfinance 日線 Adjusted Close（VGK、EWJ、CPER、SLV）+ CBOE ^VIX Close，資料截止 2026-04-10
•  樣本期間 ：VGK 2013-03 ~ 2026-04（3,298 OOS 日）、EWJ 2007-01 ~ 2026-04（4,848 OOS 日）、CPER 2020-01 ~ 2026-04（1,576 OOS 日）、SLV 2014-05 ~ 2026-04（3,004 OOS 日）
•  方法 ：滾動窗口（1500–2000 日），每 63 天重估一次 GARCH 與 A4f-VIX² 模型，所有預測值只用 t-1 的資訊（明確 lag 控制以避免前視偏誤），seed=42 固定隨機性
•  延伸 ：K1090（meta-regression 訓練）、K1085（黃金 GLD+GVZ）、K1088（原油 USO+OVX）

本文為一般讀者版本。如果你想看完整的方法論討論、機制分解、或量化研究角度的延伸方向，可以閱讀本平台的 K1091 研究版文章「為什麼股指 meta-prediction 準、銅銀 FAIL？—— 跨資產波動率預測的類別不對稱性」。