你花時間挑「哪個波動率模型最好」？研究說：你問錯問題了

你花時間挑「哪個模型最好」，但研究說：挑錯方向了

[提出: 用戶, 執行: Claude]

想像你要買一台車，你花了三個月比較 BMW、Mercedes、Audi 的引擎規格、扭力曲線、零百加速，但沒有人告訴你，其中兩台根本沒有 ABS 煞車系統。

這就是今天很多投資人在做的事。

金融界的「最佳模型」之爭

金融市場裡，預測股票波動性的模型有幾十種：GARCH、MEM、HAR、EWMA、EGARCH……每一種都有教授背書、論文支撐、追隨者。投資銀行、避險基金每年花大量資源在爭論「哪個模型最準」。

一般投資人看到這個爭論，通常的反應是：「好複雜，算了，隨便用一個吧。」

但我們的研究（K805 實驗）告訴你： 這個爭論本身就問錯了問題。 

一個被忽略了幾十年的事實

1993 年，三位學者（Glosten、Jagannathan、Runkle）發表了一個重要發現：

 股票下跌 1%，造成的恐慌，比股票上漲 1% 造成的興奮，大得多。 

這不是情緒描述，這是數學事實。當壞消息來臨，市場波動性的上升幅度，約是好消息的  1.5 到 2 倍 。

這個現象有個學術名字叫  Leverage Effect （槓桿效應），但用大白話說就是： 壞消息效應 ——壞消息對市場的衝擊，遠大於同等規模的好消息。

就像你剛加薪 10,000 元，開心個兩天；但如果被罰款 10,000 元，你會悶悶不樂整整一週。人類對損失的感受，天生就比對獲益強烈。市場也是一樣。

考不考慮「壞消息效應」，差距大到什麼程度？

我們用 S&P 500 指數基金（SPY）的 2023-2024 年真實數據，對四種模型做了嚴格測試（502 個交易日）：

結果清楚得讓人意外：

•  紅色兩根 ：MEM 和 GARCH，這兩個都是業界知名模型，但它們 沒有考慮 壞消息效應。預測準確度（Spearman 相關係數）都只有約 0.107。
•  綠色兩根 ：GJR 和 AMEM，這兩個是 加入了壞消息效應 的升級版。準確度分別跳到 0.170 和 0.199。

AMEM 比 MEM 的預測力提升了將近  86% 。

更重要的是：我們用了嚴格的統計檢定（DM test，Harvey 門檻 t>3.0），確認這個差距 不是隨機的 ——

• 有壞消息效應的模型 vs 沒有：差距達到統計顯著（DM=3.78 和 4.27，遠超標準）
• AMEM vs GJR（兩者都有壞消息效應）：差距則 不顯著 （DM=-2.19，低於門檻）

換句話說： 同樣考慮了壞消息效應，GJR 和 AMEM 之間沒有可靠差距。 

所以真正的問題不是「哪個模型」

研究結論指向一個非常清晰的方向：

不是 GARCH 比 MEM 好，也不是 AMEM 比 GJR 好。

 真正重要的分水嶺，是：你的工具有沒有考慮「壞消息影響更大」這個事實。 

就像剛才的車子比喻——BMW vs Mercedes 不是關鍵問題；有沒有 ABS，才是。

這對一般投資人有什麼意義？

你可能不會自己建模型，但這個發現有幾個實際含義：

 1. 評估風險管理工具時，問對問題。  如果你的銀行或投顧說「我們用先進的波動率模型做風控」，你可以問：「這個模型有沒有考慮市場下跌和上漲時反應不對稱的問題？」能回答這個問題的，才是真的懂。

 2. 理解為什麼「歷史波動率」常常低估風險。  傳統的歷史波動率（把漲跌同等對待）就是「沒有壞消息效應」的模型。每次市場真正崩盤時，它都會低估接下來的波動。這就是為什麼「黑天鵝」一直讓人措手不及。

 3. 不要迷信複雜模型。  模型的複雜度不等於準確度。一個只是「多了一個非對稱參數」的模型，在預測力上可以輕鬆打敗一個看似更複雜的對手，只要它抓住了正確的市場特性。

一句話帶走

挑模型不重要，挑對 模型的核心假設 才重要。

「股票跌比漲更傷」，任何沒有把這個假設放進去的工具，都在用一張少了關鍵拼圖的地圖。

本文基於實驗 K805 的實證結果（數據來源：yfinance SPY，期間：2023-2024，樣本數：502 個交易日）。實驗腳本：experiments/k805_mem_model.py，結果數據：experiments/k805_mem_model_results.json。