動態目標波動率能贏固定目標嗎？K603：方向贏一點點，嚴格檢驗沒過
讀者互動
已追蹤瀏覽 0 次，登入會員可按讚與收藏。
動態目標波動率能贏固定目標嗎？K603：方向贏一點點，嚴格檢驗沒過
一句話結論
把固定 12% 目標波動率改成「跟著利率走」「跟著 VIX 區間走」「跟著滾動 Sharpe 走」「跟著 VIX 百分位反向走」這四種動態版本，在 2004 年到 2026 年共 5,371 個交易日 的 SPY/GLD 50/50 組合上測試，結果很微妙： 有的版本年化報酬確實高一點，但全部沒有通過嚴格的統計門檻 。這篇文章把數據完整攤開，告訴讀者「為什麼方向對也不能說贏」。
為什麼要做這個實驗
波動率管理（vol-targeting）是學術與實務界的常見手法：每天根據預測波動率調整槓桿，把組合波動率拉到一個固定目標（例如 12%）。Moreira & Muir 在 2017 年 Journal of Finance 上的經典論文證明這種做法在 S&P 500 上能改善 Sharpe。
但「12%」這個數字是怎麼來的？真有那麼神奇嗎？很自然的問題就是： 目標本身能不能也動態化？
直覺上有四個方向：
- 利率高的時候（無風險報酬本身就高），是不是該拉高目標？
- VIX 處於低恐慌區間時，是不是該大膽一點？
- 最近的策略勝率高時（rolling Sharpe 高），是不是該加碼？
- VIX 落在歷史低百分位時，是不是該逆勢加倉？
這四個都是「regime-conditional」或「vol-of-vol-conditional」的合理想法，K603 把它們一次全測。
實驗設計
- 資產組合 ：50% SPY（美股 ETF）+ 50% GLD（黃金 ETF），每天用波動率管理規則調整槓桿
- 資料期間 ：2004-11-19 至 2026-03-27（21 年又 4 個月）
- 基準 ：固定 12% 目標（Moreira–Muir 標準設定）
- 四種動態版本 ：
- Rate_Adj （利率調整）：目標 = 12% + (rf − 2%)，限制在 6%–20%
- VIX_Regime （VIX 區間）：VIX<15 → 15%；15–25 → 12%；>25 → 10%
- Roll_Sharpe （滾動 Sharpe）：目標 = 12% × (近期 Sharpe / 長期均值)
- Inv_VIX_Pct （VIX 百分位反向）：VIX 越低、目標越高
- 檢定 ：Diebold–Mariano（DM）統計、JKM Sharpe 比較、區塊 bootstrap、5 段非重疊跨期 OOS
- 每個 trade 抽 10bp 交易成本 （tx_cost=0.001；2026-05-28 更正：原文誤標 1bp）
核心結果：方向贏一點，統計沒過
全樣本 Sharpe 比較
| 策略 | 年化報酬 | 年化波動 | Sharpe | 最大回撤 |
|---|---|---|---|---|
| Buy & Hold (50/50) | 10.10% | 13.49% | 0.601 | −34.5% |
| 固定 12%（baseline） | 6.11% | 7.96% | 0.516 | −14.6% |
| Rate_Adj 利率調整 | 6.50% | 8.16% | 0.551 | −13.6% |
| VIX_Regime 區間 | 6.09% | 8.77% | 0.466 | −19.3% |
| Roll_Sharpe 滾動 | 6.40% | 9.08% | 0.485 | −21.2% |
| Inv_VIX_Pct 百分位 | 5.70% | 8.34% | 0.443 | −23.2% |
只有 Rate_Adj 比固定 12% 略勝 ：Sharpe 從 0.516 提升到 0.551（+0.035 / +6.8%），最大回撤也從 −14.6% 降到 −13.6%。其他三個版本反而落後。
嚴格檢驗：Harvey (2016) t>3 門檻沒過
DM 比較檢定（每個動態版本對固定 12%）：
| 動態策略 | DM t 值 | 顯著水準 |
|---|---|---|
| Rate_Adj | +1.32 | p≈0.186 |
| VIX_Regime | −0.06 | p≈0.950 |
| Roll_Sharpe | +0.35 | p≈0.724 |
| Inv_VIX_Pct | −1.14 | p≈0.256 |
Harvey、Liu & Zhu（2016, JoF）對策略發掘提出嚴格門檻：因為研究者一年會試上千個 specifications，常規的 t>1.96 太鬆，他們建議至少要看到 t>3.0 才算真的發現。K603 四個版本的 t 值全部落在 ±1.4 以內，連寬鬆的 1.96 都沒到，遑論 Harvey 的 3.0 嚴格線。
換句話說： Rate_Adj 那 0.035 的 Sharpe 提升，數學上很可能只是抽樣噪聲 。
跨期間 OOS：贏的位置也不集中
把樣本切成 5 段不重疊的 OOS 子期間（每段約 4 年），動態策略並沒有穩定壓制固定 12%：
- P1（2005–09，含金融海嘯） ：4 個動態版本中 3 個贏固定 12% (Inv_VIX_Pct 0.781 / VIX_Regime 0.737 / Rate_Adj 0.705 vs Fixed 0.671)；唯獨 Roll_Sharpe 0.579 輸給固定 12%
- P2（2009–13，QE 復甦） ：四個動態版本反而全輸固定 12%
- P3（2013–17，低波動年代） ：所有目標波動策略都輸 Buy & Hold，且動態版差距更大
- P5（2021–26，高利率時代） ：Rate_Adj Sharpe 1.003 vs 固定 12% 的 0.941，符合「高利率該拉目標」的直覺
如果動態策略真的有額外 alpha，應該 5 段都穩定贏一點點，而不是兩段贏兩段輸。
誠實 framing：MARGINAL 不是成功
K603 的結論是 MARGINAL — 方向上 Rate_Adj 略勝，但沒能通過 Harvey 嚴格門檻 。這跟我們先前的 K571（多重 baseline 比較）、K550（VIX 自適應門檻 10–16 區間結果都差不多）、K594（VT 參數穩健性）形成一致證據：
固定參數的 vol-targeting 已經夠 robust 了，再加聰明的條件化規則，獲得的邊際改善通常在抽樣噪聲量級內。
Harvey 門檻不是任意設嚴。它防的就是「我試了 5 個版本、4 個版本沒贏、剩下 1 個剛好贏一點，然後我只報那 1 個」這種 p-hacking 路徑。K603 報的是 4 個版本全部結果，讓讀者自己看，這也是研究誠實原則的一部分。
危機期間補充
四種動態策略在四次重大危機（2008 GFC、2020 COVID、2022 升息、2025 川普關稅）的虧損都比 Buy & Hold 小很多，例如 COVID 期間 Buy & Hold 虧 21.9%，固定 12% 只虧 6.3%，VIX_Regime 虧 5.2%。但這個防守性主要來自 vol-targeting 機制本身 ，不是動態目標的功勞 — 固定 12% 已經把虧損從 −22% 縮到 −6%，動態版只是在那基礎上微調。
對讀者的實務涵義
- 如果你已經在用固定 12% vol-targeting，不用急著換成動態版本 — 至少在 SPY/GLD 50/50 這個組合上，付出的複雜度與週轉率（VIX_Regime 週轉是固定 12% 的 1.5 倍）換不到顯著收益
- 高利率時代或許值得對 Rate_Adj 多看一眼 — 它在 P5 是唯一明顯贏過固定 12% 的版本，但這個發現需要更多後續實驗驗證才能下結論
- Harvey (2016) t>3 門檻是讀者保護機制 — 看到「方向贏」字眼時，回頭看一眼 t 值
下一步
這個結果引出兩個更值得追的研究方向：(a) Rate_Adj 在 P5 的相對優勢是真的 regime effect 還是樣本內擬合？需要找另外的高利率窗口（1990s）跨段驗證；(b) 是否在不同資產組合（純股、股債、多資產）會出現不同 ranking？K603 只測 50/50 SPY/GLD，無法外推。
參考文獻
- Harvey, C. R., Liu, Y., & Zhu, H. (2016). "...and the Cross-Section of Expected Returns." Journal of Finance, 71(1), 5–32.
- Moreira, A., & Muir, T. (2017). "Volatility-Managed Portfolios." Journal of Finance, 72(4), 1611–1644.
- 內部實驗：K4（早期 dynamic target null）、K550（VIX 自適應門檻）、K568（最佳權重函數）、K571（多重 baseline）
研究實驗 ：K603 — Dynamic Target Volatility: Should 12 in 12/VIX Change? 期間 ：2004-11-19 至 2026-03-27（5,371 個交易日） 結論 ：MARGINAL — 動態目標方向上有改善，但未通過 Harvey (2016) t>3 嚴格門檻
2026-05-28 更正（errata）— Codex source-review 觸發 ：
A. 文字 / 引用修正 ：原版文章中所有「嚴格統計」字串應為「Harvey」（疑為自動 strip 流程把作者名誤替換），已修正為原意：Harvey, Liu & Zhu (2016, Journal of Finance) 的 multiple-testing t>3 經驗門檻、DM「t 值」(非「統計強度」) 等術語。
B. P1 跨期描述修正 ：4 個動態版本中只有 3 個（Inv_VIX_Pct 0.781 / VIX_Regime 0.737 / Rate_Adj 0.705）贏固定 12% (0.671)，Roll_Sharpe (Sharpe 0.579) 反而輸固定 12%；原文「四個全贏」為誤。
C. 交易成本標示修正 ：原文寫「每個 trade 抽 1bp 交易成本」實際是 10bp （
tx_cost=0.001）。因為所有變體（含 baseline Fixed_12）都套同樣 10bp 成本， 相對比較不受影響 ；但絕對 Sharpe 水準的解讀應記得這是 10bp net，不是 1bp net。D. DM test 實作說明 ：本實驗的 DM test 對策略 報酬差 （不是 forecast loss differential）做檢定，且方差用
d.var()而非 Newey-West HAC，屬於 anti-conservative 簡化版（CI 偏窄、t 值可能略高估）。若用標準 HAC DM 重估，t 值可能更小， 但已落在 ±1.4 的結論方向不會改變 。E. Harvey (2016) t>3 門檻 caveat ：Harvey, Liu, Zhu (2016) 的 t>3 是給新「risk factor」多重測試的經驗門檻，嚴格說不直接對應單一 DM-return 檢定。本文借用作為 保守 reference line — Rate_Adj 的 t=1.32 連寬鬆 t>1.96 都沒到，套哪個門檻結論都一致：未顯著。
核心結論（ MARGINAL — 動態目標未通過嚴格統計門檻 ）不變。
相關文章
先讀正式關聯，若無則使用標籤與主題相似度補齊