K988: VIX² 稱霸 17 個規格比較——乘法 GARCH-X 的最佳設計終於有了答案

[提出: 用戶, 執行: Claude]

摘要

K988 系統性比較了 17 個 Multiplicative GARCH-X 規格，終結了一個長達多個實驗的問題：當我們把 VIX 嵌入 GARCH 的乘法結構時，哪種規格才是最佳設定？結果出乎意料地清晰—— VIX²（平方）作為外生因子，搭配自由估計的截距項（free ω），勝出所有設計，DM t 統計量 = 4.48，遠超 Harvey (2016) 的 t > 3.0 門檻 。更重要的是，這項研究同時揭示了日頻 GARCH-X 對 GARCH-MIDAS 的全面優勢。

研究背景

這場規格比較源於 K889 的方法論缺陷。K889 引入了 MF-GJR(VIX) 模型：

95267\sigma^2_t = au_t imes g_t95267

然而賴教授指出三個關鍵問題：

1.  名不符實 ：K889 宣稱基於 GARCH-MIDAS，但 τ 是日頻的且只用單一 lag VIX，沒有 MIDAS 的 Beta 加權結構
2.  估計/OOS 不一致 ：g 方程分母在估計時用 τ_t（同期），但 OOS 用 τ_{t-1}（前期），邏輯錯誤
3.  E(g) ≠ 1 問題 ：VIX² 系統性高估 realized variance（VRP > 0），強制 ω = 1-α-γ/2-β 使 E(g) = 1 的約束不合理

K988 的設計目標是：在同一框架下，系統性地測試所有合理的規格選擇，找出最佳設定。

方法與數據

共測試 17 個規格，分為三組：

•  Part A ：Multiplicative GARCH-X（日頻 τ，無 MIDAS Beta 加權）
•  Part B ：正規 GARCH-MIDAS（Rolling window，VIX 的 Beta 加權移動平均）
•  Part C ：Fixed-span GARCH-MIDAS（固定長度 span）
•  Benchmark ：GJR-GARCH(1,1)

核心發現

完整排名（Top 10）

發現一：VIX² 贏過 log-exp，因為維度一致

這是 K988 最重要的理論洞見。

在 Multiplicative 模型中，τ 代表「外生波動率水準」，σ² 是 variance（方差）。如果 τ = exp(θ₀ + θ₁ log VIX)，維度是  VIX 的某次方 ；但如果 τ = θ₀ + θ₁ VIX²，維度直接對應  variance （因為 VIX ≈ σ，所以 VIX² ≈ σ²）。

維度一致帶來更佳的信號質量，這正是 A4/A4f 在 QLIKE 排名領先的根本原因。

發現二：Free ω 對 VIX² 模型有效，對 log-exp 無效

•  VIX² + free ω（A4f）> VIX²（A4） ：QLIKE -8.3608 vs -8.3577
•  log-exp + free ω（A2f）< log-exp（A2） ：QLIKE -8.3531 vs -8.3564

為什麼？VIX 有 隱含波動率風險溢酬（VRP） ——VIX² 系統性高估 realized variance，因此強制 E(g) = 1 的約束（ω = 1-α-γ/2-β）不合理。Free ω 讓模型自行校正這個偏差，所以有效。log-exp 模型的 τ 不是直接的 variance 量，VRP 偏差不那麼系統化，free ω 反而多一個自由度增加估計雜訊。

發現三：日頻 GARCH-X 全面勝過 GARCH-MIDAS

這項發現對方法論選擇有直接影響：

•  Rolling window MIDAS（B1-B3） ：最佳 QLIKE = -8.3538，弱於日頻 A2（-8.3564）
•  Fixed-span MIDAS（C1-C3） ：最佳 QLIKE = -8.3094，更差

原因在於：VIX 的信息高度集中在近期（short memory），MIDAS 加權把遠期 VIX 也納入，稀釋了近期信號。日頻 GARCH-X 直接用最新的 VIX_{t-1}，不做任何加權平均，反而保留了最大的預測力。

 結論：當外生變數本身就是高頻（每日）且記憶短時，GARCH-X 優於 GARCH-MIDAS。 

發現四：修正 K889 bug 後績效確實提升

A1（K889 原版，有 bug）vs A2（修正一致性）：QLIKE -8.3478 vs -8.3564。 估計/OOS 不一致的 off-by-one 確實損失了預測績效，驗證了 K889 批評的正確性。

VRP 連結（補充發現）

K988b 的 Spearman 相關分析揭示了一個理論上有趣的結果：

 GARCH 動態把 VRP 捕捉能力從 ρ=0.15 提升到 ρ=0.82 。這意味著 g 成分不只是「殘差動態」，而是隱含波動率風險溢酬在時間上的自回歸建模。乘法結構 + GARCH = VRP 的 AR 模型，這是一個可以深入探索的理論橋樑。

實務意義

 對波動率預測模型設計者 ：

1. 當外生變數是隱含波動率（VIX 類）時，優先用 VIX² 而非 log(VIX) 作為 τ，維度一致性有實際預測價值
2. 估計和 OOS 的分母設定必須一致，K889 式的 off-by-one bug 會損失績效
3. GARCH-MIDAS 的複雜 Beta 加權在日頻外生變數場景下不帶來額外好處

 對量化研究者 ： 4. DM t = 4.48 > Harvey t > 3.0，A4f 的勝出具有強統計顯著性，不是偶然 5. QLIKE 差距看似微小（-8.36 vs -8.28），但 DM test 顯示在 1,825 個 OOS 點上累積的差異顯著

 下一步 ：

• 跨資產驗證（QQQ/EEM/0050.TW/GLD）
• 結合 VaR/ES 評估框架（Patton 2011 標準）

結論

K988 的核心答案是： 在 Multiplicative GARCH-X 架構中，VIX²（平方）是最自然、最有效的外生波動率因子 。維度一致（variance 對 variance）、VRP 校正（free ω）、日頻更新（勝過 MIDAS 加權），三個設計選擇共同解釋了 A4f 的冠軍地位。

局限性

• 僅測 SPY，尚未做跨資產驗證
• 未做 VaR/ES 評估（僅 QLIKE）
• Refit 頻率每 63 天，非每日
• OOS 期間（2019-2026）包含 COVID-19 極端波動，結果可能對非常規時期敏感

實驗腳本: experiments/k988/k988.py，結果: experiments/k988/k988_results.json（數據來源：yfinance SPY/VIX 2005-2026，OOS n=1,825）