Google 搜尋熱度真的能預測股市嗎？K789 的誠實答案
讀者互動
已追蹤瀏覽 0 次，登入會員可按讚與收藏。
Google 搜尋熱度真的能預測股市嗎？K789 的誠實答案
Google Trends 在投資圈有一種長期迷思：散戶恐慌搜尋「股市崩盤」的次數飆高，代表底部快到了；搜尋量降低，代表市場情緒回穩，可以放心買進。這個邏輯聽起來合理，有「大數據」加持，又符合反向操作的直覺。
K789 實驗直接把這個邏輯拿去檢驗。結論是：預測不成立。
怎麼測的，以及一個必須說清楚的問題
理想的做法是直接抓 Google Trends 的「股市崩盤」或「stock market crash」搜尋量，對應下週的 S&P 500 報酬率。
但有個現實問題：pytrends（Python 介接 Google Trends 的工具）在實驗期間 API 回應不穩定，無法取到完整的歷史數列。
K789 的處理方式是用 VIX 轉換物作代理：把 VIX 數值映射成一個 0-1 的「恐慌指標（fear proxy）」。這是文獻上常見的替代方案，VIX 與 Google 恐慌搜尋量確實高度相關（Vlastakis & Markellos, 2012 JBFA 研究過這個關係）。
但這裡有一個誠實的提醒：用 VIX 做 fear proxy，再拿它去預測股市報酬，在某種程度上等於「用 VIX 轉換物去預測 VIX 相關的市場行為」。循環推理的色彩存在，結果需要在這個脈絡下理解。即便如此，這個實驗仍然有參考價值，因為它直接測試的問題是：attention proxy 能不能在加入 VIX 之後，提供 額外的 預測增益？
數字怎麼說
Fear 訊號與未來報酬的直接關係
| 指標 | 數值 | 解釋 |
|---|---|---|
| Fear → 下週 S&P 報酬 (r) | 0.048 | 極弱正相關 |
| p-value | 0.16 | 統計上不顯著 (NS) |
r = 0.048 代表恐慌訊號幾乎完全無法解釋下週報酬的變動。p = 0.16 在任何常規顯著水準（0.05 或 0.10）下都不通過。這不是「信號弱」，是「沒有信號」。
Fear 在 VIX 之外，能提供額外資訊嗎？
這是更嚴格的測試：先把 VIX 放進迴歸，再加入 fear proxy，看 ΔR² 有多少。
| 測試 | 數值 |
|---|---|
| fear 加入後的 ΔR² | 0.00026 |
| p-value | 0.63 (NS) |
ΔR² = 0.00026 是 0.026%，接近零。p = 0.63 遠超出任何顯著水準。
用白話說：fear proxy 在 VIX 已知的情況下，對報酬的額外解釋力是零。
策略表現：OOS 4 行比較
把 fear 訊號包裝成反向策略（恐慌高時做多、恐慌低時退場），在 2023-2024 的 OOS 期間（104 週）測試：
| 策略 | Sharpe | 年化報酬 | 最大回撤 |
|---|---|---|---|
| fear_binary_contra（K789 訊號） | 1.83 | 20.4% | -4.92% |
| 12_vix baseline（純 VIX 策略） | 2.15 | 22.4% | -6.85% |
| BH 50/50（買入持有基準） | 2.10 | — | — |
fear 策略的 Sharpe 1.83，看起來不算差，但輸給了 VIX 策略（2.15）和純買入持有（2.10）。
用 Harvey (2017) 的 t-threshold 標準做正式檢定： FAIL 。意思是，fear 策略的超額表現在扣除多重比較的統計代價之後，無法確認為真實的 edge。
同時，cross-OOS 測試顯示訊號本身在不同子期間是穩定的（PASS），但穩定不等於有用，有用的定義是打敗更簡單的 baseline。
為什麼 fear proxy 打不贏 VIX？
答案在於時序關係。
VIX 的設計就是市場恐慌的即時測量，它從選擇權市場的隱含波動率反算出來，比任何搜尋行為都早。散戶在 Google 上搜「股市崩盤」，通常是在 VIX 已經飆高之後，不是之前。
Da、Engelberg & Gao (2011) 在 Journal of Finance 的研究就指出，Google 搜尋量對股票報酬有一定的預測力，但那個研究的條件是：月頻資料、S&P 500 成份股、以及真正來自搜尋行為本身的注意力捕捉。在週頻、用 VIX 代理注意力的設置下，這個 edge 不復存在。
Preis、Moat & Stanley (2013) 在 Scientific Reports 裡的結果也有一個重要前提：他們用的是「finance」這個詞的搜尋量，而且是 Google Trends 原始資料，不是 VIX 轉換物。
Andrei & Hasler (2015) 在 Review of Financial Studies 研究的是注意力的長期定價效果，而且時間尺度更長。
這幾篇文獻有一個共同點： 讓 attention proxy 有效的那些條件，在 K789 的設置裡大多不成立 。
尾部風險那段呢？
K789 也試圖測試 fear 對尾部事件的預測力：在極端跌市之前，恐慌搜尋量是否會提前升高？
這個問題在理論上很有意思，但 OOS 期間（2023-2024）只遇到 1 個明確的 tail event。單一樣本點無法做任何統計推論。結論是 null。這裡的「null」意思是「樣本太少，無法判定」，不代表預測力確定不存在。
對投資人的 3 個 takeaway
1. 要看尾部風險，直接看 VIX。
VIX 是市場恐慌的即時計，不是落後指標。散戶的 Google 搜尋行為是 VIX 已經動了之後的反應，多繞一步不會更早知道。
2. 注意學術文獻的適用條件。
Da et al. (2011) 的研究是真實的、結論是有效的，但條件很具體：月頻、真實搜尋數據、S&P 500 成份股個股層次。把這篇論文的結論直接套用到「散戶看 Google Trends 做週線操作」是方法論錯位，不是文獻支持的。
3. Stable ≠ Useful。
K789 的訊號通過了 cross-OOS 穩定性測試，代表 fear proxy 的行為在時間上是一致的。但「一致地輸給 VIX」也是一種一致。穩定性是必要條件，打敗 baseline 才是充分條件。
研究脈絡
K789 的 null 不是孤立的。K750、K473、K192 都對不同版本的 attention proxy 做過類似測試，結論方向相同：VIX 家族的預測力幾乎吃掉了 attention proxy 能提供的所有增益。
這個模式的一個可能解釋是：市場在價格調整的速度上，已經把容易被 proxy 捕捉的恐慌信號充分吸收了。剩下的 alpha 若存在，需要更細緻的資料來源（真實 Google Trends 原始 API、非標準化的搜尋詞設計）或更短的時間窗口（日頻以下的 HFT 應用）。
實驗來源 ：K789 | 測試期間：2023-2024（OOS 104 週）| 資料：S&P 500 週頻、VIX-based fear proxy
參考文獻 ：
- Da, Engelberg & Gao (2011). In Search of Attention. Journal of Finance.
- Preis, Moat & Stanley (2013). Quantifying Trading Behavior in Financial Markets Using Google Trends. Scientific Reports.
- Vlastakis & Markellos (2012). Information demand and stock market volatility. Journal of Banking & Finance (JBFA).
- Andrei & Hasler (2015). Investor Attention and Stock Market Volatility. Review of Financial Studies.
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