週末效應在波動率預測裡到底有沒有用？三市場的誠實答案

一個被講了快四十年的金融現象

從 1986 年 French 與 Roll 的經典論文開始，「週末效應」就是金融市場學裡最常被引用的日曆異象之一。最初的版本是這樣說的：股票在交易時段內的波動，遠大於非交易時段（例如週末）。換句話說，市場休市時，雖然真實世界依然在跑（地緣政治、財報外洩、政策消息），但價格沒有機會反應，導致週一開盤後常見一波「補回來」的價格震盪。

於是好幾代量化交易員、避險基金經理、甚至教科書，都把「週一波動會比較大」當成一條近乎默認的常識。VIX 期貨的曲線形狀、選擇權做市商的庫存策略、甚至個別投資人為了避開週一的「不確定性」而選擇週五出清部位，這些行為背後，都依賴一個假設： 週一真的比較不一樣 。

但這個假設在 2026 年還站得住腳嗎？尤其在 ETF 流動性大爆發、夜盤交易延伸、以及 24/7 加密貨幣市場興起之後？

K873 實驗就是想正面回答這個問題。我用 SPY（標普 500 ETF）、QQQ（那斯達克 100 ETF）以及 BTC-USD（比特幣現貨）三個市場，從 2005 年 1 月一路到 2026 年 4 月（BTC 從 2014 年起），共 21 年資料，跑了一輪非常仔細的檢測。結果可能會讓你意外。

第一個測試：週一的波動真的比較大嗎？

最直觀的指標叫「週末比率」（weekend ratio），定義是  週一報酬的變異數 ÷（3 倍 × 平日平均日報酬變異數） 。為什麼要乘以 3？因為週末橫跨週六、週日、週一，理論上累積了 3 個自然日的「資訊」。如果週末資訊真的能讓波動「補回來」，那這個比率應該大於 1，也就是週一的單日波動足以抵過 3 個平日。

實際上呢？

讀者注意： 三個市場的週末比率都遠低於 1 。也就是說，週一的波動明顯 不到  3 個平日累積的程度。這個結果跟 French & Roll 1986 年的經典結論在方向上其實一致，他們也發現週末的「資訊累積」沒有完全反應在週一的價格波動上，但意涵截然不同。如果你以為「週一波動比較大、要更小心」，從這 21 年的資料看，答案是： 沒這回事，週一的波動其實比平日要小 。

只是若把 French-Roll 那套「週末等同 1 個平日」的標準改寫成單日對等比率（乘以 1，而不是除以 3），SPY 是 1.32、QQQ 是 1.14、BTC 是 0.97。這代表：跟單一平日比，SPY 與 QQQ 的週一稍微高一點，但沒有高到值得另開一條策略。

而更關鍵的問題是： 這個差異有沒有達顯著水準？ 

我同時跑了兩種無母數檢定：ANOVA（檢驗五個交易日的波動均等假設）與 Kruskal-Wallis（不假設常態）。

三個市場都遠遠 未達 顯著水準。意思是：當你嚴格地問「週一波動跟平日真的不同嗎」，統計學上的答案是，分不出來。週末效應在「波動水準」這個維度上，不存在。

第二個測試：週五的資訊能不能預測週一？

我換一個角度。也許週末沒有讓波動爆量，但週五收盤前發生的事情，會不會特別「滲透」到週一？例如 Fed 官員在週五收盤後的演講、地緣政治事件常選週末發布。如果週末特別「資訊豐沛」，那週五波動跟週一波動的相關性，應該明顯高於一般的「前一日 → 後一日」相關。

我用簡單的相關係數做測試：

 SPY 結果 

• 週五 → 週一波動相關係數：0.318
• 一般「前一日 → 後一日」相關係數：0.324
• 兩者差異的 Fisher z 檢定：z = -0.18，達顯著水準（顯著性 0.859）

 QQQ 結果 

• 週五 → 週一波動相關係數：0.259
• 一般「前一日 → 後一日」相關係數：0.243
• 兩者差異的 Fisher z 檢定：z = +0.46，達顯著水準（顯著性 0.647）

兩個市場、四個方向、零個達顯著水準。週五傳到週一的「波動傳染」並沒有比一般工作日之間的傳染更強。換句話說： 週末這個被講了快四十年的特殊時段，在跨日波動相關性上完全是普通日子。 

這也讓人重新思考：那些花心思在「週一收盤、週五開盤」之間做避險換倉的策略，到底是在處理一個真實的市場結構，還是在做白工？至少從 SPY 與 QQQ 兩個流動性最高的指數型 ETF 看，答案傾向後者。

第三個測試：把「星期幾」加進預測模型，會不會變準？

到這裡你可能說：「也許平均看起來沒差，但加在預測模型裡作為輔助變數，總會有點貢獻吧？」這也是學界常見的 robustness check。我用標準的 HAR 模型（Heterogeneous Autoregressive，由 Corsi 提出，是目前實務界最常用的已實現波動率預測基準），把樣本切成兩段：2005-2018 訓練、2019-2026 測試（共 1822 個交易日 OOS）。然後比較三個版本：

1.  HAR 基準 ：原始 HAR(5,22) 模型
2.  HAR + DOW ：加上五個星期幾的虛擬變數
3.  HAR + Monday-only ：只加一個「是否為週一」的虛擬變數

評估指標是 QLIKE（金融預測領域比 MSE 更穩健的損失函數，由 Patton 在 2011 年論文中正式建議用於波動率比較）。然後我跑兩組之間的比較檢定（出 t 統計量與 p 值）。

QQQ 的 Monday-only 組合在傳統 5% 水準下「看起來顯著」，但落在 嚴格統計、Liu 與 Zhu（2016）為金融預測比較研究設下的嚴格統計門檻之下。那篇 2016 年的方法論論文指出：金融研究面對嚴重的 multiple testing problem，傳統 t > 1.96 太寬，應該升級到 t > 3.0 才能控制錯誤發現率。這個建議在頂級期刊已經越來越常見。

換言之： 即使在 QQQ 出現邊緣的「週一虛擬變數有用」訊號，也不足以推翻「週末效應對波動率預測無實質貢獻」的結論。 

第四個測試：把它做成交易策略，能賺到錢嗎？

最後一個現實檢驗。我把 SPY 套上業界常見的 12/VIX 風險平價策略（VT 系列，目標年化波動 12%），然後設計兩個變體：

•  Monday-adjusted ：週一刻意降低部位（以反映「也許週一比較危險」的傳統想法）
•  Friday-boost ：週五刻意提高部位（以反映「Friday-to-Monday 累積資訊」的想法）

OOS 測試結果（2019-2026，1823 個交易日）：

兩個變體都 沒有 贏過基準。Monday-adjusted 比基準的兩模型比較統計量 統計強度 -1.375、達顯著水準（顯著性 0.169）；Friday-boost 兩模型比較統計量 統計強度 -1.533、達顯著水準（顯著性 0.126）。沒有一個達顯著水準。

值得一提的是，買進持有雖然年化報酬最高（14.84%），但波動高出兩倍以上、最大回撤達 -35.75%。三個 12/VIX 策略雖然年化報酬較低，但風險調整後報酬都明顯優於買持， 這部分驗證了 VT 風險平價策略的核心價值 ——但跟「週末效應」無關，純粹是動態調整槓桿在處理波動聚類。

那 VIX 自己在週一的行為呢？

這算一個額外發現。我看了 VIX 指數本身在不同星期幾的日變動：

這張表的訊號其實很強： VIX 在週一系統性上升，週五系統性下降 。這跟「週末風險溢價」的理論一致，做市商在週末持有波動率敞口會要更高補償，所以週五收盤前 VIX 被壓低、週一開盤後重新定價。

但有趣的是：VIX 本身的這個 DOW pattern 並沒有翻譯到 SPY 實際波動率的 DOW pattern。這暗示 VIX 反映的是「定價的風險預期」，而非「真實已實現波動」。對於依賴 VIX 進行風險管理的策略而言，這是一個不容忽視的細節： VIX 的週一升高，可能是定價慣性，不是現實警報。 

跨期間穩定性：效應有沒有隨時間消失？

最後一個 robustness check。我把樣本切成三個次期間，看週末比率有沒有顯著漂移：

SPY 與 QQQ 在 2008 金融危機後的早段（2005-2012）週末比率最高，但仍遠低於 1.0。後續兩段都在 0.3-0.4 區間穩定徘徊。換言之，效應的方向性（週一波動低於 3 個平日累積值）二十年都成立，但無論何時都沒有達到「值得做策略」的強度。

BTC 比較特別：早期（2014-2019）的週末比率 0.27 顯著低於後期（2020-2026）的 0.39，可能反映加密貨幣市場機構化、24/7 流動性集中度提升後，週末的相對「冷清」減弱。但兩段都仍遠低於 1.0，週末效應在 BTC 也不存在。

結論：一個誠實的 null result

K873 跨三個市場、21 年資料、五項獨立檢定，得出非常一致的答案：

1.  週一波動沒有比較大，反而比平日小 。週末比率 0.32-0.44，遠低於 1.0。
2.  週末資訊傳染沒有比一般工作日強 。Fri→Mon 相關 vs 一般「前日→後日」相關，差異全部未達顯著水準。
3.  HAR 預測模型加進星期幾，沒有顯著改善 。三個變體在 SPY 都未達嚴格統計門檻。QQQ Monday-only 邊緣但達不到頂級期刊門檻。
4.  VT 風險平價策略加 Monday-adjusted 或 Friday-boost，反而略輸基準 。兩個變體都未在比較檢定中達顯著水準。
5.  VIX 自己在週一系統性上升 ，但這是定價慣性，沒有翻譯到實際已實現波動。

如果你之前以為「週一比較危險、週末資訊很多、要特別小心」，那從這 21 年的資料看，這個直覺是錯的。對於波動率預測與風險管理， 請放下「星期幾」這個變數 ，把模型容量留給更有訊息的 regressors（VIX term structure、隔夜跳空、宏觀事件、流動性指標等）。

這也是為什麼研究誠實原則重要：不是每個「廣為流傳的市場常識」都站得住嚴格統計門檻。而當資料告訴你「沒有」時，最有價值的事是把它 如實寫出來 ，避免讓下一代研究員與從業者繼續浪費資源在已經被證偽的方向。

當然，這份研究也有限制。21 年資料對於宏觀層面看似充分，但若週末效應在特定 regime（高 VIX 環境、特定宏觀事件前後）才出現，跨期間平均下會被稀釋。這是後續可探索的方向之一。但在「整體性」這個層次上，K873 給出的答案已經很清楚。

圖表

資料來源

•  市場資料 ：yfinance（SPY、QQQ、BTC-USD、^VIX），2005-01 至 2026-04，共 21 年（BTC 從 2014 年起）
•  方法論參考 ：French & Roll (1986) Journal of Financial Economics 17(1)；Patton & Sheppard (2015) Review of Economics and Statistics；HLZ (2016) Review of Financial Studies 29(1) 嚴格統計門檻建議
•  實驗檔案 ：experiments/k873/k873_weekend_vol.py、k873_results.json
•  樣本數 ：SPY/QQQ 各 5345 個交易日（週一 999 + 平日 4346）；BTC 共 3012 日；OOS 1822-1823 日
•  原始實驗 ：K873 — Weekend Volatility Effect: Calendar Anomaly in Vol Prediction（2026-04-05 完成）

延伸閱讀

• 門檻 ARMA 真的能打贏 GARCH 嗎？一場關於波動率預測的誠實檢驗
• 台灣殖利率曲線能預測 0050 的波動嗎？一個 17 年資料的誠實答案
• 波動率預測還能再擠出更多訊號嗎？高階動差的誠實檢驗