K1092: Asset-Matched DCC-A4f (SPY-VIX + GLD-GVZ) — Pareto-Dominant 但 Below Harvey 的 Portfolio VaR Refinement

摘要

本研究在 K1041 建立的 DCC-A4f 雙變量 GARCH-X 架構上，檢驗一個看似簡單但具理論意義的 refinement：當投資組合由 SPY（股票）與 GLD（黃金）50/50 配置時，GLD 的 marginal volatility regressor 應該沿用 equity-centric 的 VIX²（SYMMETRIC 版，K1041 原設定），還是改用 asset-matched 的 GVZ²（CBOE Gold VIX）？

結果呈現一個  Pareto-dominant but below Harvey  的精密型態：DCC-A4f-ASYM（SPY-VIX² + GLD-GVZ²）在 QLIKE、FZ(α=1%)、FZ(α=2.5%)  三個指標全部優於  DCC-A4f-SYMM（K1041 baseline），且每個 DM 檢定 p-value 都小於 0.05；但三個 DM t-statistic（2.95 / 2.95 / 2.14） 全數落在 Harvey (2016) |t|>3.0 門檻之下 。樣本為 2013-06-01 → 2026-04-12 OOS 共 3,234 個交易日。

此結果示範了 Harvey threshold 作為 multiple-testing-safe significance boundary 的 實戰意義 ：相對於 DCC-GJR 這類明顯弱的 baseline，DCC-A4f-ASYM 的 DM t 分別達到 5.06 / 4.97 / 3.84（三項 Harvey PASS）；但相對於 DCC-A4f-SYMM 這個已經相當強的對手，incremental improvement 雖然 direction-consistent 且 Pareto-dominant，卻不足以跨越 Harvey 門檻。我們建議將此類結果定位為「consistent supportive evidence」而非「standalone strong finding」，等待跨多組 asset-pair 的 meta-analysis 累積證據後方能獨立承擔 universal claim。

研究背景

K1041 的起點

K1041 建立了一個 strong claim：對 50/50 SPY+GLD portfolio 的 Value-at-Risk，DCC-A4f 模型（Engle, Ghysels & Sohn 2013, RES 95(3) 提出的 multiplicative GARCH-X）顯著優於 DCC-GJR baseline。DM t=+3.826（Harvey PASS），Trinity 2/2，portfolio QLIKE 從 -8.836 改善至最優 rank 1/4。這個結果推翻了早前 K891 對 multi-asset VaR 中 DCC 相關性角色的 NULL result： 提升不是來自 DCC 本身，而是來自 A4f 帶入的 macro-implied volatility channel （VIX²）。

然而 K1041 有一個未處理的架構選擇： 兩個 marginals 都用 VIX² 。這是 equity-centric 的設定。對 SPY 合理（VIX 本就衍生自 SPX 選擇權），但對 GLD 就變成「用股市的 implied volatility 當黃金的 regressor」。

K1085 / K1088 / K1091 的補充證據

隨後在 univariate 層級的檢定（K1085、K1088、K1091）揭示一個 universal pattern：

•  K1085 (GLD) : A4f-GVZ 相對 A4f-VIX，univariate QLIKE DM t=+4.46（Harvey PASS，n=4,848）
•  K1088 (USO) : A4f-OVX（Oil VIX）相對 A4f-VIX，DM t=+4.48（Harvey PASS）
•  K1091 : 跨 equity / commodity / gold / bond 的 meta-validation，確認 asset-matched implied volatility 是個通則

這些結果在 univariate 層級是 clear-cut 的 Harvey PASS。 但是 univariate 層級的 4.46 / 4.48 t-stat，會如何在 portfolio 層級被稀釋？  這就是 K1092 的核心研究問題。

差異化

•  K1041  的 claim 是 A4f 勝 GJR，於本研究為 baseline validation（已知結果）
•  K1085 / K1088 / K1091  的 claim 是 asset-matched IV 在 univariate 有效（已知結果）
•  K1092 的新 claim ：當 univariate asset-matched IV 被裝進 bivariate DCC-A4f 並投射到 50/50 portfolio variance 上，edge 會被 稀釋到什麼程度？Harvey threshold 會不會被保住？答案是  Pareto-dominant 保留 + Harvey 失守 。

方法與數據

 三個競爭模型 （全部使用 DCC(1,1) 作為第二階段相關性動態）：

A4f 多項式：h_t = τ_t · g_t，g_t 跑在 standardized residuals u_t = r_t/√τ_t 上。所有 regressors 嚴格 lag 一天（VIX²_{t-1} / GVZ²_{t-1}），無 lookahead。

 Portfolio variance ：σ²_port = 0.25·h_SPY + 0.25·h_GLD + 0.5·ρ_t·√(h_SPY · h_GLD)

 VaR/ES 方法 ：CF-Rolling（K1036 最優 univariate method），252-day window of portfolio standardized residuals → Cornish-Fisher quantile applied to current portfolio σ；α ∈ {1%, 2.5%}；ES = empirical mean of residuals below CF quantile × σ。

 評估套件 ：

1.  VaR Trinity ：Kupiec (unconditional)、Christoffersen (conditional)、Basel traffic light
2.  ES backtest ：Acerbi-Szekely Z₁
3.  Joint VaR-ES ：Fissler-Ziegel (2016) 嚴格一致 FZ0 score（Patton, Ziegel & Chen 2019 form）
4.  Portfolio variance DM ：Diebold-Mariano on QLIKE(σ²_port, r²_port)，Newey-West HAC variance（HLN adjustment）
5.  Harvey (2016) threshold ：|t| > 3.0 for multiple-testing-safe significance

核心發現

發現一：ASYM 對 GJR baseline — Harvey PASS on every metric

作為 sanity check，DCC-A4f-ASYM 對 DCC-GJR 的 DM test 必須通過 Harvey 門檻（因為 K1041 已經證實 A4f 勝 GJR，換 regressor 不該改變此結論）：

數據來源：experiments/k1092/k1092_results.json .dm_qlike.DCC-GJR_vs_DCC-A4f-ASYM 與 .dm_fz.alpha_0.010 / .alpha_0.025

解讀：asset-matched 的 DCC-A4f-ASYM 相對「完全沒用 implied vol」的 DCC-GJR 具 壓倒性優勢 。所有三個 t-stat 都 > 3.84，是研究上可以獨立成立的 strong claim。這部份沒有爭議。

發現二：ASYM 對 SYMM — Pareto-dominant but below Harvey

這是本研究的核心結果，也是方法論 case study 的重點：

數據來源：experiments/k1092/k1092_results.json .mean_qlike、.models.*.fz_score、.dm_qlike.DCC-A4f-SYMM_vs_DCC-A4f-ASYM、.dm_fz.*.DCC-A4f-SYMM_vs_DCC-A4f-ASYM

三個觀察：

1.  嚴格 Pareto-dominant ：ASYM 在三個指標上都有 lower loss（QLIKE / FZ 都是 lower = better；QLIKE 以 negative 表達，所以 -9.1160 < -9.0928）。沒有任何指標顯示 SYMM 勝出或打平。
2.  All p < 0.05 ：三個 DM test 都在傳統 5% 水準拒絕 H0：SYMM = ASYM。如果只看 p-value，這是 three-for-three significant。
3.  All |t| < 3.0 ：但三個 t-statistic（2.95 / 2.95 / 2.14）全部落在 Harvey (2016) 建議的 multiple-testing-safe threshold 之下。QLIKE 與 FZ α=1% 僅差 0.05，FZ α=2.5% 則離得較遠。

發現三：Harvey threshold 的實戰意義

為什麼不直接相信 p < 0.05？Harvey, Liu & Zhu (2016, RFS) 指出：資產定價與計量文獻累積大量 "discoveries" 在 p < 0.05 水準，但考量 multiple testing （每一篇論文都在測自己最喜歡的 spec）後，應把顯著性門檻上調至約 |t| > 3.0（約 p = 0.0027）才能守住 false discovery rate。Harvey (2017, JF) AFA 主席演講更進一步呼籲 Bayesian shrinkage。

在本研究的語境中，three-metric 同時檢定本身就是 multiple testing problem，且歷來研究社群對「A 勝 B」的宣稱有 publication bias 的疑慮。Harvey 門檻提供一個保守但穩健的 benchmark：

•  |t| > 3 ：可以獨立 publish 的 strong claim
•  1.96 < |t| < 3 ：supportive evidence，需要 external replication 或 meta-analysis 佐證
•  |t| < 1.96 ：不拒絕 H0

K1092 的 ASYM-vs-SYMM 結果完全落在中段。這不是「fail to reject」，而是  "consistent but not standalone-publishable" 。

發現四：VaR Trinity 的質性支持

即便 DM 檢定 below Harvey，VaR-level 的 backtest 也呈現 ASYM 有更好的 violation clustering 表現：

數據來源：experiments/k1092/k1092_results.json .models.*.var_tests

ASYM 在 2.5% 層級 Kupiec p = 0.86（三模型最高）、CC p = 0.40（最高）、violations per block 6.64（最近 nominal 6.9）。即便 FAIL（CC borderline）的 1% 層級，ASYM 的 CC p = 0.048 比 GJR 的 0.004 明顯改善，且 ES p = 0.95 顯示 ES 大小仍然 adequate。

發現五：DCC correlation dynamics 微差

三模型 OOS mean ρ 幾乎相同（+0.027 / +0.029 / +0.028），COVID 2020-02 至 2020-06 期間三者都顯示 safe-haven dynamic（ρ 降到約 -0.12），range 大小 ASYM 最窄（0.505 vs SYMM 0.519 vs GJR 0.568），暗示 A4f 的 τ 吸收了大部分 volatility-induced corruption，DCC 層級對 crisis 的反應更 smooth。

實務意義

Risk management 實務

1.  仍應用 asset-matched IV ：即便 portfolio 層級的 DM below Harvey，ASYM 是嚴格 Pareto-dominant，violation clustering 最好，且 univariate 層級（K1085/K1088）的證據是 Harvey PASS。建議將 asset-matched IV 視為  best-practice default ，不是「統計邊緣的 optional」。
2.  報告顯著性時分層 ：對監管 / 內部 validation 報告，區分「GJR → ASYM（Harvey PASS，可視為 strong evidence）」與「SYMM → ASYM（below Harvey，consistent but incremental）」，避免 overclaim。
3.  Portfolio 權重影響稀釋程度 ：50/50 配置中 SPY-VIX 的 channel 相對強勢，GLD-GVZ 的 marginal edge 被 portfolio aggregation 稀釋。若投資組合偏向 commodity（例 30/70 或 20/80 SPY/GLD），預期 ASYM-vs-SYMM 的 t-stat 會放大，可能跨越 Harvey。

後續研究方向

1.  擴展至 tri-variate ：納入 TLT（Treasury ETF）並搭配 bond-specific IV（目前尚無廣泛公認的 bond VIX，但 MOVE index 可作為 proxy）。三資產 ASYM 的 DM 應該會更有 power。
2.  Meta-analysis ：累積 10+ 組 asset-pair 的 SYMM-vs-ASYM 比較，做 random-effects meta-analysis。個別 pair below Harvey 但 pooled test 可望 PASS。
3.  Weight sensitivity study ：在 50/50 周圍 scan 30/70 ~ 70/30 的 weight，看 DM t-stat 的 trajectory，找 break-even point。
4.  Paper 3 × Paper 9 整合 ：若 multi-asset + alternative weights 能穩定 cross Harvey，正好結合 Paper 3（"50/50 是 unshakeable baseline"）與 Paper 9（"A4f asset-matched IV 是最佳 univariate vol model"）成為 joint 貢獻。

穩健性與限制

Lookahead 檢查

所有 regressors 用 .shift(1)：VIX²_{t-1} 與 GVZ²_{t-1}，且 DCC 更新用 previous-day standardized residual outer product。OOS refit 每 63 business days，訓練窗內不含 OOS 數據。

Window choice

K1041 使用 rolling window = 2,000；本研究縮短到 1,250 以擷取 13 年 OOS（2013-2026）。這是 K1092 的 SYMM 數字不等同 K1041 原 SYMM 結果的原因，不同的 training window 產生不同的參數路徑，但 內部比較（SYMM vs ASYM，同 window）仍然 valid。GVZ 原生始於 2008-06-03，OOS_START = 2013-06-01 保證每個 refit window 至少有 5 年 valid GVZ 資料（pre-2008 用 VIX back-fill 只出現在 training window 早期，不污染 OOS）。

FAIL 面向

1% VaR 的 CC 獨立性檢定對 DCC-GJR（p=0.004）與 DCC-A4f-ASYM（p=0.048, borderline）FAIL。這是 CF-based VaR 常見問題（極端損失 clustering）。Acerbi-Szekely ES test p = 0.95 顯示 ES magnitude 沒問題，問題在 clustering 而非 coverage。可能改進方向：替換為 quantile-regression VaR 或 EVT-GPD tail。

Harvey threshold 的討論

Harvey (2016) 的 |t| > 3 threshold 本身有其假設：假設 factor-zoo 級別的 multiple testing + publication bias。本研究只檢定三個 metrics、一個 refinement，multiple-testing adjustment 嚴格來說可以用 Bonferroni（3 test → α/3 = 0.0167，t ≈ 2.40）甚至 Holm-Bonferroni。在 Bonferroni 調整下，QLIKE (t=2.95) 與 FZ-1% (t=2.95) 仍 PASS，只有 FZ-2.5% (t=2.14) FAIL。我們選用 Harvey 門檻作為最保守的 universal benchmark；如果 reviewer 偏好 Bonferroni-adjusted，結論會微正向一些，但仍不改變「incremental」的整體定位。

Honest null region

Portfolio 層級 DM 也可能有更大的 OOS variance，單看 t-stat 不能完全反映 economic importance。以 Mean QLIKE 計，ASYM 相對 SYMM 改善  0.255% （計算式：(|ΔQLIKE| / |QLIKE_SYMM|) × 100% = 0.0232 / 9.0928 = 0.255%）。這個 magnitude 是 empirically meaningful（相當於 FZ score 每日 2.87 × 10⁻² 的一致改善 × 3,234 日 × 年化風險敞口），但要對「統計上跨越 universal bar」誠實承認仍有 gap。

與 K1091 的互補關係

K1091（asset-class 一致性）在 stock universe 用 VIX Harvey PASS，但 commodity universe 因「無 matched IV」FAIL。K1092 則是補上「有 matched IV、但 portfolio 層級 incremental 被稀釋」的 complement case。兩個 K 合起來刻劃了 asset-matched IV 理論的 boundary：univariate + matched IV available → Harvey PASS；portfolio-level aggregation → magnitude attenuated；no matched IV available → Harvey FAIL on single channel。

結論

DCC-A4f-ASYM (SPY-VIX² + GLD-GVZ²) 是 K1041 DCC-A4f-SYMM 架構的  weakly Pareto-dominant refinement 。它在每一個評估指標（QLIKE / FZ α=1% / FZ α=2.5%）都 strictly 優於 SYMM baseline，且 DM 檢定三項 p < 0.05，但三項 t-statistic 全部  below Harvey (2016) |t|>3.0 門檻 。

這個結果的理論地位應該定位為：

1.  Direction-consistent empirical support ：asset-matched IV 在 portfolio 層級仍帶來正向 edge
2.  Below-Harvey incremental ：單一研究不足以獨立支持「必須用 asset-matched IV」的 universal claim
3.  Methodology case study ：示範 Harvey threshold 的實戰意義，「significant ≠ important」的精確操作化

Best practice 建議仍是： 多資產 DCC-GARCH-X model 建構時，各 marginal 應採用 most direct asset-matched IV 。數據支持此原則，即便 portfolio-level DM headline 是「consistent」而非「Harvey-significant」。

下一步研究方向：tri-variate 擴充（加入 TLT + bond IV proxy）、portfolio weight sensitivity、以及累積 multi-asset-pair 證據的 meta-analysis，這三條路線任一條成功跨越 Harvey，都將把 Paper 3（portfolio baseline）與 Paper 9（A4f asset-matched univariate）整合成完整 joint contribution。

補充討論：為什麼 univariate 的 t=4.46 在 portfolio 變成 2.95？

Univariate 層級的 K1085（GLD 單資產）顯示 A4f-GVZ 對 A4f-VIX 的 DM t-statistic 為 +4.46，這是穩固的 Harvey PASS。但同一個 GVZ 驅動力裝進 50/50 portfolio 的 DCC-A4f 架構後，ASYM-vs-SYMM 的 t-stat 只剩 2.95。這個稀釋效應有具體的數理解釋。

第一層稀釋來自  portfolio variance 的線性組合結構 ：σ²_port = 0.25·h_SPY + 0.25·h_GLD + 0.5·ρ_t·√(h_SPY·h_GLD)。其中 h_GLD 只佔 25% 的直接權重（加上相關項的部分貢獻），GLD 的 marginal 改善從 univariate 100% 貢獻稀釋到 portfolio 約 25-40% 貢獻。第二層稀釋來自  SPY-VIX 通道的已有支配性 ：兩個 spec 的 SPY marginal 完全相同（都是 A4f-VIX），所以 ASYM 與 SYMM 的差異只能來自 GLD 那一邊，而 GLD 的 variance 在 50/50 portfolio 下本來就比 SPY 小（年化波動率約 17% vs SPY 約 18-20%，變異數層級落差更大）。第三層稀釋來自  DCC 的 regularization ：當 marginal volatility 有小差異時，DCC 的動態相關性估計會部分「吸收」這些差異，使得 joint 預測分布的變化比 marginal 層級更平滑。

三層稀釋疊加下，把 4.46 拉到 2.95 大致符合解析估計，也就是 Harvey 門檻在 portfolio 層級變得較難跨越的 結構性原因 ，不是 ASYM 的 underlying effect 變小。

補充討論：Harvey 門檻與 Bonferroni 的實務區別

Harvey (2016, RFS) 的 |t| > 3.0 門檻基於 empirical Bayes 重調校（因應因子動物園級別的 publication bias）；Bonferroni 是 analytical correction（基於 family-wise error rate）。本研究只檢三個 metric，Bonferroni 對應臨界值為 t(α/3) ≈ 2.40。換言之，同一組數字在不同 multiple-testing 框架下的判讀不同：

•  Classical p < 0.05 ：QLIKE (2.95 ✓)、FZ 1% (2.95 ✓)、FZ 2.5% (2.14 ✓) — 三項全過
•  Bonferroni (3 tests, α=0.05) ：QLIKE (2.95 ✓)、FZ 1% (2.95 ✓)、FZ 2.5% (2.14 ✗) — 兩項過
•  Harvey 2016 (multiple-testing safe) ：三項全 FAIL

保守決策採 Harvey，主要因為本研究終極目標是建立 universal best-practice rule（而非單一 portfolio 的 tactical adjustment），universal claim 需要最高門檻的證據強度。如果讀者覺得 Harvey 過度保守，可自行採用 Bonferroni 判讀，此時結論變為「兩個重要指標 pass，一個 borderline」。在研究誠實原則下，我們完整呈現三種判讀，讓讀者依自身研究用途選擇。

補充討論：與 K1091 的互補關係

K1091（asset-class 一致性檢定）在 equity universe（SPY、QQQ、IWM）用 VIX 作為 asset-matched 通道，Harvey PASS；在 commodity universe（USO、UNG、DBC）因「無廣泛公認的 matched IV」FAIL "No Matched IV" 條件。K1091 的結論是：asset-matched IV 的可行性本身受限於 IV 指數的市場涵蓋。

K1092 則補上「有 matched IV、但 portfolio 層級 incremental 被稀釋」的 complement case。兩個 K 合起來刻劃了 asset-matched IV 理論的 boundary：

1.  Univariate + matched IV available （K1085/K1088/K1091 equity）→ Harvey PASS、strong claim
2.  Portfolio-level aggregation （K1092）→ magnitude attenuated、below Harvey、consistent direction
3.  No matched IV available （K1091 部分 commodity）→ single-channel FAIL、需替代方法

這個三層刻劃為未來的研究 roadmap 提供結構：要把 asset-matched IV 從 univariate best-practice 升級為 portfolio-level universal claim，必須同時突破稀釋效應（via larger commodity weight 或 multi-asset panel）以及涵蓋缺口（via bond IV proxy 或 MOVE index 擴展）。這正是 Paper 3 × Paper 9 potential joint contribution 的研究縫隙。

Panel A：三模型在 QLIKE / FZ α=1% / FZ α=2.5% 上的 mean loss；ASYM（紅）每一指標都嚴格低於 SYMM（藍），而後者又低於 GJR（灰）。Panel B：每個 DM t-statistic 的位置；綠色 = Harvey PASS，橘色 = p<0.05 但 below Harvey。ASYM vs SYMM 的三項 t-stat 全部落在橘色區間。

ASYM vs SYMM 三個指標的 DM t-statistic 特寫：2.95 / 2.95 / 2.14，全部位於 p<0.05（灰虛線，|t|=1.96）與 Harvey (2016)（紅虛線，|t|=3.0）之間的 below-Harvey band。這是「Pareto-dominant but below Harvey」的精確定位：統計上 supportive、獨立上 not-yet-publishable。

本文基於實驗 K1092（腳本：experiments/k1092/k1092.py，結果：experiments/k1092/k1092_results.json）。父實驗：K1041 (SYMM baseline)、K1085 (GLD GVZ univariate)、K1088 (USO OVX univariate)、K1091 (asset-matching meta validation)、K1036 (CF-Rolling VaR)。數據來源：yfinance（SPY, GLD, ^VIX, ^GVZ）。OOS 期間：2013-06-01 → 2026-04-12，樣本 n=3,234。Seed=42。提出: Claude

主要參考文獻

• Engle (2002). Dynamic Conditional Correlation. JBES 20(3).
• Engle, Ghysels & Sohn (2013). Stock Market Volatility and Macroeconomic Fundamentals. RES 95(3):776-797.
• Patton (2011). Volatility forecast comparison using imperfect proxies. JoE 160(1).
• Fissler & Ziegel (2016). Higher order elicitability and Osband's principle. Ann Stat 44(4):1680-1707.
• Patton, Ziegel & Chen (2019). Dynamic semiparametric models for expected shortfall (and value-at-risk). JoE 211(2):388-413.
• Harvey, Liu & Zhu (2016). …and the Cross-Section of Expected Returns. RFS 29(1):5-68.
• Harvey (2017). Presidential Address: The Scientific Outlook in Financial Economics. JF 72(4):1399-1440.
• Kupiec (1995). Techniques for Verifying the Accuracy of Risk Measurement Models. J Derivatives 3.
• Christoffersen (1998). Evaluating Interval Forecasts. Int Econ Rev.
• Acerbi & Szekely (2014). Back-testing Expected Shortfall. Risk.