你以為 AI 贏了？另一個 AI 說：「等等，你作弊了」

一個 AI 宣布「我贏了」，另一個 AI 說「等等，你作弊了」

[提出: 用戶, 執行: Claude]

想像兩個運動員在比賽跑步。裁判量完時間後，A 選手以 0.5 秒之差贏了 B 選手。全場歡呼，直到另一位裁判發現，B 選手的計時器壞了，每跑幾圈就停頓幾秒重置一次，也就是說，B 選手的「成績」其實比真實慢了很多。重新計時後，兩人的差距縮小到只有 0.03 秒，幾乎難分勝負。

這就是我們的研究剛發生的事，只不過兩位「選手」都是 AI。

AI 大戰的起點：深度學習能預測股市波動率嗎？

每天早上，金融市場的風險管理師都需要回答一個問題： 今天市場會有多大的波動？ 

這個問題看似簡單，其實非常困難。波動率決定了：你的投資組合今天可能損失多少、期權的合理價格是多少、應該持有多少現金作為緩衝。

40 年前，統計學家發明了一個叫做  GARCH 的公式 。這個公式只有 4 個參數，核心邏輯超級簡單：

1. 昨天波動大，今天也會大（波動聚集效應）
2. 壞消息的影響比好消息更深（槓桿效應）

就這樣。但這個「笨辦法」在過去 40 年裡一直是業界標準。

現在問題來了： 深度學習已經在下圍棋、寫程式、畫圖方面超越人類，它能不能打敗這個 40 年前的公式？ 

第一回合：AI 「贏了」？

我們設計了一個叫做  GINN （GARCH-Informed Neural Network，GARCH 輔助神經網路）的模型。它的策略很聰明：讓神經網路學習，同時把傳統 GARCH 公式的輸出當作「物理學先驗」餵給神經網路參考。

用一個比喻來說：這就像讓一個很會學習的學生（神經網路），再加上一位老教授的指導（GARCH），應該比單打獨鬥強。

在 2023-2024 年的 502 個交易日測試中，初版結果令人興奮：

統計檢定顯示 DM 統計量 =  2.96 （接近顯著門檻 3.0！）。

「幾乎了！神經網路幾乎就要正式打敗傳統模型了！」

插曲：另一個 AI 說「停一下」

就在我們準備慶祝之際，另一個 AI 系統（Codex）仔細審查了程式碼，發現了一個隱藏的問題。

 問題出在傳統模型的計算方式上。 

我們的實驗每 63 個交易日（約 3 個月）重新訓練一次模型。問題是：在每個 63 天的區間裡，傳統 GARCH 模型只在 第 1 天 正確更新自己的「波動率記憶」，接下來的第 2 到第 63 天，它都在使用那個 一直沒有更新的舊記憶 。

這就好像讓一位棋手每天對弈，但規定他只有第 1 天可以複習昨天的棋局，後面 62 天都只能靠那一次的記憶，然後用這位被人為弱化的棋手跟神經網路比賽，神經網路當然贏得漂亮。

 傳統模型被人為「削弱」了，比賽根本不公平。 

第二回合：修正後，真相大白

修正這個 bug 之後（實驗 K816v2），結果發生了戲劇性的變化：

修正後的傳統 GJR-GARCH 誤差從 1.602  大幅改善到 1.465 （提升了 8.56%）。

神經網路的誤差幾乎沒有變化（1.454 → 1.450）。

最關鍵的統計顯著性指標 DM 統計量從  2.96 暴跌到 0.64 ——完全不顯著，連門檻的零頭都不到。

 神經網路的「9% 優勢」幾乎完全消失，剩下不到 1%。 

為什麼 AI 學不到更多？

這是本研究最有趣的哲學問題：為什麼深度學習，一個可以學習任何複雜模式的工具，無法超越一個 40 年前、只有 4 個參數的簡單公式？

答案在於 波動率本身的本質 。

波動率的核心規律極其簡單，只有兩條：

1.  昨天波動大，今天也大 （市場情緒有慣性）
2.  跌的時候比漲的時候更讓人恐慌 （壞消息放大效應）

GARCH 公式 40 年前就把這兩件事表達得淋漓盡致。神經網路確實可以學習這兩條規律，但這就是全部了。波動率背後沒有更深的隱藏模式等著神經網路去發掘。

就好像讓一個天才數學家用 10,000 個方程式，去解一道答案就是「1+1=2」的題目，不管他算得多複雜，答案不會比 2 更精確。

AI 互相稽核的意義

這次實驗有一個特別值得關注的面向： 一個 AI 發現了另一個 AI 的錯誤 。

Codex 審查了 Claude 執行的實驗程式碼，找出了那個隱藏在 63 天循環中的 bug。這不是偶然，在我們的研究系統中，每個實驗完成後都必須經過第三方 AI 審查，才能進入知識庫。

這個機制在過去已經攔截了多次「假勝利」：在這次實驗之前，Codex 已經在另外 5 次實驗中確認了同樣的結論，神經網路無法在波動率預測上顯著超越傳統統計模型。

 AI 是強大的工具，但它也需要被稽核。就連做研究的 AI，也會犯錯。 

對投資人的啟示

1.  不要被「AI 預測」的標籤迷惑 ：金融科技公司常常宣稱用「最新 AI」預測市場。但在波動率這個特定領域，嚴格測試下傳統統計方法仍然無法被超越。

2.  簡單的模型往往更可靠 ：複雜的神經網路有更多地方可能出錯，也更難被驗證。一個簡單、可解釋、經過 40 年實戰考驗的模型，往往比黑盒子更值得信任。

3.  第二意見很重要 ：無論是投資決策還是研究結果，尋求獨立的第二意見往往能發現隱藏的問題。在這個案例裡，是一個 AI 給另一個 AI 的「第二意見」，揭露了表面上的「突破」其實是個幻象。

結語

深度學習是了不起的技術，在圖像識別、語言理解、醫療診斷等領域已經創造了真實的突破。但在金融波動率預測這個特定問題上，波動率的核心規律太簡單，簡單到幾乎沒有給神經網路「學習更多」的空間。

這不是神經網路的失敗，而是波動率問題的勝利：一個用簡單規律就能大致描述的現象，恰恰說明市場在這方面是相對效率的。

真正的突破，或許在別的地方。

本文基於實驗 K816/K816v2 的實證結果（數據來源：yfinance SPY，期間：2023-2024，502 個交易日）。實驗腳本：experiments/k816_ginn_garch_nn.py + experiments/k816v2_ginn_fixed.py。