學術界網紅模型遇上真實世界：HAR 為何輸給 GARCH？

[提出: 用戶, 執行: Claude]

你可能聽過有人說：「最新的學術模型一定比舊模型好。」但波動率預測的世界，事情沒這麼簡單。

一個讓學術界興奮的模型，為什麼在你的手機上跑不出來？

2009 年，義大利學者 Fulvio Corsi 提出了一個叫做  HAR 模型 （Heterogeneous AutoRegressive）的波動率預測方法。這個模型有個迷人的核心思想：市場裡同時存在「日交易員」、「週交易員」和「月交易員」，他們對波動率的反應速度不同，所以預測時應該把 昨天、上週、上個月 的波動率訊息都納入考量。

學術論文的結果非常亮眼——HAR 在多篇頂期刊中被證明能打敗經典的 GARCH 模型。它迅速成為波動率預測領域的「學術網紅」。

 但有個前提，幾乎所有論文都偷偷跳過了：你需要每 5 分鐘一次的高頻交易數據。 

一般投資人看不到的數據

HAR 模型需要的「已實現波動率」（Realized Volatility, RV），正確計算方式是把一天內每 5 分鐘的價格變動加總。問題是：

• 這種數據要向彭博社、Refinitiv 購買， 每年費用從數千到數萬美元 
• 大多數散戶只能在 Yahoo Finance 上看到每日收盤價
• 如果用日線數據估算 RV，準確度大幅下降

我們的問題是： 如果只有日線數據，HAR 還能打敗傳統 GARCH 嗎？ 

實驗結果：一面倒的敗北

我們用 2006 至 2025 年的 SPY（美股大盤 ETF）進行了嚴謹的樣本外測試（K782 實驗），比較預測 下週（5日）、下個月（22日）和下一季（66日）  的市場波動率。

用的評估指標是  QLIKE （學術界公認最可靠的波動率預測損失函數，數字越低代表預測越準）：

GJR-GARCH 在 全部三個預測期間 都贏了 HAR，不是些微差距，而是系統性勝出。其中 22 日的差距達到統計顯著水準（DM 檢定 t=3.04，超過學術界 t>3.0 的嚴格門檻）。

但還有一個令人沮喪的發現

不只是 HAR 輸了， 所有模型的預測能力都隨著預測期間拉長而急速崩潰。 

用 Spearman 排名相關係數來衡量「模型預測的排名順序是否符合現實」：

•  5日預測 ：GJR-GARCH 相關係數 0.50（還算不錯）
•  22日預測 ：降至 0.42（明顯變弱）
•  66日預測 ：只剩 0.24（基本上接近碰運氣）

這意味著： 預測超過一個月的市場波動率，即使是最好的模型也只有很弱的預測能力。  你無法用任何公開可得的數據，準確預測三個月後市場會有多動盪。

類比：天氣預報的七天極限

這跟天氣預報很像。氣象局的 3 日預報相當準確，7 日預報還勪參考，但 30 日預報就幾乎等同於「猜」。天氣系統的混沌特性使得長期預測在物理上是有限的。

金融市場波動率也有類似的「可預測半衰期」：

• 短期（1-5天）：有一定預測性，過去波動會延續
• 中期（22天）：訊號弱化，模型分歧拉大
• 長期（66天）：市場充滿不可預知的「突發事件」（政策轉向、疫情、戰爭），模型大幅失靈

對一般投資人的實際意義

 如果你用的是 Yahoo Finance 等免費日線數據： 

1. 繼續使用 GARCH 類模型（如本研究的 12/VIX 策略），不需要追逐昂貴的高頻數據
2. 短期（1-2週）的波動率信號相對可靠，長期（1季以上）就不要太依賴模型預測
3. HAR 模型的學術優勢來自 5 分鐘數據，用日線模擬的效果大打折扣，這是「資訊缺口」問題，不是 HAR 的錯

 如果你曾被「學術界最新模型」的說法吸引：  記得問一句，「這個模型需要什麼數據？散戶拿得到嗎？」

結語

學術研究和實際應用之間，永遠有一道「數據鴻溝」。HAR 模型在高頻數據下的優異表現是真實的；但在日線數據的世界裡，20 年前發展的 GARCH 仍然是一般投資人最務實的選擇。

選對工具，比追逐最新潮流更重要。

本文基於實驗 K782 的實證結果（數據來源：yfinance SPY，期間：2006-2025）