Paper 2 完整 7 實驗 Null Arc：Pre-Registration 如何終結 Fabless 假說

摘要

[提出: 賴奕豪，執行: Claude]

本文報告 Paper 2「個股 EAV 篩選規則」路線的完整實驗歷程（K1067→K1113，共 7 個實驗）。這條研究路線試圖回答一個核心問題： 哪些台股公司能從財報事件驅動波動率模型（A4f-EAV）中獲益？  最終答案是：我們找不到任何可觀測的公司特徵能預測 EAV 增益，但過程中揭示了一個更重要的方法論教訓—— Cherry-pick artifact 如何把 p=0.278 的 null result 偽裝成 p=0.004 的顯著發現 ，以及 pre-registration 如何系統性拆穿這個假象。

一、背景：A4f-EAV 模型與研究動機

A4f-EAV（Asymmetric Four-Factor with Earnings Announcement Volatility）是一個將財報公告日作為外生衝擊的 GJR-GARCH 延伸模型。其核心假設是：財報發布後的隔日（T+1），市場不確定性急劇上升，傳統 GARCH 模型低估了此段時間的波動率水準。A4f-EAV 透過在 GARCH 方程中加入財報事件指示變數 $I_t^{EAV}$，捕捉這種結構性跳躍：

$au_t = heta_0 + heta_1 r_{US,t-1}^2 + heta_2 I_t^{EAV}$

其中 $heta_2 > 0$ 代表財報事件顯著墊高長期波動率分量（long-run component），$heta_2 < 0$ 則意味著模型在財報日周圍反而「過度修正」（over-correction）。

早期在 ETF 層面（0050.TW）的測試雖有描述性發現，但 K1064 已證實個股 EAV 信號無法轉化為 ETF 層面的預測增益（Descriptive ≠ Predictive）。Paper 2 的研究路線因此轉向： 直接在個股層面測試，並嘗試歸納「哪類公司有效」的選股規則。 

二、初步試驗：從 TSMC 的 Null 開始（K1067）

研究以台積電（2330.TW）作為起點。TSMC 是 0050.TW 最大成分股（權重約 35%），財報公告的市場影響力理論上最大。然而結果令人意外：

•  OOS 期間 （2019-2025）：A4f vs A4f-EAV，DM t=0.348，p=0.728，方向上 A4f 略優（EAV 惡化 QLIKE -0.07%）
•  事件窗口（T+1） ：DM t=0.083，p=0.935，完全無顯著差異
•  $heta_2$ 分佈 ：mean=-4.5×10⁻⁴，正值比例 59%，t-vs-zero=-1.68，不穩定

TSMC 的機制解讀：TSMC 全球機構法人比例極高（外資持股>70%），財報資訊早已充分定價於選擇權隱含波動率；EAV binary indicator 沒有增量預測力。

三、看似突破：UMC 的 +39% 改善（K1067b）

研究隨即轉向聯華電子（2303.TW），台灣第二大晶圓代工廠，機構持股較低、財報驚喜效應可能更大。結果截然不同：

•  事件窗口（T+1）改善 ：QLIKE 從 1.990 降至 1.209， 改善幅度 +39.27% ，DM t=-2.20，p=0.036（顯著）
•  $heta_2$ 分佈 ：mean=+6.6×10⁻⁴，正值比例  100% ，one-sample t=15.43，p=6.7×10⁻¹⁵（極顯著）
•  非事件日 ：DM p=0.873，完全無差異（EAV 信號精準定位於財報窗口）

初步結論令人振奮： 代工廠（foundry）似乎比大型科技股更能受益於 EAV 。

四、第一個裂縫：MediaTek 的反方向結果（K1067c）

為測試「fabless（無晶圓廠設計）公司是否不同於 foundry」，研究納入聯發科（2454.TW）。然而：

•  事件窗口（T+1） ：EAV  惡化  QLIKE -23.46%（A4f 從 1.458 → A4f-EAV 達 1.800），DM t=+1.588，p=0.124
•  $heta_2$ 分佈 ：mean=-9.3×10⁻⁴，正值比例  19% ，bootstrap 95% CI=[-1.83×10⁻³, -1.76×10⁻⁴]，顯著負向
•  Monotonicity FAIL ：若「foundry benefit」假說成立，fabless 應接近零，但實際是反向顯著負值

問題随之而來： 為什麼同樣是台灣科技股，foundry 和 fabless 的 EAV 反應方向截然相反？  這是真實的公司異質性，還是只是噪音？

K1103 隨後確認 τ-lag bug 修正後三家公司的結果基本穩定（final verdict: UMC event |t|≥2 after fix）。

五、表象上的確認：N=24 截面回歸與「顯著」的 fabless（K1104）

為系統化測試，K1104 擴展至 24 家 0050.TW 成分股，執行公司特徵對 $heta_2$ 的截面回歸：

$heta_{2,i} = \alpha + \beta_1 \cdot ext{foundry}_i + \beta_2 \cdot ext{fabless}_i + \beta_3 \cdot \log( ext{mktcap}_i) + \varepsilon_i$

 結果 ：fabless dummy 係數 β=-9.61×10⁻⁴，t=-2.215， p=0.039（顯著） ，支持「fabless 公司的 EAV 效應為負」。

此時整個故事看似已成立：foundry 正向、fabless 負向、市值負向，一個優雅的分類規則。

六、Cherry-Pick 的引誘：K1106b 的陷阱（p=0.004 ***）

K1106b 在 K1104 基礎上進一步「精煉」：手工挑選 7 個 sector 各 1-3 家公司（N=14），重點測試跨 sector 異質性。 *ANOVA F(6,5)=6.87，p=0.026；fabless dummy 係數 β=-2.29×10⁻³，p=0.004 ** 。 這是整個路線中最強的統計信號。

然而這裡埋藏了一個致命的設計缺陷，被 E052 記錄為「 Cherry-pick bias 」：

K1106b 在 fabless sector 只納入了 MediaTek（K1067c 已知 $heta_2<0$）和 Realtek（同樣負值）， 系統性排除了 K1104 中 fabless 公司中 $heta_2>0$ 的個案 。這等同於先看結果、再選樣本，用「已知的負值例子」反覆確認同一個負向信號。

更關鍵的問題： N=14，dof=5 ——這個樣本在統計上完全無法識別 7 個 sector dummy 加 2 個連續協變數的模型。p=0.004 的強信號，有多少是來自真實的 sector 效應？

圖 1：K1106b（手選樣本）vs K1109（隨機樣本）的 fabless dummy 係數估計。|β| 衰減 46%，p 值從 0.004 放大到 BH 校正後 0.278——相差 70 倍。

七、Pre-Registration 的反擊（K1109）

為嚴格測試 K1106b 的結論，K1109 採用 事前登記（pre-registration） 設計：

1.  樣本鎖定於結果估計前 ：pre_registration.locked_at_utc=2026-04-13T05:27:36Z，commit 4c59a41a 記錄 prereg_sample.json，時間戳先於所有 Stage 1 估計
2.  隨機抽樣 ：每個 sector 用 numpy.random.default_rng(seed=42) 隨機抽取 4-5 家，N=31（8 sectors）
3.  多重比較校正 ：所有 p 值均通過 BH-FDR（Benjamini-Hochberg）校正

 結果（全部 NULL）： 

 K1106b fabless p=0.004 完全是 sampling artifact：  在控制多重比較後，同一假設的 BH 校正 p=0.278，遠超 0.05 門檻。β 幅度從 -2.29×10⁻³ 衰減至 -1.24×10⁻³（46% 下降），p 值放大超過 11 倍。

圖 2：7 個實驗的假設支持強度時間線。K1067b 的暫時成功和 K1106b 的 cherry-pick artifact 在 K1109 pre-registration 設計下完全瓦解，最終以 K1113 的全面 null 收尾。

八、終局：Firm-Level 協變數也無法預測（K1113）

既然 sector 類別無法區分「有效」vs「無效」公司，K1113 轉向連續型協變數，測試 6 個可觀測的公司特徵：

 5/5 假設全部 FAIL： 

• H1（至少一個 BH 存活）：min BH-adj p=0.854， 無任何存活 
• H2（市值負向）：β<0 但 p=0.682， FAIL 
• H3（波動度正向）：方向正確但 p=0.854， FAIL 
• H4（5-fold CV R²>0）：CV R²= -0.661 ， FAIL ——模型比純截距項預測還差
• H5（Tier A≥3家）：Tier A 家數= 0 ， FAIL 

圖 3：K1113 各協變數的原始 HC1 p 值與 BH-FDR 校正後 p 值。最小的 raw p=0.239（成交量），BH 校正後全部收斂至 0.854。CV R²=-0.661 表示截面模型沒有任何超出截距的解釋力。

九、完整實驗總表

十、對未來研究的啟示

 A4f-EAV 在 pooled level 有 signal，但 heterogeneity 不可解釋。 

本路線的終結並不意味著 EAV 概念無效——UMC 的 +39% 改善是真實的，pooled 層面也有統計信號。但這個增益的來源無法被任何可觀測的公司特徵所捕捉。

可能的原因包括：

1.  需要私有數據 ：散戶持股比例（非公開）、管理層溝通品質、分析師分散度（高頻更新的隱含波動率）
2.  財報意外性的非線性 ：earnings surprise 的量級和方向（非二元 binary）可能是真正的調節變數
3.  時變異質性 ：某家公司在某段時間有效，但無法事前預測

 Null result 本身是 contribution：  它告訴未來研究者不需要走同一條路，節省了寶貴的資源；同時它確認了 pre-registration 作為防止 cherry-pick 的必要方法論工具。在整個 7 實驗路線中，若沒有 pre-registration（K1109）和獨立確認（K1113），研究者可能會帶著 p=0.004 的「顯著結論」撰寫論文，卻完全沒有意識到那只是一個 sampling artifact。

局限性

1.  樣本來源 ：0050.TW 成分股偏向大型藍籌，不代表全市場
2.  財報公告日數據 ：來源為用戶提供的 財報公告日.txt（2,411 公司，158,674 筆），未與 TEJ 交叉驗證
3.  OOS 期間 ：2019-2025，含 COVID-19（2020）和台積電超級週期（2023-2024），異質性可能影響截面回歸穩定性
4.  二元 EAV indicator 的侷限 ：使用 0/1 二元變數，未考慮財報意外量級（earnings surprise magnitude）

數據來源：yfinance（日頻股價，auto_adjust=True）+ 財報公告日.txt（用戶提供） 實驗腳本：experiments/k1067/、experiments/k1067b/、experiments/k1067c/、experiments/k1103/、experiments/k1104/、experiments/k1106b/、experiments/k1109/、experiments/k1113/ 結果數據：各實驗目錄下的 *_results.json