用機器學習「挑出好週」，結果 VT 輸更慘？

[提出: 用戶, 執行: Claude]

週頻 VT 的勝率，永遠都在 37% 到 44% 之間。

不管 VIX 是 12 還是 40，不管市場在漲還是在崩，如果你每週問「這週 VT 會贏嗎？」，答案超過一半的時候都是「沒有，這週 VT 輸給了直接買進持有」。

這個發現讓很多人困惑：VT 策略（波動率目標投資，Volatility Targeting）長期績效明明不錯，怎麼週頻勝率這麼低？

原因只有一個： VT 的優勢來自「贏的那幾週，賺得特別大」 ，這種非對稱結構才是長期複利的來源，跟週頻勝率關係不大。

機器學習能解這個問題嗎？

我們試著用 ML 來「選出 VT 會贏的週」。如果能辨識出哪些週 VT 比較強，就能只在那些週持有 VT，跳過 VT 表現差的週。

這個思路叫做 meta-labeling：不直接預測市場漲跌，而是預測「這個策略這次會不會有用」。

資料用 SPY + VIX，從 2006 年到 2026 年，共 964 週。特徵包含 22 個指標：VIX 水準、VIX 期限結構、SPY 近期報酬、歷史波動率、VT 過去勝率等。模型測試了兩種：邏輯迴歸和 XGBoost。

結果：

XGBoost 整體 AUC 0.558。稍微好過亂猜（AUC 0.5），但只好一點點，稱不上有用。

最強的單一特徵相關係數只有 0.084。相比之下，用日頻數據做同樣分析（K538），最強相關係數不到 0.02。週頻訊號確實強了四倍，但四倍的「幾乎沒有」，還是幾乎沒有。

各 VIX 區間的勝率與超額報酬

下表整理了 964 週按 VIX 水準分組的結果：

來源：K541 實驗，yfinance SPY+VIX 週頻數據 2006–2026

有幾個地方值得注意：

第一，不管 VIX 在哪個區間，勝率都低於 44%。沒有任何市場環境下，VT「這週打贏 B&H」的機率超過一半。

第二，高 VIX 時，每週超額反而更負。VIX > 35 的時候，VT 平均每週少賺 35.3 bps，遠比低波動期還差。

這看起來很矛盾，VT 不是應該在高波動時表現好嗎？

沒錯，但「長期好」和「每週贏」是兩件事。

複利效應：輸多週，但每次贏得更重要

這是整個分析最關鍵的一點。

VT 的邏輯是：在恐慌期（VIX 飆高）大幅降槓桿，這週可能少賺甚至虧損；但也因為降了槓桿，在最糟糕的週不會被市場打到一蹶不振。等市場反彈時，VT 重新加回槓桿，以更完整的資金參與漲勢。

結果是：VT 輸的那些週，輸掉的不多（因為降槓桿後曝險低）；但贏的那些週，贏的幅度往往更大（因為是在市場劇烈波動後復甦的關鍵週）。

時間一長，這個不對稱性就累積成可觀的複利優勢。

用 Sharpe 比來看，OOS 期間（2020 到 2024 年，261 週），純 VT 策略拿到  0.899 ，比買進持有的 0.785 好。但 ML 選週之後呢？XGBoost 降到 0.600，邏輯迴歸更低至 0.534，兩者都輸給什麼都不做的買進持有。就連最簡單的 VIX>20 規則（0.686），也贏過了兩個 ML 模型。

ML 砍掉了太多「贏得大」的週，複利結構被破壞，Sharpe 反而比什麼都不做還差。

簡單規則為什麼反而比 ML 好？

VIX>20 的簡單規則，就是「VIX 超過 20 才持有 VT，否則持有 B&H」，Sharpe 0.686，明顯比兩個 ML 模型都強。

這說明了一件事：週頻 VT 勝率的訊號，幾乎全部來自 VIX 高低這個單一因素，而且是用非常直覺的方式。22 個特徵加上複雜的 XGBoost，反而學到了「過擬合」的細節，在 OOS 上拖累表現。

值得一提的是，COVID 期間（2020–2021）XGBoost 的 AUC 跳到 0.675，表現確實好一些。但在空頭與復甦期（2022–2023），AUC 掉到 0.439，比亂猜還差。訊號在不同市場環境下差異極大，難以穩定依靠。

投資者能怎麼用？

這個分析給出一個清楚的訊息：

 不要試著「選 VT 的好週」 ，因為這件事幾乎做不到，而且強行去選往往讓結果更差。

VT 策略的正確使用方式是「放著讓複利跑」，而非「擇時進出」。週頻勝率永遠低，這不是 bug，是 feature，這正是它長期有用的原因。

如果想用 VIX 做一點市場環境的過濾，VIX>20 這種超簡單的規則已經比大部分 ML 方法強，也更容易堅持執行。

當然，VT 策略本身並非萬靈丹。本分析用的是美股 SPY，台股行為可能不同。樣本期間 2006–2026 含了多個市場結構的轉變（零利率、新冠、升息），未來環境不保證相同。

小結

週頻勝率從來都不超過 44%，這是 VT 的設計特性，不是缺陷。XGBoost AUC 0.558 勉強好過亂猜，22 個特徵中最強相關係數才 0.084，訊號強度達不到可用水準。ML 選週的 Sharpe 0.53–0.60，輸給不做任何篩選的 VT 0.90。

VT 的正確用法就是讓它跑，月、年頻的複利效應才是它的核心，週頻擇時只會把這個效應砍掉。

本文基於實驗 K541（腳本：experiments/k541/k541_weekly_meta_label.py，結果：experiments/k541/k541_weekly_meta_label_results.json）。數據來源：yfinance（SPY、VIX），期間：2006–2026，樣本：964 週。