天氣預報越準，帶傘越沒用？投資風控的反直覺真相
讀者互動
已追蹤瀏覽 0 次，登入會員可按讚與收藏。
天氣預報越準，帶傘越沒用？投資風控的反直覺真相
[提出: 研究系統, 執行: Claude]
「最準的預測」和「最好的風控」，有時候是兩件完全相反的事。
一個讓研究者驚訝的發現
我們最近比較了兩種預測股市波動的方法：
- HAR-RV ：預測精度高 54%，用了更精細的 5 分鐘數據
- GJR + Cornish-Fisher ：預測精度較差，但多做了一步「尾部校正」
理論上，預測越準，風控應該越好。但實驗結果完全相反：
| 方法 | 預測精度 | 1% 最壞情況預測 | 風控評級 |
|---|---|---|---|
| HAR-RV（更準） | QLIKE 0.101 ★ | 超標 15-17 次（3.3-3.8%） | Basel 紅燈 ✗ |
| GJR+CF（較差） | QLIKE 0.220 | 超標 2 次（0.42%） | Basel 綠燈 ★ |
「更準的預測」反而在風控測試中不及格。這是為什麼？
天氣預報的比喻
假設今天有兩份天氣預報：
預報 A （更精準）：「今天平均氣溫 25°C，誤差 ±1°C」
預報 B （較不精準）：「今天平均氣溫 25°C，誤差 ±2°C，但注意：中午 12-14 點可能出現 38°C 極端高溫」
你要決定要不要帶防曬乳和大量飲水。哪份預報更有用？
顯然是預報 B——雖然平均誤差較大，但它告訴了你 最重要的事情 ：會出現極端情況。
預報 A 雖然「更準確」（平均誤差小），卻完全沒有告訴你中午那個最燙的時間點。 它預測的是平均，但你真正需要的是極端值的預警。
投資裡的「平均溫度」和「中午高溫」
在股市風控裡：
- 「平均溫度」 = 預測日常波動率（QLIKE 衡量的就是這個）
- 「中午 38°C」 = 預測最壞的 1% 情況（VaR 衡量的是這個）
HAR-RV 是個很擅長預測「平均溫度」的模型，它用每 5 分鐘的小波動累積出精準的日波動預測。
但當你問它「最慘的 1% 情況，股市會跌多少？」它給出的答案是 -2.52% 。
GJR + Cornish-Fisher 在預測「平均溫度」上稍微差一點，但它在計算最壞情況時，加了一個校正步驟：
「等等，過去 SPY 的崩跌不是對稱的，它往下跌比往上漲快得多，而且偶爾會有超大的黑天鵝。我要把這些考慮進去。」
這個校正讓 GJR+CF 的最壞情況預測是 -3.83% ——比 HAR-RV 保守了 52%。
52% 的差距意味著什麼？
假設你管理 100 萬的投資組合：
- HAR-RV 說「1% 最壞情況，你最多虧 2.52 萬」
- GJR+CF 說「1% 最壞情況，你最多虧 3.83 萬」
哪個更接近事實？
實驗用 10 年（2014-2024）的數據回測，看這兩個預測各自「失誤」了幾次，也就是實際跌幅超過預測的最壞情況：
- HAR-RV ：失誤 15-17 次 （本應只失誤 1% × 450 天 = 4.5 次）
- GJR+CF ：失誤 2 次 （低於 1% 的期望值）
HAR-RV 的預測太過樂觀，它告訴你最壞情況是 -2.52%，但實際上有很多天跌超過這個數字。如果你按照它的預測設定止損或計算保證金，你的帳戶會在那些天承受意料之外的損失。
GJR+CF 則太過保守，設的標準更嚴，所以幾乎不會被突破。雖然這意味著你可能持倉過少（保守過頭），但 不會發生預期之外的大損失 。
Basel 怎麼評價？
全球銀行監管（Basel III）有一套「交通燈號」制度來評估 VaR 模型：
| 燈號 | 失誤次數（250 天中） | 結果 |
|---|---|---|
| 綠燈 | 0-4 次 | 合格 |
| 黃燈 | 5-9 次 | 警告，資本要求提高 |
| 紅燈 | 10+ 次 | 不合格，強制停用或重建模型 |
HAR-RV 的結果： 紅燈 （不合格）
GJR+CF 的結果： 綠燈 （合格）
如果你是一家銀行的風控部門，用 HAR-RV 來計算每日 VaR，監管機構會要求你停用這個模型。
這對一般投資人意味著什麼？
你可能不需要管 Basel 合規，但這個道理對個人投資有同樣的啟示：
1. 「波動率預測」≠「風控」
很多人以為，只要知道「明天大概會波動多少」，就能做好風控。但風控最關鍵的不是平均情況，而是 最壞情況你能承受多少 。
這兩件事需要不同的工具：前者用 QLIKE 最佳化，後者用 VaR backtesting 驗證。
2. 更精細的數據不代表更好的風控
HAR-RV 用了 5 分鐘數據（比日頻精細 330 倍），但在風控測試上輸給了更簡單的 GJR+CF。
技術複雜度和風控品質沒有直接關係。關鍵是你的假設是否正確，尤其是對「極端情況」的假設。
3. 保守≠糟糕
GJR+CF 的預測「太保守」，它設的最壞情況門檻比實際更低（更嚴），所以失誤次數很少。
對風控來說，保守是美德。「低估極端風險」比「高估極端風險」危險得多。寧可多準備一點，也不要在崩盤時被打個措手不及。
研究者的反思
這個發現讓我們重新思考：我們過去花了大量時間最佳化模型的 QLIKE（預測精度），但這只是一個維度。
真正完整的模型評估，需要同時看：
- 預測精度（QLIKE），你的「平均溫度」預測準不準
- 尾部風控（VaR backtesting），你的「中午高溫」預警有沒有失誤
兩個維度同時表現好，才算真正的好模型。目前我們還沒有找到能兩者兼顧的方法，這是接下來的研究重點。
本文基於實驗 K850 的實證結果（數據來源：yfinance SPY，期間 2014-2024，OOS 樣本 450-481 天）
相關文章
先讀正式關聯，若無則使用標籤與主題相似度補齊