股票加黃金的「投資組合風險」，到底要靠什麼算才準？

一、為什麼要研究「股票加黃金」這個組合？

很多人第一次聽到「資產配置」，最常被推薦的入門配方就是： 一半美股、一半黃金 。

這個配方的背後邏輯很單純：

•  美股 （這裡用 SPY，標普 500 ETF）代表經濟成長的果實，長期向上但會在危機時崩跌。
•  黃金 （這裡用 GLD，黃金 ETF）被視為避險資產，理論上在恐慌時反而會上漲，幫忙抵銷股市的虧損。

這套搭配在多數教科書與理財文章中被當成「分散風險」的經典範例。但真正做風險管理的人會問一個更尖銳的問題：

 這個 50/50 組合，明天最糟可能虧多少？ 

這個問題的學術名字叫做「投資組合風險值」（Portfolio Value at Risk，簡稱 VaR）。聽起來很技術，但其實邏輯很直覺：給定一個信心水準（例如 99%），你想知道明天「最壞 1% 的情境」下會虧多少錢。如果你估錯了，要嘛太保守錯失行情，要嘛太樂觀在危機時被打到鼻青臉腫。

K1041 就是要回答一個看似簡單、實際上爭議很大的問題：

 要把這個 50/50 組合的明日風險算準，最關鍵的環節是什麼？ 

二、四種模型的對決：誰算 VaR 最準？

直覺上，要算「股票 + 黃金」的組合風險，至少要搞清楚三件事：

1.  股票本身的波動率有多大 （例如 SPY 今天的波動是平靜還是暴衝？）
2.  黃金本身的波動率有多大 （GLD 今天有沒有跟著動？）
3.  股票和黃金的關係 （它們是同方向動，還是反方向動？）

K1041 把這三件事拆解後，做了一個 2×2 的「四選一」實驗：

排列組合後得到四個模型：

•  CCC-GJR ：兩個維度都用傳統設定（最保守的對照組）
•  DCC-GJR ：只升級「股票黃金關係」這一塊
•  CCC-A4f ：只升級「單一資產波動率」這一塊
•  DCC-A4f ：兩塊都升級（理論上最豪華的版本）

研究的核心問題就是： 到底是升級「關係」比較重要，還是升級「波動率本身」比較重要？ 

三、樣本與檢驗方式

我們用了 yfinance 抓的長期資料：

•  資料期間 ：2005-01-01 ~ 2026-04-10，超過 21 年
•  訓練 + 樣本外 ：總共 5,380 個交易日
•  樣本外檢驗區間 ：2019-01-02 ~ 2026-04-10，共 1,828 個交易日（約 7 年）
•  滾動視窗 ：每 63 個交易日重新估計參數
•  組合配置 ：50% SPY + 50% GLD，固定不動
•  隨機種子 ：42（確保完全可重現）

樣本外橫跨 2020 年 COVID 崩盤、2022 年聯準會升息、2023-2024 黃金大漲，包含一次完整的金融危機，是檢驗風險模型「會不會在危機時失靈」的關鍵期間。

至於「準不準」的判斷，我們用業界與學界都接受的三件套：

•  違反率檢定（Kupiec） ：實際虧損超過模型估計的次數，會不會明顯多或少於預期？
•  群聚檢定（Christoffersen） ：違反次數有沒有集中爆發在特定區間？
•  巴塞爾燈號（Basel traffic light） ：監管機構評等模型是綠燈、黃燈還是紅燈？

三個都要過關才算「Trinity 2/2 PASS」（兩個信心水準各通過一次）。再加一個比較模型優劣的「重抽樣比較」與一個品質指標 QLIKE。

四、結果：誰贏了？

違反率檢驗（VaR Backtesting）

 第一個發現 ：兩個用 DCC 的模型（DCC-GJR、DCC-A4f）都拿到滿分 2/2；兩個用 CCC 的模型則各掉一塊。也就是說，「假設股票和黃金的關係永遠不變」這件事在 OOS 期間明顯站不住腳。

預測品質排名（QLIKE，越低越好）

第二個發現：完整版的  DCC-A4f 的預測品質最好 ，但有趣的是排名第二的不是 DCC-GJR（升級關係），而是 CCC-A4f（升級波動率本身）。

改善幅度比較

把上面的數字攤開算，可以得到一張很關鍵的對照表：

 第三個（也是最重要的）發現 ：升級「單一資產的波動率模型」帶來的改善幅度， 大約是升級「股票黃金關係」的兩倍以上 。

換句話說：如果你只能升級一塊，先把每個資產自己的波動率算對，才是最划算的投資。把 SPY 跟 GLD 的關係從「假設不變」改成「動態變動」雖然有幫助，但邊際效益更小。

模型對比的統計強度

把 CCC-GJR（傳統做法）和 DCC-A4f（最豪華版）做配對比較，發現組合 VaR 預測的品質差距  通過嚴格統計檢驗門檻 （兩模型比較顯著），意味著這個改善不太可能是運氣。

五、危機才是真試煉：COVID 黑天鵝下的 SPY-GLD 關係

模型在平常日子表現好，不算什麼。真正考驗在危機。

K1041 把 2020-02 到 2020-06 這一段 COVID 崩盤期單獨抓出來看，分析期間 SPY-GLD 的相關係數：

 驚人的事情發生了 ：

• 假設關係不變的模型（CCC），整個 COVID 期間相關係數幾乎沒動，永遠停留在 -0.05 上下。
• 動態模型（DCC）卻捕捉到 SPY 和 GLD 的關係從正相關 +0.10 一路暴跌到深度負相關 -0.37 的劇烈翻轉。

意義是什麼？COVID 剛爆發時，市場普遍流動性緊縮，連黃金都被當成可變現資產拋售（ 正相關，黃金沒幫到忙 ）；但隨著聯準會放水、避險需求重建，黃金又恢復避險角色（ 深度負相關，回到教科書劇情 ）。一個會動的相關係數，能把這段「教科書翻車又翻回來」的故事捕捉得很傳神。

如果你的風險模型假設這個關係永遠不變，你在危機初期會嚴重低估組合風險。這是 CCC 模型在 97.5% 信心水準失敗的根本原因。

六、為什麼這個結果重要？

K1041 的結論可以濃縮成三句話：

1.  動態相關性對「股票 + 黃金」這種組合是有價值的 ：兩種資產的關係在危機時會劇烈翻轉，假設關係不變的模型會在危機初期被打臉。

2.  但更重要的是：先把每個資產自己的波動率算對 。同樣花一塊錢，升級「單一資產波動率」帶來的改善幅度約是升級「資產關係」的兩倍。

3.  以前的研究曾經宣稱動態相關性對股票+黃金組合沒幫助 （K891 的結論），但 K1041 證明這是因為當時用的「單一資產波動率」模型太弱。當把波動率模型升級到 A4f（含 VIX 資訊），動態相關性的好處就跑出來了。

簡單講，這就是個「 好師傅+好工具 」才能發揮戰力的故事。光升級工具（DCC）在弱師傅（GJR）手上看不出差異；光升級師傅（A4f）但工具不換（CCC），又會在某個信心水準失敗。 兩個都升級 ，才能在最嚴格的檢驗下拿到滿分，並通過嚴格統計檢驗門檻。

七、給一般投資人的實用啟示

研究結果聽起來很學術，但其實對一般投資人有三個直接啟示：

 啟示一：黃金的避險效果不是常數 

教科書告訴你「黃金是避險資產」，但 K1041 的結果顯示：在危機初期幾天，黃金可能跟股票同方向跌；要過幾週後避險角色才會復活。如果你期待黃金「在崩盤的當天」就保護你，可能會失望。 避險效果是平均來說、過一段時間後成立 ，不是每一天都成立。

 啟示二：風險模型不要省成本省到核心 

很多投資工具會直接用「歷史 30 天標準差」當風險指標。K1041 顯示，光是把波動率模型從基礎版（GJR）升級到含 VIX 的版本（A4f），組合風險預測的品質就能改善 0.5% 上下。這個數字看起來小，但在金融危機那幾天能差幾個百分點的虧損估計，對倉位控管影響非常實際。

 啟示三：別只盯著「相關係數」 

很多投資文章很喜歡講「現在股票和黃金相關係數是多少」。但 K1041 顯示，相關係數只是組合風險的一塊小拼圖；先把每個資產自己的波動率算清楚，比追蹤相關係數的瞬時值更重要。 先個體、後關係 ，是這個實驗最務實的順序。

八、研究誠實聲明與限制

為了把資訊傳達誠實，這裡列出 K1041 不能宣稱什麼：

•  僅測試 50/50 配置 ：80/20 或 70/30 的組合表現可能不一樣，研究尚未涵蓋。
•  OOS 期間僅含一次重大危機（COVID） ：模型在不同類型危機（例如 2008 金融海嘯、未來可能的人工智慧泡沫）的表現需要更多驗證。
•  DCC 帶來的好處在 QLIKE 上幅度較小（+0.23%） ，雖然在違反率檢定上的差異夠大讓兩個 CCC 模型掉分，但不可過度宣稱「DCC 是萬靈丹」。
•  未測試其他常見的 VaR 方法 （例如學生 t 分配、歷史模擬法 FHS），實務上仍要視機構風控框架選擇。

K1041 的結論有效範圍是：「在 SPY+GLD 50/50、長度 7 年（含 COVID 一次危機）、CF-Rolling 252 日視窗下，DCC-A4f 是四個比較模型中最好的組合 VaR 模型，且 A4f 的邊際貢獻大於 DCC。」超出這個範圍的延伸結論，需要其他實驗背書。

圖表

資料來源

•  資產報酬 ：yfinance（SPY、GLD），2005-01-01 ~ 2026-04-10
•  VIX 恐慌指數 ：yfinance（^VIX）同期
•  實驗代碼 ：K1041（5,380 日資料、1,828 日 OOS、隨機種子 42）
•  完整數值結果 ：experiments/k1041/k1041_results.json
•  實驗腳本 ：experiments/k1041/k1041.py

參考文獻

• Engle, R. (2002). Dynamic Conditional Correlation. JBES 20(3).
• Engle, R., Ghysels, E., & Sohn, B. (2013). Stock Market Volatility and Macroeconomic Fundamentals. Review of Economics and Statistics 95(3).
• Patton, A. (2011). Volatility forecast comparison using imperfect proxies. Journal of Econometrics 160(1).
• Kupiec, P. (1995). Techniques for Verifying the Accuracy of Risk Measurement Models.
• Christoffersen, P. (1998). Evaluating Interval Forecasts. International Economic Review.