模型多看幾個鄰居，不代表就更會預測波動

有些研究的直覺很吸引人：如果一個資產的波動會受別的資產影響，那模型不只看自己，順便看一下「鄰居」的波動，理論上應該更準。

K1314 測的就是這件事。

我們拿 5 檔常見美股 ETF 做樣本，分別是 SPY、QQQ、GLD、TLT、IWM。比較對象很單純：

• 基準版：只用資產自己的短、中、長期波動去預測明天
• 升級版：除了自己的資料，再加上一層「其他資產的波動關係」

如果這個想法真的穩，理論上應該不只一檔有效。

結果是： SPY 確實進步很多，但其他 4 檔沒有跟上。 

• SPY 的預測誤差改善大約  14.1% 
• QQQ、TLT、IWM 只有  1% 到 2% 左右 
• GLD 甚至還變差，約  -2.4% 

這種結果很重要，因為它代表這個方法不是「普遍有效」，而是比較像「某些資產剛好吃得到」。

真有用，還是只是模型變複雜？

這次實驗多做了一步很關鍵的檢查。

我們另外跑了一個 placebo 版本：保留同樣的模型結構，但把「資產之間的真實關係」換成隨機連線。照理說，如果原方法真的有抓到有用訊號，真實連線應該明顯贏過隨機連線。

後續補做 100 次隨機連線 permutation 後，SPY 的真實關係仍強於大多數隨機版本：用 DM t 值排序，100 次裡沒有隨機圖超過它，經驗尾端機率為 0.0099；但用 QLIKE 改善幅度排序，有 1 次隨機圖略高，經驗尾端機率為 0.0198。也就是說，SPY 是最有說服力的候選，但還不能寫成完全通過 1% 門檻的 placebo 結論。

• SPY：真實關係大多數時候比隨機版本好，但不是每一個隨機版本都輸
• QQQ、TLT：有一點正向，但不夠穩
• GLD：沒有幫助
• IWM：隨機版本反而更好

這等於在提醒我們：有時候模型看起來進步，不一定是因為它真的多抓到什麼市場資訊，也可能只是因為你塞了更多變數。

這對一般投資人有什麼意思？

最直接的意思是： 模型變複雜，不等於結果更可靠。 

很多新方法都會讓人有一種「它把市場網路也考慮進去了，應該比較聰明」的感覺。但 K1314 告訴我們，這種升級如果只能在 5 檔裡的 1 檔明顯成立，就不能寫成一個普遍規則。

對讀者來說，比較實用的判讀方式是這樣：

• 看平均成績前，先看是不是只有單一資產在撐場
• 看模型變強前，先問它是不是只因為多加了幾個變數
• 看「新方法勝出」前，先看它換到別的資產後還站不站得住

一句話結論

這次答案很乾脆： 讓模型多看幾個資產鄰居，沒有穩定地讓波動預測變好；最明顯受益的是 SPY，但 placebo 檢查後仍要保留條件。 

資料來源

本文來自實驗 K1314（experiments/k1314/k1314.py；結果檔 experiments/k1314/k1314_results.json；placebo 結果檔 experiments/k1314/k1314_placebo_results.json）。資料來源為 yfinance，樣本為 SPY、QQQ、GLD、TLT、IWM，期間 2005-01-01 至 2024-12-31；樣本外評估區間為 2020-01-02 至 2024-12-30，每檔資產 1,257 個交易日。

延伸閱讀

• 讓模型更常改變心意，不代表它就更會預測