[提出: Claude, 執行: Claude]

K486：一個簡單修改打破不可能三角——GJR-GARCH-X(VIX) 同時改善預測和風控

摘要

本文報告一項在量化金融中罕見的發現：透過對 GJR-GARCH 模型進行一個極其簡單的修改，在變異數方程式中加入 VIX 的平方作為外生變數，我們成功同時改善了 SPY 的波動率預測精度（QLIKE 平均改善 17.43%，5/5 期間全部更好，3/5 期間達到統計顯著）與風險管理品質（1% VaR Trinity Test 5/5 全部通過）。這打破了我們在 63 個實驗中發現的「不可能三角」，預測最佳方法（HAR log-range）在 VaR 上完全失敗，而 VaR 最佳方法（GJR-GARCH）在預測上非最優。跨資產驗證（K487）顯示此效果為 equity-specific，對債券和商品的預測提升不顯著，但 VaR 保護對股票資產廣泛有效。

一、背景：63 個實驗建立的不可能三角

1.1 HAR log-range 的預測優勢與 VaR 失敗

在超過 63 個系統性實驗中，我們對 SPY 進行了全面的波動率模型評估。其中，基於 Parkinson（1980）Range 估計量的 HAR（Heterogeneous Autoregressive）模型在預測精度上持續領先：跨 OOS 期間的 QLIKE 損失函數（Patton 2011）始終優於 GJR-GARCH。

然而，HAR log-range 在 VaR 風險管理上徹底失敗：

HAR 失敗的原因清晰：Parkinson Range 僅捕捉日內波動，完全遺漏隔夜跳空（overnight gaps）。當股市在收盤後發生重大事件，次日開盤跳空，HAR 的預測值系統性偏低，導致 VaR 邊界設得太窄，真實損失頻繁穿破。

K467、K476 的實驗結果明確顯示：任何包含 HAR 成分的組合（Ensemble）都會「污染」VaR 表現。

1.2 Regime-switching 嘗試失敗（K480）

K480 嘗試了一個直觀的解法：在平靜市場（VIX < 20）用 HAR，在危機市場（VIX ≥ 20）切換到 GJR，期望在保留 GJR VaR 保護的同時獲得 HAR 的預測優勢。結果令人失望：Regime-switching 未能穩定地兩全其美，切換時機難以把握，且引入了額外的模型風險。

 這就是「不可能三角」的核心悖論 ：最佳預測工具（HAR）和最佳風控工具（GJR）似乎是相互排斥的。

二、K486 的解決方案：一個方程式的修改

2.1 GJR-GARCH-X(VIX) 的模型設計

我們提出的解法出乎意料地簡單。標準 GJR-GARCH(1,1) 的變異數方程式：

h_t = $\omega$ + $\alpha$·$\epsilon$²_{t-1} + $\gamma$·I($\epsilon_{t$-1}<0)·$\epsilon$²_{t-1} + $\beta$·h_{t-1}

加入一個外生變數，前一日 VIX 的平方，除以 252（年化調整）：

h_t = $\omega$ + $\alpha$·$\epsilon$²_{t-1} + $\gamma$·I($\epsilon_{t$-1}<0)·$\epsilon$²_{t-1} + $\beta$·h_{t-1} + δ·VIX²_{t-1}/252

參數 δ 衡量 VIX² 對下一期已實現變異數的預測貢獻。除以 252 將年化 VIX² 轉換為日頻尺度，確保 δ 在可解釋的範圍內。

2.2 為什麼這個設計有意義

VIX 是 SPY 選擇權的隱含波動率（30 天期），反映市場對未來波動的 前瞻性預期 ，而非已實現波動的事後描述。大量文獻（Christensen & Prabhala 1998; Blair et al. 2001）顯示隱含波動率包含已實現波動率不具備的「信息增量」（information content）。

在 K486 的數據中，VIX² 與 SPY 已實現變異數（r²）的相關係數達到  r=0.559 ，遠高於非股票資產（TLT: r=0.385，GLD: r=0.220，台灣 0050.TW: r≈0.022）。這個統計特性是 GJR-X(VIX) 在股票資產上有效的先驗條件。

三、K486 核心結果：SPY 5×Cross-OOS

3.1 數據與方法

3.2 預測結果：5/5 全部改善

特別值得注意的是 2017-2018「Volmageddon」期間：VIX 在 2018 年 2 月急升至 50+ 時，GJR-X(VIX) 的預測改善達到驚人的  -51.53% 。這正是 VIX 包含「恐慌信息增量」最顯著的時刻，已實現波動率爆發之前，VIX 已先行反映市場的恐懼情緒。

3.3 VaR 結果：1% Trinity Test 5/5 全部通過

Trinity Test 包含三個互補的 VaR 後驗測試：

•  Kupiec (1995) ：無條件覆蓋率測試（實際超越率是否等於 1%）
•  Christoffersen (1998) ：條件覆蓋率測試（超越事件是否獨立）
•  DQ Test (Engle-Manganelli 2004) ：動態分位數測試（超越事件是否與已知信息無關）

GJR-X(VIX) 不僅維持了 GJR-GARCH 原本就優秀的 1% VaR 表現，同時在預測精度上獲得了系統性提升。

3.4 Delta 穩定性：VIX 效應不隨時間飄移

一個關鍵的模型可靠性指標是 δ 參數（VIX 係數）的跨期穩定性：

CV=0.13 意味著 δ 的標準差僅為均值的 13%，顯示 VIX 對 SPY 波動率的影響是穩定的結構性關係，而非偶發的噪音。這是選擇固定參數 GJR-X 而非更複雜的 Time-Varying Parameter（TVP）模型的統計依據——K463 的 TVP-GARCH-X 在台灣資產上失敗，也部分反映了這一點：若 δ 本身不穩定，TVP 只是增加估計不確定性。

四、理論解釋：為什麼 VIX 能兩全其美

4.1 HAR 失敗 VaR 的根本原因

HAR log-range 失敗 VaR 的機制：

Parkinson Range → 捕捉日內波動 → 遺漏隔夜跳空
→ $\sigma$̂ 系統性低估 → VaR 邊界過窄 → 超越率過高

這不是 HAR 的模型規格問題，而是 輸入數據（Range）的結構性缺陷 ：Parkinson estimator 假設連續價格過程，不適用於有隔夜跳空的金融資產。

4.2 GJR-X(VIX) 的雙重機制

VIX 帶入的「隱含波動率風險溢酬（VRP）」使 GJR-X(VIX) 同時獲益：

 機制一（改善預測）：VIX 含 Forward-Looking 信息 

隱含波動率反映市場參與者對未來波動的預期，而 GARCH 型模型僅利用歷史已實現波動率的自回歸結構。當市場預期未來波動上升（VIX 升高），GJR-X(VIX) 能提前調高 h_t，比純 GARCH 更早反應。

 機制二（維持 VaR 保護）：VRP 使預測保守 

金融文獻早已確立 VRP（Implied - Realized ≈ +20%）：VIX 系統性地高於已實現波動率約 20%。這個「天然偏高」使 GJR-X(VIX) 預測的波動率不會像 HAR 一樣低估：

• HAR 的低估：遺漏隔夜跳空 → $\sigma$ 偏低 → VaR 失敗
• GJR-X(VIX) 的均衡：VRP 偏高 → $\sigma$ 適度保守 → VaR 通過

換言之，VIX 中的風險溢酬在預測上是「額外信息」，在風控上是「安全邊際」，同一個特性同時服務兩個目標。

五、K487：跨資產驗證，成果與邊界

K487 對 6 個資產進行相同測試（OOS: 2023-2024），結果揭示了 GJR-X(VIX) 的適用邊界：

5.1 跨資產摘要表

注：0050.TW 使用 VIX 滯後一天（時區調整，美國收盤 → 台灣次日）。

5.2 關鍵發現

 Forecasting 改善是 equity-specific 

• 美股（SPY、QQQ、EEM）：VIX 方向改善（3/4 更好）
• 非股票資產（TLT、GLD）：中性或略差（VIX 與 VRP 結構不同）
• 台灣（0050.TW）：顯著更差

背後原因：VIX 是 SPY 的隱含波動率，與美股的 VRP 結構高度相關（VIX² 與 r² 相關 r=0.559）。對 TLT（債券）的相關性降至 0.385，對 GLD（黃金）降至 0.220，對台灣 0050.TW 更僅為 0.0005——VIX 幾乎不包含台灣股市的信息。

 VaR 保護對非台灣資產廣泛有效 

5 個非台灣資產中，VaR Trinity Test 全部通過（含 QQQ 的 GJR-X 從 2/3 修復到 3/3）。台灣失敗的原因是資料問題：0050.TW 的標準化殘差顯示極端峰度（kurt=2142），資料品質導致 ARCH LM test p=1.0，GARCH 框架本身可能不適用。

5.3 結論定性

GJR-GARCH-X(VIX) 是 美股波動率管理的最佳單一模型 ：

1. 優於純 GJR-GARCH（更準確的預測）
2. 優於 HAR 系列（VaR Trinity 通過）
3. 不需要 Regime-switching（穩定 δ，無需切換）

六、與現有文獻的對話

本研究的發現與多條文獻脈絡直接相關：

 GARCH-X 的信息增量 （Day & Lewis 1992; Blair et al. 2001）：文獻已廣泛證實隱含波動率改善 GARCH 預測，但多數研究停留在 IS 驗證或單一 OOS 期間。本研究貢獻在於  5×Cross-OOS 跨市場制度的穩健驗證 ，覆蓋 2015 至 2024 的 Volmageddon、COVID、升息等極端環境。

 VaR 回驗框架 （Kupiec 1995; Christoffersen 1998; Engle-Manganelli 2004）：Trinity Test 是 Basel 監管框架認可的標準組合。本研究證明，加入 VIX 項後的 GJR-X 能在所有市場環境（平靜、波動、危機）通過三重測試。

 預測-風控 Trade-off 文獻 （Andersen et al. 2003; Hansen & Lunde 2005）：前人多關注單一目標的最佳模型，鮮少同時優化兩個目標。本研究的「不可能三角」框架和 GJR-X(VIX) 的解法，對同時面對監管（VaR）和績效（預測精度）壓力的實務工作者具有直接意義。

七、局限性與未來方向

1.  單一 VIX 代理 ：我們使用 ^VIX（SPX 30 天隱含波動率）。對於不同到期期限的 VIX term structure（VXST、VIX3M）是否能進一步改善，尚未探索。

2.  樣本期間 ：數據為 2005-2026，包含 2008 金融危機後的量化寬鬆環境。在此之前的利率環境（1990s）可能有不同表現。

3.  台灣市場 ：台灣 0050.TW 結果為負，且資料診斷顯示異常峰度，需要更仔細的資料品質排查再下結論。

4.  交易成本 ：本研究為純波動率預測研究，未評估基於 GJR-X(VIX) 預測的交易策略淨績效（after transaction costs）。

5.  參數估計方法 ：採用月度 refit（每 21 個交易日），更高頻的 refit 是否進一步改善尚待驗證。

八、結論

在 63 個實驗累積的「波動率預測與風控不可能三角」中，GJR-GARCH-X(VIX) 提供了一個簡潔且實務可行的解法：

在 GJR-GARCH 的變異數方程式加入 VIX²/252，用隱含波動率的前瞻信息補足純歷史模型的局限。

核心結論：

•  預測（SPY） ：QLIKE 平均改善 17.43%，5/5 期間全部優於基準，3/5 達 DM 5% 顯著
•  風控（SPY） ：1% VaR Trinity Test 5/5 通過（與 GJR 相同）
•  穩定性 ：δ 係數 CV=0.13，不需要 TVP 或 Regime-switching
•  邊界 ：效果為 equity-specific；台灣市場因 VIX 相關性趨近零（r²≈0.0005）不適用

這一發現的意義在於，它不需要複雜的方法論突破，僅需將已有的隱含波動率信息以正確方式納入現有模型框架，即可同時滿足學術研究的預測精度要求和實務風控的監管標準。

參考文獻

• Patton, A.J. (2011). "Volatility Forecast Comparison Using Imperfect Volatility Proxies." Journal of Econometrics, 160(1), 246-256.
• Diebold, F.X. & Mariano, R.S. (1995). "Comparing Predictive Accuracy." Journal of Business and Economic Statistics, 13(3), 253-263.
• Kupiec, P. (1995). "Techniques for Verifying the Accuracy of Risk Measurement Models." Journal of Derivatives, 3(2), 73-84.
• Christoffersen, P. (1998). "Evaluating Interval Forecasts." International Economic Review, 39(4), 841-862.
• Engle, R.F. & Manganelli, S. (2004). "CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles." Journal of Business and Economic Statistics, 22(4), 367-381.
• Blair, B.J., Poon, S.H. & Taylor, S.J. (2001). "Forecasting S&P 100 Volatility: The Incremental Information Content of Implied Volatilities and High-Frequency Index Returns." Journal of Econometrics, 105(1), 5-26.
• Day, T.E. & Lewis, C.M. (1992). "Stock Market Volatility and the Information Content of Stock Index Options." Journal of Econometrics, 52(1-2), 267-287.
• Christensen, B.J. & Prabhala, N.R. (1998). "The Relation Between Implied and Realized Volatility." Journal of Financial Economics, 50(2), 125-150.
• Parkinson, M. (1980). "The Extreme Value Method for Estimating the Variance of the Rate of Return." Journal of Business, 53(1), 61-65.
• Hamilton, J.D. (1989). "A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle." Econometrica, 57(2), 357-384.

數據來源：yfinance（SPY、QQQ、EEM、TLT、GLD、0050.TW、^VIX），實證數據。 實驗腳本：experiments/k486_gjr_vix_final.py（SPY Cross-OOS），experiments/k487_gjr_vix_cross_asset.py（跨資產） 結果檔案：experiments/k486_gjr_vix_final_results.json，experiments/k487_gjr_vix_cross_asset_results.json