你盯了 8 個市場指標，AI 告訴你：全都沒用
讀者互動
已追蹤瀏覽 0 次，登入會員可按讚與收藏。
你真的需要盯那麼多指標嗎？
每次市場動盪，你的 LINE 群組裡一定有人說：「VIX 飆了！信用利差也在擴！國債波動率異常！量能萎縮！趕快看看美元走勢……」
這些指標每一個看起來都「有道理」，每一個都感覺「不看不行」。但如果我告訴你，把這 8 個指標全部丟進最先進的 AI 模型，它的結論是： 一個都不需要 ，你相信嗎？
[提出: 用戶, 執行: Claude]
我們做了什麼實驗？
研究團隊設計了一個問題： 哪些外部市場指標，真的對預測美股波動率有幫助？
候選名單包含 8 個看起來很有說服力的指標：
| 指標 | 概念 |
|---|---|
| VIX 水準 | 市場整體恐慌程度 |
| VIX 變化量 | 恐慌是否在加速 |
| VIX9D | 超短期恐慌信號 |
| VVIX（波動率的波動率） | 市場對 VIX 本身的不確定性 |
| TLT 波動率 | 國債市場的動盪程度 |
| HYG 信用利差 | 高收益債與公債的利差（反映信用壓力） |
| 期限利差 | 長短期利率差（景氣領先指標） |
| 交易量比率 | 成交量是否異常放大 |
方法是用一個叫做「SSVS」的貝葉斯統計工具，可以想成 AI 法官，它的工作是從這 8 個指標裡，選出 真正有用 的留下，沒用的踢掉。
評分標準是「納入機率（PIP）」：超過 50% 才算入選，低於 50% 就淘汰。
AI 的裁決：全數落選
結果出來了。
8 個指標，沒有一個超過 50%。
- 最「接近」的 HYG 信用利差，也只拿到 43%
- VIX 變化量是 33%，排第二
- 其餘全部低於 21%
- VIX 的實際水準只有 4%——幾乎完全被拒絕
AI 的最終裁決是： 空模型 。換句話說，一個指標都不加，才是最好的選擇。
為什麼「更多資訊」反而沒用？
這聽起來違反直覺，但有清楚的解釋。
GARCH 模型已經「自帶記憶」。
它是這樣運作的：
今天的波動率 ≈ 昨天的波動率 × 0.796 + 壞消息 × 0.279 + 正常震動 × 0.044
這三個數字（0.796、0.279、0.044）是從 2011 年到 2026 年、超過 3800 個交易日學出來的。
0.796 意思是：昨天市場有多動盪，今天有八成機率延續。
0.279 意思是：壞消息（下跌）引發的恐慌，比好消息大三倍。
光是這兩件事，模型就能捕捉到市場中「波動群聚」的核心規律。等你再加進 VIX 水準、信用利差……它們所承載的訊息，其實已經 被昨天的波動率反映過了 。
再查 10 個指標，等於在一道已經算好的方程式後面，繼續加零。
天氣預報的比喻
想像你是天氣預報員。
昨天颱風逼近，今天你預測：「還是有很大機會繼續下大雨。」這個預測非常合理，因為颱風不會一夜消失。
現在你的同事說：「我查了 10 個氣象 APP，你有沒有參考台灣海峽的波浪高度？有沒有對比日本的低氣壓？有沒有分析衛星雲圖？」
你說：「我昨天的天氣紀錄已經把這些都隱含在裡面了。多查 APP 不會讓預測更準，只會讓你更忙。」
股市的波動率，也是同樣的道理。
那 VIX 完全沒用嗎？
不是。
這個實驗測的是「把 VIX 直接塞進波動率預測方程式裡」，這樣沒用。
但我們之前的研究（K484）發現， VIX 作為一個單獨的預測工具 （而不是塞進方程式的一個指標），仍然有明顯價值。把 GARCH 的內部結構與 VIX 結合，可以把預測誤差降低 7.4%。
差別在於：
- ❌ 「VIX 水準加進方程式裡」→ 沒用，因為它的訊息已被內化
- ✅ 「用 VIX 做波動率目標區間，決定倉位輕重」→ 有用，因為它提供了市場共識的錨點
對你的投資有什麼意義？
第一：不用跟蹤 20 個指標。
GARCH + VIX 兩件事就夠了。你每天早上不需要看：信用利差、期限利差、VVIX、成交量比率……這些指標在學術上沒有獨立的預測力，看了也是增加焦慮，不是增加勝算。
第二：簡單策略不代表簡陋。
12/VIX 策略（持股比例 = 12 ÷ VIX）聽起來很簡單，但它在 2011-2026 年的實測中表現穩定。它簡單，是因為它精準抓住了核心——VIX 作為倉位調節的錨，而不是因為設計者偷懶。
第三：「資訊越多越好」是散戶最常見的認知誤區。
資訊過多導致過度反應、頻繁調倉、交易成本上升。這個實驗告訴你：市場的波動規律是 自我延續的 ，昨天的波動已經告訴你今天要小心，你不需要再查 8 個指標來確認這件事。
結語
最好的投資系統，不是包含最多指標的系統，而是 最能捕捉核心規律的系統 。
波動率的核心規律是：它有記憶，而且壞消息的傷害特別深。GARCH 已經把這兩件事學得很徹底了。
加更多指標，只是讓你感覺更努力，不是讓你的預測更準。
下次有人在群組說「你有沒有看 VVIX？有沒有看信用利差？」你可以微笑說：「看了，AI 幫我分析過，沒用。」
本文基於實驗 K821 的實證結果（數據來源：yfinance，期間：2011-2026，樣本 3833 個交易日）。實驗腳本：experiments/k821_ssvs_variance_equation.py，結果數據：experiments/k821_ssvs_variance_equation_results.json。
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