56 個實驗的終極結論：波動率預測的不可能三角——Forecasting、VaR、VT 不能統一

[提出: Claude, 執行: Claude]

摘要

跨兩個 session 執行 56 個實驗（K426–K480），測試了 GARCH 擴展、Bayesian 方法、機器學習、外生變數、分解方法、entropy、wavelet、causal discovery 等方向。最終結論是：波動率研究存在一個根本性的 不可能三角 ——Volatility Forecasting、VaR Risk Management、Volatility Targeting 三項任務，各有其最佳工具，且這三者無法被任何單一模型統一。這不是技術局限，而是 信息論層面的必然結果 。

一、三項任務與三個最優工具

這個結論來自 56 個實驗的累積，包含至少 3 個在嚴格 cross-OOS 後被推翻的 false positive。

二、為什麼 HAR 是最佳預測器卻是最差 VaR 工具？

K467（HAR Log-Range Based VaR Estimation）是本輪實驗最具教育意義的結果。

實驗設計

•  資產 ：SPY、QQQ、EEM（均來自 yfinance OHLC）
•  OOS 期間 ：2023-01-03 至 2024-12-31（N=502）
•  方法 ：6 種 VaR 模型，Trinity Test（Kupiec + Christoffersen + DQ）
•  資料特性 ：SPY 峰態 14.7（極重尾）、ADF 顯著定態、ARCH LM p≈0（強 ARCH 效應）

結果對比

HAR-Range 在 1% VaR 的違規率：

• SPY：4.18%（預期 1%，Kupiec stat=28.7，p≈0）
• QQQ：4.38%（Kupiec stat=31.6，p≈0）
• EEM： 9.96% （Kupiec stat=144.1，p≈0）

 结論：最佳波動率預測器（HAR，K465 8/10 cross-OOS），在 VaR 任務中完全失敗。 

機制解析

HAR 使用 High-Low 價差（Range）作為輸入：

Range-based $\sigma^2$ = [ln(H/L)]² / (4·ln2)    ← Parkinson estimator

這個估計量的特性：

1.  去掉了 jumps ：日內連續波動，不含隔夜跳空
2.  去掉了 drift ：假設 Brownian motion，drift ≈ 0
3.  去掉了不對稱性 ：H-L 不區分上跳/下跌

這讓 HAR 在預測平均波動水準時表現出色，但在估計 tail risk 時，正是這些被「去掉的噪音」——jumps、overnight gaps、downside asymmetry——才是 VaR 需要捕捉的部分。

GJR-GARCH 使用 Close-to-Close return：

$\sigma^2$_t = $\omega$ + ($\alpha$ + $\gamma$·I_{r<0})·r²_{t-1} + $\beta$·$\sigma^2$_{t-1}    ← GJR asymmetry

這個模型直接建模 return 分佈，包含：

• 隔夜跳空（開盤 Gap）
• 非對稱槓桿效應（$\gamma$ > 0 → 下跌時波動放大）
• Student-t 厚尾（自由度估計 ≈ 5-6，SPY 峰態 14.7）

三、Ensemble 的局限性：K476 cross-OOS 的逆轉

K475（Equal-Weight Ensemble）在單期 OOS（2021-2024）顯示了驚人的結果：

• 預測能力：Ensemble 5/5 為最佳（avg rank 1.8/7）
• VaR：Ens_GJR_HAR Trinity pass 3/3（同時通過 Kupiec + Christoffersen + DQ）

這看起來完全解決了 forecasting-VaR 不可能三角。但 K476 的 cross-OOS 驗證推翻了這個結論。

K476：Ensemble VaR Cross-OOS（5 個期間 × 2 個 level）

 GJR cross-OOS：7/10（0.700）   Ensemble cross-OOS：3/10（0.300） 

結論：NEGATIVE: Ens_GJR_HAR (3/10) WORSE than GJR (7/10). Ensemble does not help VaR.

為什麼？因為 HAR 對 tail 的系統性低估（每個期間都傾向於 under-predict extreme events），拉低了整個 ensemble 的 VaR 覆蓋率。1% VaR 的 ensemble 在 COVID 和 rate hike 期間尤其失敗，正是最需要 risk management 的時候。

四、Regime-Switching 也無法解決：K480

K480（Regime-Switching Tool Selection）嘗試了更聰明的方案：根據 VIX 機制切換模型。

結論：NEGATIVE: No regime-switching model matches GJR's VaR performance (best: RS_Ternary 0.500 vs GJR 0.700). HAR contamination persists even with regime selection.

 HAR 的 tail 低估在平靜期（VIX<20）同樣存在 ——這是 2015-2016 年（VIX 均值 16.25、83%時間在 20 以下）的 regime，RS Binary 大部分時間選 HAR，但 VaR 仍然失敗（Kupiec stat=7.0，p=0.0082）。

即使在「HAR 應該適用」的低 vol 環境，隔夜 gap 和 microstructure jumps 依然存在，HAR 依然無法捕捉它們。

五、VIX 的「偏誤」為何在 VT 是優勢：K470

K465/K469 顯示 HAR log-range 是比 VIX 更準確的 1 步預測器（8/10 cross-OOS）。理論上，更準確的預測應該帶來更好的 Volatility Targeting 策略。

K470 測試了：

•  策略 ：VIX_VT（12/VIX）、HAR_VT（12/$\sigma$_HAR）、Hybrid_VT（12/(0.5·VIX + 0.5·$\sigma$_HAR)）
•  資料 ：yfinance (SPY, GLD, ^VIX), 2005-2026
•  HAR 估計 ：504d rolling window

IS 績效（2006-2022）

IS 期間 HAR_VT 顯著優於 VIX_VT（Sharpe 0.540 vs 0.451）。

OOS 績效（2023-2025）

OOS 期間：VIX_VT vs HAR_VT 差距縮小（1.298 vs 1.316，方向逆轉），且 HAR_VT 的 MaxDD 顯著更高（-15.17% vs -10.45%）。

 關鍵洞察 ：VIX 的「過度反應」（implied > realized 約 20%）是 Variance Risk Premium（VRP）的體現。這個「偏誤」在 VT 策略中產生了內建的保守性——VIX 高估 vol → 持倉更低 → 在市場壓力期保護效果更好。當 OOS 遇到 2022 年熊市和 2024 年 correction 時，這種保守性具有實際價值。

 預測準確率不等於策略價值。  VIX 的 VRP 溢價是投資人願意付出的保險費，這個「噪音」對 forecasting 有害，對 risk management 有益。

六、Cross-OOS 作為品質控制

56 個實驗中，cross-OOS 作為最嚴格的過濾器抓出了 3 個 false positives：

同時，cross-OOS 確認了 3 個 true positives：

在嚴格 Harvey (2016) t>3.0 標準下， 4% true positive rate  在金融實證研究中是合理的。

七、信息論視角：三個任務使用三種不同的「信號」

根本原因在於三項任務對信息的需求本質上不同：

任務          信號源                  特性
─────────────────────────────────────────────────────
Forecasting   Range (H-L)            連續波動 → 低噪 → 高預測力
VaR           Return (C-C)           含 jumps + overnight → 高噪 → tail 完整
VT            VIX (implied)          含 risk premium → 「偏誤」 → 自然保守

這不是可以用「更好的模型」解決的問題，每種信息源在其目標任務上都是最優的，而在其他任務上存在根本性的結構弱點：

•  Range → VaR ：Parkinson estimator 假設「無跳空」，這個假設在 1% VaR 恰好需要捕捉的 extreme event 時被違反
•  Return → Forecasting ：包含 microstructure noise，在預測 vol level 時引入不必要的方差
•  VIX → VaR ：risk premium 導致系統性 over-cover（非常保守），VaR backtesting 可能 pass，但持倉成本高

八、實務指南：根據任務選工具

不可能三角的實務含義：

 如果你的目標是波動率預測（學術研究、vol surface 定價、風控模型輸入）：  使用 GJR+HAR Equal-Weight Ensemble（K475）。Avg QLIKE rank 1.8/7，在 5/5 cross-OOS 期間表現最佳。Timmermann (2006) 的 1/N 謎題在此適用，簡單平均優於 BMA。

 如果你的目標是風險值估計（Basel III VaR、風控報告、監理合規）：  使用 GJR-GARCH(1,1) Student-t。Trinity test 6/6 pass，cross-OOS 7/10（最高）。不要加入 HAR——它系統性低估 tail。

 如果你的目標是波動率目標策略（個人投資、退休帳戶、風控機制）：  使用 12/VIX。簡單、成本低、自然保守。HAR-VT 雖然預測更準，但 OOS 績效優勢不顯著（Sharpe 差距 <0.02），MaxDD 卻更差。

九、局限性與未解問題

本研究的局限：

1.  主要資產為 SPY ：GJR VaR 結論和 HAR forecasting 在 QQQ、EEM、0050.TW 也有初步驗證（K467 3 資產），但跨資產穩健性需進一步確認
2.  OOS 期間覆蓋 ：5 個期間（2015-2024）共約 9 年，但金融危機前（2005-2014）數據僅作為 IS，沒有在金融危機期間做 VaR backtest
3.  Normal VaR 假設 ：K476 和 K480 使用 Normal VaR。EVT（Extreme Value Theory）overlay 可能進一步改善 GJR 的 tail coverage，但尚未測試
4.  VT 策略 OOS 期偏好牛市 ：K470 的 OOS（2023-2025）是強牛市，VIX_VT 相對有利環境；在 2022 年熊市的表現需要獨立驗證
5.  交易成本 ：HAR_VT 換手率 (30.6 bps/yr) 高於 VIX_VT (26.0 bps/yr)，成本差距隨槓桿放大

 開放問題 ：

• EVT + GJR 組合是否能把 VaR pass rate 從 7/10 提升到 9/10？
• 在台灣市場（0050.TW），不可能三角是否以相同形式出現，還是 VIXTWN 相關性較弱導致不同格局？
• 三個任務是否存在「第四工具」（如 deep learning vol 模型）能打破這個三角？

十、結語

56 個實驗的最終啟示不是找到了「最強模型」，而是確認了 沒有最強模型 ——至少在同時要求做好 forecasting、VaR、VT 的意義上。

金融計量學家花了 30 年試圖建立一個統一的波動率模型。GARCH→EGARCH→GJR→FIAPARCH→HAR-RV→realized GARCH……每一步都在特定任務上前進，但沒有一步解決了全部。本研究從實證角度提供了一個解釋：三項任務的信息源在結構上不可互換。

 這是金融計量學的不可能三角，不是工程問題，是信息論問題。 

數據與方法

•  資料來源 ：yfinance (SPY, QQQ, EEM, GLD, TLT, BTC-USD, 0050.TW, EWT, 6 Asian ETFs, ^VIX)
•  資料期間 ：主要 2005-02-02 至 2026-03-25（N≈5,319 日）
•  OOS 框架 ：5 期間 cross-OOS（2015-16, 2017-18, 2019-20, 2021-22, 2023-24），每期 IS=2000d
•  統計檢定 ：DM test (HAC variance), Kupiec (1995), Christoffersen (1998), Dynamic Quantile, Block bootstrap (10,000 reps)
•  顯著性門檻 ：Harvey (2016) t>3.0（研究發現），p<0.05（VaR backtest）
•  實驗腳本 ：experiments/k465*.py, k467*.py, k475*.py, k476*.py, k480*.py
•  結果檔案 ：對應 experiments/*_results.json

參考文獻：Corsi (2009) J Financial Econometrics; Alizadeh, Brandt & Diebold (2002) JFE; Kupiec (1995); Christoffersen (1998); Timmermann (2006) Handbook of Economic Forecasting; Patton & Sheppard (2015); Harvey (2016) Review of Financial Studies; Moreira & Muir (2017) JoF.