AI 的第 7 次失敗：KAN 神經網路挑戰 GJR-GARCH，再度確認 ML 天花板

摘要

K826 實驗以 Kolmogorov-Arnold Networks（KAN）替代 GARCH-MIDAS 模型的線性長期組件，測試非線性架構能否突破傳統計量模型的預測天花板。結果：第 7 次確認 ML Ceiling——GJR-GARCH 以統計顯著優勢（Harvey t=3.16）擊敗 KAN-MIDAS，且 Spearman 排序相關係數差距高達 3 倍（0.222 vs 0.072）。

研究背景

GARCH-MIDAS 是什麼？

GARCH-MIDAS（Mixed Data Sampling GARCH）由 Engle、Ghysels 和 Sohn（2013）提出，核心思想是將波動率分解為兩個組件：

•  短期組件（g_t） ：捕捉日內 GARCH 動態，用昨天的衝擊和波動率估計今天
•  長期組件（$\tau_t$） ：用月度 RV（已實現波動率）的加權平均，捕捉趨勢性的波動率水準

傳統 MIDAS 使用 線性 的 Beta 多項式加權平均。我們的問題是：如果長期組件有非線性結構，KAN 能否偵測並利用？

KAN 是什麼？

Kolmogorov-Arnold Networks（Liu et al., 2024）是一種新型神經網路架構，核心創新是：

•  傳統 MLP ：節點上有固定啟動函數（ReLU、Sigmoid），邊上只有線性權重
•  KAN ：邊上有可學習的 B-spline 函數，節點只做加法

這使 KAN 能夠學習精確的非線性映射，且通常比 MLP 需要更少參數（本實驗僅 71 個參數 vs. MIDAS 的 5 個）。

實驗設計

 資產 ：SPY（美國大盤 ETF）  期間 ：OOS 預測期 2023-2025（502 個交易日）  訓練期 ：2005-2022（長期樣本）

 三模型對比 ：

1.  GJR-GARCH ：非對稱波動率模型，捕捉槓桿效應
2.  KAN-MIDAS ：KAN 替代線性 Beta 多項式（71 B-spline 參數）
3.  Linear-MIDAS ：原始線性 Beta 多項式（5 個參數）

 評估指標 ：

• QLIKE（代理穩健損失函數，Patton 2011）
• MSE（均方誤差）
• Spearman $\rho$（排序相關係數）
• DM test（Harvey t > 3.0 門檻）

實驗結果

圖表 1：三模型預測精度對比

QLIKE 精度分數（數值越高越好），GJR-GARCH 以 8.680 明顯領先兩個 MIDAS 模型

 完整結果表 ：

注：QLIKE 以負值呈現，絕對值越大（越負）代表對數損失越低、預測越精準。GJR 的 -8.680 優於 KAN 的 -8.582。

DM Test 統計顯著性

 關鍵發現 ：KAN 相對 Linear-MIDAS 的 0.06% 改善根本沒有統計意義。大量的非線性參數（71 vs 5）帶來的是過擬合，而非有效的信息提取。

為什麼 KAN 無法打敗 GJR？

1. In-sample 非線性 ≠ OOS 非線性

KAN 在樣本內確實偵測到了非線性結構（ratio = 5.9%，即長期組件貢獻了 5.9% 的非線性改善）。但這個樣本內的非線性在 OOS 期間完全消失——Spearman $\rho$ 從 GARCH 的 0.222 崩塌到 0.072。

這是一個典型的 過擬合 問題：非線性關係在歷史數據中存在，但這些模式不穩定，換到新的市場環境就失效了。

2. MIDAS 長期組件的根本弱點

GARCH-MIDAS 架構的長期組件（$\tau_t$）依賴 月度 RV 加權平均，這意味著：

• 長期組件更新頻率低（每月一次）
• 對突發性市場衝擊（如 2023 年 3 月銀行危機、2024 年 8 月日圓崩跌）反應遲鈍
• 即使 KAN 能學到更好的非線性映射，輸入信號本身就缺乏即時性

相比之下，GJR-GARCH 的短期組件每天更新，槓桿效應（$\gamma$ 參數）能在隔天就捕捉到昨天的大跌衝擊。 即時反應性 是 GJR 的核心優勢。

3. Regime 分析：全面潰敗

我們按波動率分三個 Regime 分析：

GJR 在所有 Regime 下都勝過 KAN-MIDAS，且在高波動期間差距最大，正是 MIDAS 長期組件反應最遲鈍的時候。

ML Ceiling 歷史：7 次挑戰，7 次失敗

圖表 2：ML 挑戰歷史

7次機器學習挑戰vs GJR-GARCH的QLIKE差距。負值代表ML模型比GJR更差。所有嘗試均未能在統計上超越GJR。

 完整 ML Ceiling 記錄 ：

 K826 是 7 次中第一次以 Harvey PASS 確認 ——之前的失敗多半只是 DM 不顯著（ML 沒有統計優勢），而 K826 是 ML 被統計顯著地擊敗。

理論詮釋：為什麼傳統計量模型仍然勝出？

金融時間序列的特殊性

金融資產報酬率不同於圖像、語音等 ML 擅長的領域：

1.  信噪比極低 ：日報酬率幾乎是純粹的雜訊，有效成分僅在波動率層面
2.  非定態 ：分佈會隨時間漂移（Regime change），ML 容易過擬合歷史 Regime
3.  樣本量不足 ：502 天的 OOS 期間對 71 個參數的 KAN 而言嚴重不足
4.  Parsimony principle ：GJR 只有 4 個參數，每個參數都有明確的經濟含義

GJR 的真正優勢：理論保障

GJR-GARCH 的槓桿效應有嚴格的統計理論支撐（Nelson 1991；Glosten, Jagannathan, Runkle 1993）：

GJR 模型：sigma_t^2 = omega + (alpha + gamma * I[r_{t-1}<0]) * r_{t-1}^2 + beta * sigma_{t-1}^2

其中 gamma 參數專門捕捉「負衝擊導致更大波動」的槓桿效應。這個機制在所有市場環境中都穩健，因為它有明確的金融理論依據，不像 KAN 的 B-spline 係數只是數學擬合。

局限性

1.  資產範圍 ：僅測試 SPY，其他資產（尤其是波動性更高的個股）可能有不同結果
2.  OOS 期間 ：2023-2025 是相對低波動期（SVB 危機除外），高波動期的 ML 表現可能不同
3.  KAN 架構選擇 ：本實驗用 B-spline（order=3, grid=5），其他 KAN 架構（如 Fourier-KAN）未測試
4.  MIDAS 輸入 ：僅用月度 RV，若改用日度 RV 或 VIX 作為 MIDAS 輸入，結果可能不同
5.  樣本量 ：71 個 KAN 參數 vs 502 天 OOS 期間，過擬合風險本就很高

結論

 第 7 次確認：ML Ceiling 是真實存在的。 

KAN 以更複雜的架構（71 參數 vs GJR 的 4 個）挑戰 GJR-GARCH，結果：

• QLIKE 差距：GJR -8.680 vs KAN -8.582（差 0.098）
• Spearman $\rho$ 差距：0.222 vs 0.072（3 倍差距）
• DM test：Harvey t = 3.16，GJR 顯著勝（達到 Harvey 2016 的 t>3.0 金標準）

核心問題不在於 ML 模型的能力，而在於 金融波動率預測的結構性約束 ：GARCH-MIDAS 長期組件的低頻設計天生反應遲鈍，即使 KAN 能完美學到非線性映射，也無法彌補輸入信號本身的即時性不足。

 後續研究方向 ：

• 改用日頻 MIDAS 輸入（降低長期組件的延遲）
• 測試 KAN 在台股（0050.TW）是否有不同表現（外生衝擊模式不同）
• 探索 GJR 是否真的是所有頻率下的最優模型，還是僅在日頻層面成立

本文基於實驗 K826 的實證結果（數據來源：yfinance，期間：2005-2025，OOS 2023-2025 共 502 天）

實驗腳本: experiments/k826_kan_garch_midas.py 結果數據: experiments/k826_kan_garch_midas_results.json

[提出: Claude, 執行: Claude]