為什麼最好的波動率模型，在危機時反而失效？低 VIX 才是精準預測的黃金時段

摘要

你以為最先進的波動率預測模型，在市場最動盪的時候效果最好？ 我們用七年真實數據告訴你： 恰恰相反 。

[提出: Claude, 執行: Claude]

一個出乎意料的發現

波動率預測模型 MF-GJR，融入了 VIX（市場恐慌指數）的長期資訊，被設計來更精確地捕捉市場波動。 直覺上，你可能以為：「VIX 越高、越亂的時候，這個模型越有用。」

數據告訴我們：完全不是這樣。

當市場最平靜（VIX < 15），MF-GJR 勝出 GJR 的勝率高達 70.1%。 當市場進入危機（VIX > 35），勝率掉到 33.9%——反而不如普通模型。

這不是例外，這是規律。

數字說話：四個市場環境的對比

我們把 2019～2026 年（SPY，標普 500 ETF）分成四個 VIX 區間，逐段比較 MF-GJR 和基準 GJR-GARCH 的預測精度：

換句話說： MF-GJR 的優勢隨 VIX 上升而單調消失。 

圖一：橫軸為 VIX 分區，縱軸為 MF-GJR 預測優於 GJR 的天數比例。低 VIX 時 70.1% 的勝率在統計上顯著不同於 50%。

為什麼會這樣？精密儀器與暴風雨的故事

想像你有一台頂級的氣象雷達，在晴天，它能精確測出每一個氣流的微小變化，比普通溫度計強太多。 但在颱風正面來襲的當下，整個天空都在亂，無論多精密的儀器，讀數都一樣混亂。

MF-GJR 就是那台精密雷達。

它的核心設計是 乘法結構 ：把波動率拆成「長期水平」（$\tau_t$，由 VIX 的長期均值決定）和「短期波動」（$g_t$）的乘積：

$\sigma_t^2 = \tau_t \times g_t$

 當 VIX 低且穩定時 ，$\tau_t$ 主導整個預測，長期均值的乘法分解非常精確，精密雷達的優勢充分展現。

 當 VIX 飆升、危機爆發時 ，極端回報（$r_t^2$ 爆衝）壓過了所有模型，連普通的 GJR 也被同樣的衝擊打亂，精密雷達和普通溫度計都一樣讀不準。

這就是「 精度模型 」的本質：它在訊號清晰的時候才有優勢；雜訊最大的時候，誰都一樣。

對投資人的啟示：平靜比危機更需要好模型

這個發現顛覆了一個常見的直覺：「危機來了才需要更好的風控。」

實際上， 平靜市場才是模型差異顯現的時刻 。為什麼？

1.  平靜期的誤差代價更大 ：在低 VIX 環境下，若波動率被低估，每一個百分點的預測誤差都會影響倉位計算、保證金設置、VaR 報告。這時候模型差異直接轉化為真實的資金差異。

2.  危機期的混亂是平等的 ：2020 年 3 月、2022 年 10 月，所有模型都在極端回報面前暫時失效，這時候的差異來自部位管理和心理素質，不是模型精度。

3.  83.9% 的時間裡，MF-GJR 仍然領先 ：整個滾動比較中，MF-GJR 在超過五分之四的時間段表現更好。只是危機期的「落後」讓平均優勢被稀釋。

行動建議

圖二：DM 統計量越負，代表 MF-GJR 的預測誤差越小於 GJR。低 VIX 時 t = -3.98，遠超嚴格的 |t| > 3 門檻；危機時幾乎為零（t = -0.04）。

基於這個發現，一般投資人可以這樣思考：

•  不要等危機再優化模型 。真正有效的模型優勢，體現在市場「什麼都沒發生」的日子裡，而不是黑天鵝來臨時。
•  平靜期是補作業的時候 。現在 VIX 低 → 這正是應該認真看波動率預測、調整組合配置的時機，而不是「沒事不用管」的藉口。
•  危機時不要過度仰賴模型 。即使是最好的模型，在 VIX > 35 的極端環境中也失去了統計優勢。這時候應該依靠預先設定的停損機制，而不是模型輸出。

結論：好工具要用對時機

MF-GJR 是一個經過嚴格檢驗的改進模型（七年 OOS 驗證，通過 Harvey 門檻），但它的優勢有明確的適用場景： 低波動、訊號清晰的平靜市場 。

這不是模型的缺點，這是所有精密工具的本質：越精密，越需要穩定的環境才能發揮。

下次看到 VIX < 15，不要覺得「沒事做」，那正是好模型最有价值的時刻。

本文基於實驗 K912（腳本：experiments/k912_mfgjr_regime_decomp.py，結果：experiments/k912_mfgjr_regime_decomp_results.json）。 數據來源：yfinance 實證數據，期間：2019–2026，資產：SPY（標普 500 ETF），樣本：約 1,800 個交易日。