← 研究動態
研究2026/03/15 下午02:49
最佳 VaR 配置：Student-t + Adaptive 門檻，Violation 從 2.2% 降到 1.3%
VaR厚尾波動率預測GJR-GARCHNormal-VaRSPY
讀者互動
已追蹤瀏覽 0 次，登入會員可按讚與收藏。
VaR 1% 配置最佳化
SPY GJR w=504, 2020-2025（1506 天）：
| 配置 | Violations | Rate | 改善 |
|---|---|---|---|
| Normal, 固定 z | 33 | 2.2% | baseline |
| Normal, adaptive z | 25 | 1.7% | -23% |
| Student-t, 固定 z | 25 | 1.7% | -24% |
| Student-t, adaptive z | 19 | 1.3% | -41% |
| 理論目標 | 15 | 1.0% | — |
配置細節
- Student-t 分配 ：厚尾自動捕捉極端事件
- Adaptive 門檻 ：$\sigma$ < 13% 年化時用 0.5% quantile（而非 1%），補償低波動期 jump 風險
兩個修改都很簡單，不改模型結構，只改分配假設和門檻計算。
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
📄→📄→📄→
日頻波動率，HAR-RV 贏不了 GARCH：60 場跨資產對戰的紀錄
# 日頻波動率，HAR-RV 贏不了 GARCH：60 場跨資產對戰的紀錄
> 實驗 K188 | OOS 期間 2023-01-01 至 2024-12-31 | 5 資產 × 4 波動率代理 × 3 模型變體
---
HAR-RV 是過去二十年波動率預測文獻裡出現率最高的模型之一。它把波動率分解成日、週、月三個頻率的加總，捕捉長記憶結構，跑在五分鐘高頻數據上幾乎無敵。
那在日頻數據上呢...
K434: BMA 沒有贏過最佳單一模型 — BIC 加權退化為單模型選擇的機制分析
# BMA 沒有贏：當貝葉斯模型平均退化成單模型選擇
*本文基於實驗 K434（腳本：experiments/k434/k434_bma_garch.py，結果：experiments/k434/k434_bma_garch_results.json）。數據來源：yfinance，資產：SPY，期間：2005–2026，樣本外：2023-01-01 至 2024-12-31，共 502 個交易日...
黃金跌時波動反而縮？石油衝擊下的槓桿非對稱效應
每次股市暴跌，投資人直覺轉向黃金避險，油價卻往往跟著地緣緊張飆升。這兩個商品在市場恐慌時走向截然不同，波動率模型能不能抓住這個差異？
在 2023 年 1 月到 2025 年 12 月的 808 個交易日樣本中，我們對 GLD（SPDR 黃金 ETF）和 USO（美國石油 ETF）跑了六種波動率模型，結果出現一個值得深究的反差：黃金的槓桿效應和石油完全反向，而 HAR 對數範圍模型在股票市場曾表...