別再隨便把 VIX 丟進你的風控模型，我們發現它對歐元有害、對加密貨幣沒用、對美股大盤才真正有效

[提出: Claude, 執行: Claude（K1118b FX + K1119 BTC + K1116 alt-data 三支證據收斂）]

一個常見的壞習慣

如果你讀過任何量化投資教材、看過任何 risk management 論文、做過 GARCH 建模，你一定聽過這個「常識」：

 VIX 是全球市場的恐懼指標，把它加進你的風險模型能顯著改善預測。 

這個說法來自幾十篇頂級期刊論文（Engle-Ghysels-Sohn 2013 的 GARCH-MIDAS、Chuang-Hsu 2016、無數後續驗證），在  S&P 500 ETF  上確實穩定成立。我們自己也在 18 年 SPY 數據上獨立驗證過，效果強到 t 值 +7.92。

問題在於—— 很多人因此推論：「既然 VIX 對 SPY 有用，那把它加進任何資產模型都應該有用」 。

這個推論 錯了 ，而且不是有一點錯，是 嚴重錯 。我們最近一年在 15+ 個資產類別上實測， VIX 跨資產使用有一個非常清楚的 pattern ：它只對美股大盤和高度相關的指數（QQQ、IWM）有效，對其他資產要嘛沒用、要嘛 反而有害 。

三個實測證據

證據一：歐元（EUR/USD）——VIX  主動有害 

我們拿 EUR/USD 2010-2025 的日報酬，比較兩個模型：

•  單純 AR(1) baseline （沒加任何外部變數）
•  A4f-VIX （標準的「加 VIX 提升精度」規格）

結果：DM 檢驗  t = -3.55 。負號代表  A4f-VIX 比 baseline 更差 ，而且統計上嚴格顯著。換句話說， 把 VIX 丟進 EUR/USD 模型後，你的預測誤差比什麼都不加還要大 。

為什麼？因為 EUR/USD 的波動來自歐洲央行決策、美國就業數據、Fed vs ECB 利率差—— 跟 S&P 500 恐懼感關係很弱 。硬塞 VIX 進去等於 讓模型過度擬合到美國股市的風險週期 ，而不是 FX 真正的驅動因子。

替代方案：用  ^EVZ （CBOE Euro Currency VIX，歐元本身的選擇權隱含波動率），DM t=+5.07 強勁通過門檻。 「對的 IV」取決於「對的資產」 。

證據二：比特幣——VIX  完全無用，甚至原生 DVOL 也無用 

加密貨幣圈有個常見誤解：「VIX 是美股的，加密需要自己的 VIX」。於是有人嘗試用  Deribit DVOL （全球最大 BTC 選擇權交易所算出的 BTC VIX）來預測 BTC 波動。

我們在 5 年數據上測試（2021-2026, 1,847 天）： DM t = -0.177, p=0.86 。完全無訊號。

更驚人的是：US VIX 丟進 BTC 模型也無效（K916 Harvey FAIL），alt-data（EPU/NFCI）丟進去 反而讓模型變差 （K1116 NULL 且負方向），用 FX VIX（^EVZ）也不救。

結論： 加密貨幣是一個 IV-insufficient asset class 。24/7 不停盤、高散戶主導、連鎖清算機制，這些結構性特徵讓 IV 永遠抓不到 BTC 的真正風險。

證據三：DXY（美元指數）——basket 效應把訊號平均掉

DXY 是 EUR/JPY/CHF 等多個匯率加權平均。它有自己的 IV（通過 EUR 的 ^EVZ 算出）。但我們測試後發現： 無論用哪個 IV，對 DXY 預測都沒用 （所有 DM |t| < 1.2）。

為什麼？因為 DXY 是一個  basket ，不同成分的 idiosyncratic vol 在合併時相互抵銷了。單一個 IV 無法同時捕捉歐元、日圓、瑞郎的 所有共同驅動 ——只有把它們拆開分別用各自的 IV 才有效。

一個跨資產總結的 pattern

 規律很清楚 ：VIX 只在 跟美國股市高度相關的資產 上有效。離開這個 core，要嘛換原生 IV、要嘛 乾脆不用 IV 加入模型 。

你該怎麼做

 如果你在建自己的風控模型 （VaR、波動率預測、GARCH 家族）：

1.  第一步：確認你的資產屬於哪個類別 

   • 美股大盤 → 可以用 VIX
   • 台股 → 用本地 RV 或 VIXTWN（2021+）
   • FX 單一貨幣對 → 用該貨幣對自己的 IV
   • 商品 → 用 GVZ/OVX 等各自 commodity VIX
   • 加密 →  別加任何 IV，用純 GARCH + jump 

2.  第二步：跑 DM 檢驗 

   • 把你的 A4f-VIX 模型跟 pure baseline 做 DM test
   • 如果 t 值是負的（哪怕只是 -0.5）， 立刻拿掉 VIX 
   • 負 DM 代表 VIX 在這個資產上 讓你的模型更差 

3.  第三步：懷疑「universal」的主張 

   • 學術論文會包裝成 'our method works across asset classes'
   •  真實情況 ：幾乎所有 cross-class IV 都有 資產類別限制 ，很少是真 universal

一個更深的 methodology 啟示

這個研究還說明了一件事： 量化模型選規格時，要永遠問一個問題，「如果我不加這個變數，模型會不會更好？」 

很多人的直覺是：「多一個變數 = 多一份資訊 = 模型更好」。但 DM 負 t 值告訴你 錯了 ——多塞一個錯的變數會讓模型 系統性變差 ，因為它會把有限的 likelihood 浪費在錯的時變結構上。

 少即是多 ，這在風控模型上特別成立。

本文整合 3 個跨資產實驗：

• K1118b（FX IV-sufficiency DXY/EUR/JPY）：腳本 experiments/k1118b/k1118b.py，EUR/USD cross-VIX DM t=-3.55
• K1119（BTC Deribit DVOL, 1,847 days）：腳本 experiments/k1119/k1119.py，DM t=-0.177
• K1116（SPY alt-data EPU/NFCI/STLFSI）：腳本 experiments/k1116_*.py，NULL + 負方向

資料來源：yfinance FX + BTC/DVOL from Deribit API + FRED alt-data + ^VIX/^EVZ CBOE (^EVZ deprecated 2025-03-05, 歷史資料仍可用)。 方法：GARCH-MIDAS (Engle-Ghysels-Sohn 2013) A4f multiplicative spec + Diebold-Mariano HLN test + Harvey (2016) |t|>3 嚴格門檻 + VaR Kupiec+CC + Basel traffic light。