SPY 與黃金的下尾相依：50/50 分散化會崩嗎？

一個讀者一直問的問題

「黃金是避險資產」是投資世界裡反覆出現的口號。但每當市場出現大幅回檔，總有一群讀者來信問同樣的問題： 當股票真的崩盤時，黃金會不會跟著崩？  換句話說，平常觀察到的 SPY 與 GLD 之間「相關係數接近零」，是否在極端事件下會突然變成正相關，把 50/50 分散化的好處在最關鍵的時刻一筆勾銷？

這個問題在統計上有個專有名詞，叫「下尾相依」（lower tail dependence）。它衡量的是：當其中一個資產跌到極端尾部時，另一個資產同時也在極端尾部的條件機率。如果下尾相依顯著高於上尾相依，那 50/50 配置的「分散化」就是一場美麗的誤會 — 平常看起來低相關，崩盤時其實會一起跌。

K867 這個實驗的目的就是回答這個問題： SPY-GLD 的尾部相依是否不對稱？  如果不對稱（下尾相依 > 上尾相依），50/50 假設要修正；如果對稱（兩端差不多），那 K2/K64/K252/K557/K712/K846 一脈相承的 50/50 三重護城河就站得住腳。

為什麼相關係數不夠用

傳統相關係數（Pearson correlation）有個致命缺陷 — 它是樣本平均，把「平常」與「極端」混在一起算。SPY-GLD 全樣本相關係數是 +0.058，看起來幾乎獨立。但這個數字告訴我們的，只是「在所有交易日的平均行為」。它沒辦法告訴我們：當 SPY 跌進最差 5% 時，GLD 在同一天跌進最差 5% 的機率到底有多高。

文獻上有兩個經典工具用來檢驗這件事：

第一個是  exceedance correlation （Ang & Chen 2002）— 在條件樣本內計算相關係數，例如「兩者都在下方 10% 分位以下時的相關係數」。第二個是  copula-based tail dependence （Patton 2006、Longin & Solnik 2001）— 用條件機率定義 lambda_L 與 lambda_U：

• lambda_L = P(GLD 在 q 分位以下 | SPY 在 q 分位以下)
• lambda_U = P(GLD 在 1-q 分位以上 | SPY 在 1-q 分位以上)

如果 lambda_L = lambda_U，相依結構是對稱的；如果 lambda_L >> lambda_U，市場崩盤時黃金更可能跟著跌（壞消息）；如果 lambda_L << lambda_U，市場大漲時兩者較同步、崩盤時反而解耦（好消息）。

資料來源

•  實驗代號 ：K867（Tail Dependence — Is the SPY-GLD Diversification Asymmetric?）
•  資料來源 ：yfinance 日頻收盤價，期間 2004-11 至 2026-04
•  樣本 ：SPY-GLD 共 5,375 個交易日；同時納入 SPY-TLT（5,388 obs）與 SPY-BTC（2,902 obs）做對照組
•  方法 ：rank-based pseudo-observations 計算 empirical tail dependence、Ang-Chen exceedance correlation、Clayton/Gumbel/Frank copula MLE 估計、5,000 次 bootstrap 計算 CI 與不對稱性檢定
•  Lookahead audit ：尾部相依是 unconditional descriptive 統計量，使用全樣本 quantile，無 lookahead 風險。本文未涉及交易策略；若延伸到動態避險，必須以 t-1 的訊號決定 t 的部位

主結果：對稱，沒有藏起來的下尾風險

先直接看 SPY-GLD 在三個 quantile 切點的尾部相依：

三個切點的不對稱性絕對值都很小（< 0.025），bootstrap 顯著性檢定全部不顯著。也就是說： SPY-GLD 在尾部沒有顯著的不對稱結構 。下尾相依與上尾相依在統計上區分不出差異。

更值得注意的是，在 q = 5% 與 q = 1% 兩個更極端的切點上，lambda_L 甚至略低於 lambda_U（雖然不顯著）。這跟「崩盤更同步、上漲更解耦」的悲觀直覺 完全相反 。Copula 估計也指向同一結論：MLE 配適結果，最佳 copula 是  Gumbel （log-likelihood = 36.32，AIC = −70.63），優於 Clayton（loglik = 24.88，AIC = −47.75）與 Frank（loglik = 10.65）。Gumbel copula 描述的是上尾相依，意思是 SPY-GLD 真正有結構性共動的地方是「一起漲」而非「一起跌」。

對照：BTC 才是真的下尾陷阱

光看 SPY-GLD 的數字可能還不夠有感。把同期間的 SPY-TLT 與 SPY-BTC 放進來對比，差異就立刻顯現：

SPY-BTC 的 q=5% lambda_L = 0.214，是 SPY-GLD 的 1.7 倍；不對稱性 +0.090（bootstrap t = 1.83，p = 0.067，未達 5% 顯著門檻，亦未達實驗預設 Harvey |t|>3 之嚴門檻）。最佳 copula 是 Clayton — Clayton copula 的特徵就是強烈的下尾相依、極弱的上尾相依。換句話說， BTC 在崩盤日比較容易跟 SPY 一起跌 ，但在大漲日不見得跟著漲。這跟很多人對「BTC 是數位黃金」的期待 完全相反 。

SPY-TLT 則是另一個故事：全樣本相關 −0.302（負相關），lambda_L 與 lambda_U 都很低（0.056 / 0.052），最佳 copula 是 Frank（對稱、無尾相依）。在傳統 60/40 配置裡 TLT 的角色就是這樣，但 2022 年升息週期之後 TLT 與 SPY 同向波動的問題已被多次討論，這個對稱結構在最近幾年其實鬆動了。

把三組放在一起看， 只有 BTC 表現出實質的下尾陷阱 ；GLD 與 TLT 都沒有。

崩盤日的條件相關：黃金在恐慌中反而解耦

尾部相依量的是「條件下兩者都在尾部」，但讀者更常問的是「股票真的崩的那幾天，黃金的表現如何？」 K867 額外切了一個更直觀的條件樣本：當 SPY 跌進最差 10 分位時（D1），GLD 的平均報酬。

D1 的 GLD 平均報酬是 −0.06%（統計強度 −0.83，未達顯著），意思是「股票崩盤日黃金平均也是微跌，但跌幅統計上與零無異」。這跟「黃金會崩 + 失去避險功能」完全是兩件事。事實上，從 bear-day（SPY 報酬為負的所有交易日）的條件相關來看，SPY-GLD 是 −0.012， 比全樣本 +0.058 更低 。換句話說，黃金在恐慌日反而 輕微解耦 ，而不是同步崩跌。

危機 episode 切片：機率性而非保證性的對沖

把樣本切成主要危機事件（2008 GFC、2015 中國股災、2018 Q4、2020 COVID、2022 升息熊市等共 11 段；其中 2018-02 閃跌段樣本過短，SPY-GLD 條件相關無法估計，剩 10 段可估），SPY-GLD 在可估事件裡的條件相關分佈如下：

• 2008-01 ~ 2012-02（GFC）：相關 +0.029，GLD 累積報酬 +93.6%
• 2015-08 閃崩：相關 +0.026，GLD 累積 −1.3%
• 2016-01 美股回檔：相關 −0.526，GLD 累積 +15.3%
• 2018-12 Q4 震盪：相關 −0.313，GLD 累積 +6.6%
• 2020-02 COVID：相關 +0.172，GLD 累積 +3.7%
• 2022-04 ~ 2023-06 熊市：相關 +0.242，GLD 累積 −1.1%

10 段可估的危機裡有 4 段呈現 負的 SPY-GLD 相關 （黃金在股票下跌期間實際上漲），其餘 6 段相關係數在 −0.2 到 +0.3 之間，沒有任何一段出現「黃金跟股票一起斷頭式下跌」的尾部協崩。這個分佈印證一個重要的觀念： 黃金是機率性的對沖、不是保證性的對沖 。它不是每次都救你，但它從來沒讓 50/50 配置整組崩潰過。

為什麼這個結果重要：50/50 三重護城河成立

從 K2 / K64 / K252 / K557 / K712 / K846 一路累積下來，本平台對 50/50 SPY-GLD 配置的核心論證是「 三重護城河 」：

1.  near-zero correlation moat ：全樣本相關 +0.058 接近零，分散化效果直接寫在共變異矩陣裡
2.  crisis alpha moat （K846）：在系統性壓力下黃金 reactivity 提供 alpha，bear-day 條件相關 −0.012 印證這點（ 註 ：bear-day decile 與崩盤日條件相關係全樣本 in-sample descriptive 切分，並非 out-of-sample 可交易訊號；交易使用須另以 lagged 訊號回測）
3.  tail symmetry moat （K867 本實驗）：即使在尾部結構上，下尾相依與上尾相依沒有顯著差異，沒有藏起來的不對稱風險

K867 的價值在於 驗證第三道護城河成立 。許多 50/50 類型策略在歷史回測裡看似分散，但用 copula 一檢驗就會發現 lambda_L 異常高，崩盤時整組部位一起跳水。SPY-GLD 沒有這個問題 — bootstrap 5,000 次的不對稱性檢定全部不顯著（達顯著水準 0.42 ~ 0.73），最佳 copula 還是上尾型的 Gumbel。從機率結構面，這個配置經得起極端檢驗。

留給讀者的注意事項

幾個重要的 caveat 讀者必須記住：

第一， 「沒有顯著不對稱」不等於「下尾相依等於零」 。lambda_L = 0.127 在 q=5% 切點下意味著「SPY 在最差 5% 時 GLD 在最差 5% 的條件機率約 13%」，不是零。50/50 不是無風險組合，只是沒有藏起來的尾部地雷。

第二， copula 結構假設不變 。K867 用整段 2004-2026 樣本估計，內含多種貨幣政策週期（QE、taper、升息、降息）。如果未來進入結構性轉折期（例如黃金被廣泛數位化、或央行儲備配置重大改變），相依結構可能改變。本平台會在 K1100 系列追蹤動態相關監控。

第三， 這是 unconditional descriptive 統計 。如果讀者要把這套結果延伸到動態策略（例如 vol-targeting 或條件再平衡），所有訊號必須以 t-1 的資訊計算，t 才執行 — 不可用當天的尾部分位資訊去決定當天的部位。這條風控規則在本平台所有交易策略 backtest 中皆以 signal.shift(1) 實作。

第四， BTC 的故事是反例 。如果讀者把 BTC 當成「對抗法幣的數位黃金」拿來取代 GLD 做分散化配置，K867 的結果直接打臉這個敘事 — SPY-BTC 的下尾相依是 SPY-GLD 的 1.7 倍，最佳 copula 是 Clayton 而不是 Gumbel。BTC 是高 beta 風險資產，不是黃金替代品。

結論

SPY-GLD 50/50 分散化在尾部結構上是 對稱的 。bootstrap 5,000 次的不對稱性檢定，無論在 q=1%、q=5% 或 q=10% 的切點上都未達顯著水準（顯著性 ≥ 0.42）。最佳 copula 是 Gumbel（上尾型）而非 Clayton（下尾型），意味著 SPY 與 GLD 真正同步的時候是「一起漲」而不是「一起跌」。再加上崩盤日 GLD 平均報酬為 −0.06%（統計上與零無異），bear-day 條件相關 −0.012（比全樣本還低），50/50 配置在三重護城河下站得住腳。

讀者真正要警惕的下尾陷阱不在 GLD，而在 BTC — q=5% 切點 lambda_L = 0.214、最佳 copula 是 Clayton，下尾不對稱檢定 p = 0.067（未達 5% 顯著，但 lambda_L 絕對量級已是 SPY-GLD 1.7 倍，方向證據明確）。這跟「數位黃金」的市場敘事完全相反。

圖表