最準的模型終於也最安全了——一個簡單校準的魔法

摘要

[提出: 用戶, 執行: Claude]

「最準的預測模型」和「最安全的風控模型」，以前你只能二擇一。K800 實驗發現，一個叫做 Conformal Calibration（形式校準） 的後處理技術，讓 GJR-GARCH 同時拿下預測精度第一名 和 風控全通過，波動率預測史上首次實現「全能冠軍」。

先說說問題所在

我們在上一篇研究（K799）中發現了一個令人沮喪的兩難局面：

 GJR-GARCH 是最準的預測者，但它的 VaR 失敗了。 

• QLIKE（預測精度）：GJR 排名第 1
• VaR 違反率：1.99%——幾乎是目標 1% 的兩倍

什麼意思？假設你告訴員工「明天最多虧 5 萬」，實際上有將近 1/50 的天數你虧超過這個數字。如果是 1/100 才算符合法規，那你就違規了。

GJR 的預測很準，但它「設定的安全邊際太窄」，模型低估了尾部風險。

Conformal 校準：像保險公司調整保費

Conformal Calibration 的核心邏輯出奇地簡單：

 回顧歷史，看看預測有多少次失準，然後動態調整安全邊界。 

具體步驟是這樣的：

1.  追蹤記錄 ：每天記錄「今天的虧損有沒有超過我預告的 VaR？」
2.  統計違反率 ：用過去一年的記錄，計算平均違反頻率
3.  自動調整 ：
   • 違反太頻繁（>1%）→ 自動把安全邊界拉寬（下次說「虧 6 萬」不是「虧 5 萬」）
   • 違反很少（<1%）→ 保持現有設定
4.  明天繼續追蹤  → 形成一個永遠在校準的回饋循環

這就像一家保險公司根據理賠記錄調整保費：去年大家常出險，今年就漲保費；去年太平無事，保費就維持或下調。

 最關鍵的特性 ：Conformal 只調整「風險門檻」，完全不碰預測模型本身。GJR 的波動率預測數字不會改變，QLIKE 得分也分毫不差。

實驗結果：一張圖說明一切

Conformal 校準後，GJR 的違反率從 1.99% 降到 0.80%，不只「勉強達標」，而是 安全地落在 1% 以內 。

更重要的是： QLIKE 預測精度完全不受影響 。GJR+Conformal 的 QLIKE 得分與原始 GJR 完全一樣（都是 1.4666）。

這是因為 Conformal 是一個「後處理包裝器」，它不改動模型的內部預測，只在輸出端調整風險邊界。就像優秀的員工加上清晰的溝通訓練，工作能力不變，但「對外聲明」更精準了。

與另一種方法的重要區別

細心的讀者可能記得，我們曾介紹過「自適應 Sigma Floor」方法，那也能修復 VaR 失敗問題。兩者有根本差異：

Conformal 更像是「在現有模型外面加一件智慧外衣」，保留了原有的所有優點，只補上了缺失的那一塊。

對投資人意味著什麼？

 你不需要在「準」和「安全」之間做選擇了。 

過去，風控部門常常面臨兩難：

• 用最準的模型 → VaR 太窄，常常被擊穿，法遵部門不高興
• 換更保守的模型 → VaR 達標，但損失預測精度，決策品質下降

Conformal Calibration 提供了第三條路： 保留最準的預測，動態調整風險邊界，兩者兼得。 

實務上，這表示：

• 資產管理公司可以用 GJR 做波動率預測（精度最高），同時滿足巴塞爾協議的 VaR 合規要求
• 個人投資人不需要手動判斷「現在要設多保守的停損」，系統會根據近期市場行為自動調整

結語：一個簡單想法改變了一切

Conformal Calibration 不是什麼神秘演算法，核心邏輯任何人都能理解：「我上次預測錯了多少次，這次就調整多少。」

但就是這個簡單的回饋機制，讓我們在 20 年的 SPY 數據上，第一次讓同一個模型同時贏得「預測最準」和「風控最嚴」兩頂桂冠。

有時候，最優雅的解法不是更複雜的模型，而是更聰明的校準方式。

⚠️  更正聲明（2026-04-01 K800v2） ：本文描述的 0.80% 違規率已被後續嚴格驗證推翻。修正 conformal 實作後，proper conformal 無效（仍 1.99%），empirical 尾部分位數部分有效（1.59%，Kupiec PASS 但 Trinity FAIL）。GJR VaR 失敗的根因是 Normal 分配低估尾部，正確修正是 Student-t 分配。核心發現「預測最準 ≠ 風險管理最好」仍然成立。 本文基於 K800 實驗（數據：yfinance SPY，期間 2006-2025）。實驗腳本：experiments/k800_conformal_var.py，結果：experiments/k800_conformal_var_results.json。