天氣預報的啟示：最簡單的風險計算方法，反而贏了

摘要

最簡單的方法，往往最管用。

我們測試了三種不同的投資風險預測方法，一種用歷史數據直接估計、兩種依賴數學假設，結果發現： 不需要任何統計分配假設的「歷史模擬法」，在實際驗證中表現最佳 。這個發現提醒我們，在金融風控這件事上，不一定要複雜才準確。

[提出: 用戶, 執行: Claude]

颱風要來了，你信哪種預報？

每年颱風季，氣象局提供的颱風預測路徑你一定看過。這個預報背後有兩種思維：

 方法 A（公式派） ：輸入現在的海水溫度、高空風向、大氣壓力，用複雜的大氣動力方程式，計算出颱風「理論上」應該走的路線。

 方法 B（歷史派） ：翻出過去 50 年的颱風資料庫，找出跟「現在這個颱風」最相似的歷史案例，看那些颱風後來都走哪裡。

哪種更準？現代氣象學告訴我們： 兩種都有用，但歷史比對法在短期預報上往往不輸公式法 ——因為真實颱風的行為太複雜，任何公式都是簡化。

投資風險預測也面臨一模一樣的問題。

「明天最大可能虧多少？」就是 VaR 在問的問題

 風險值（Value at Risk，VaR）  是金融機構每天都要計算的指標，用一句話說就是：「在 99% 的情況下，明天最多可能虧多少？」

例如，如果 VaR 說「明天最多虧 2%」，那代表只有 1% 的可能性虧超過 2%。這個數字直接影響銀行要保留多少資本、基金可以承擔多少部位。

要計算 VaR，需要先估計「未來報酬的分配」。問題就出在這裡： 你無法直接觀測未來，只能靠假設或歷史來推估 。

三種方法：從複雜到簡單

我們的研究（實驗 K824v2）測試了三種計算 VaR 的方法：

方法一：常態分配（最常見的假設）

假設股票報酬像身高、體重一樣，服從漂亮的鐘形曲線。這個假設讓計算很簡單，只要知道平均值和標準差就夠了。

問題是：股市的極端事件（崩盤、閃崩）比常態分配預測的要 頻繁得多 。鐘形曲線的尾部太薄，低估了真正的尾端風險。

方法二：Student-t 分配（較複雜的假設）

比常態分配多了一個參數，讓尾部更厚、更能容納極端事件。算是對「常態太樂觀」的修正。

但它仍然是個假設：報酬真的符合 t 分配嗎？這個問題無法被確認。

方法三：歷史模擬法（不做任何假設）

不假設任何分配形狀。直接翻過去 252 個交易日（約一年）的真實報酬記錄，把最差的那 2-3 天當作 VaR 的估計值。

就像颱風預報的「歷史比對法」，不管大氣物理，就問歷史上類似情況的結果是什麼。

數據怎麼說：簡單法勝出

我們用標普 500 指數（SPY）2023 到 2024 年的 502 個交易日來驗證這三種方法。

 驗證規則 ：如果 VaR 說「明天最多虧 X%」，結果實際虧超過 X%，就算「違規」一次。VaR 設定的是 99% 信心水準，理論上 502 天裡應該有約 5 次違規（1%）。

 巴塞爾協議的燈號 是銀行監理機關用來判斷風控模型是否合格的標準。綠燈代表模型表現良好，黃燈代表需要關注，紅燈代表不合格。

結果清楚： 不做任何假設的歷史模擬法，是唯一拿到巴塞爾綠燈的方法 。

為什麼「不假設」反而更準？

這個結果背後有個深刻的道理。

當你假設報酬服從常態分配或 t 分配，你是在說：「我相信世界符合這個數學規律。」但市場的真實行為受到人類情緒、政策突變、地緣政治等無數因素影響，沒有任何公式能完美描述它。

 每一個假設，都是一個可能出錯的地方。 

歷史模擬法跳過了所有假設，直接問：「過去的真實世界裡，最差的情況是什麼？」它的弱點是依賴歷史，而歷史不一定重演；但它的優點是完全免疫於「假設錯誤」的風險。

在金融市場這個充滿厚尾、跳躍、非線性的世界裡，這個免疫力很珍貴。

對一般投資人的啟示

當然，散戶不需要每天計算 VaR。但這個研究的核心啟示可以直接應用：

 1. 不要迷信數學模型的精確感。  一個模型輸出「明天 VaR = -2.37%」看起來很精確，但這個精確度建立在假設上。假設一旦錯誤，精確的計算也是垃圾進垃圾出。

 2. 歷史數據是最直接的老師。  想知道某個策略的最大風險，最直接的方式就是看它歷史上最差的表現，而不是去建複雜的統計模型。

 3. 簡單不等於劣等。  在金融世界裡，能持續有效的方法往往是最容易理解、最容易檢查的方法，因為它的弱點也最清楚。

研究局限

這個結果基於 SPY（標普 500 ETF）在 2023-2024 年的 502 個交易日。這是相對平穩的兩年，沒有金融危機等極端事件。在 2008 年或 2020 年這類市場動盪期間，歷史模擬法是否仍然表現最佳，需要進一步驗證。

此外，502 天的樣本相對有限，統計差異尚未達到「壓倒性顯著」的程度，三種方法的差距不算巨大，結論需謹慎解讀。

本文基於實驗 K824v2（腳本：experiments/k824v2_quantile_fixed.py，結果：experiments/k824v2_quantile_fixed_results.json）。數據來源：yfinance，SPY 2023-2024，樣本：502 個交易日。GJR-GARCH(1,1) 擴展窗口估計，每 63 天重新估計參數。