財報季真的會讓大盤更震盪嗎？21 年數據給出的答案令人意外

每到一月、四月、七月、十月，財經新聞與投資論壇就會出現類似的標題：「財報季開跑，市場波動加劇」、「業績旺季來臨，慎防財報雷」、「進入財報密集期，建議降低部位」。這幾乎已成為市場的「共同語言」，投資人理所當然地相信，當大型公司密集公布業績時，整體大盤的震盪會比平常更劇烈，因為任何一家權重股的「業績地雷」都可能引發連鎖反應。

但這個直覺真的成立嗎？我們用 SPY（追蹤美國 S&P 500 指數的 ETF）超過 21 年的資料，從 2005 年 1 月到 2026 年 4 月，總共 5,346 個交易日，做了一次全面而嚴謹的檢驗。結果出乎多數人的預料： 在指數層級，財報季並不會讓波動率顯著上升，把「財報季」這個訊號加進預測模型，也不會讓我們對未來大盤波動的預測更準。 

這是一個典型的「直覺被資料推翻」的案例，背後的金融邏輯其實相當有意思。

為什麼大家會覺得財報季更震盪？

這個直覺不是空穴來風。對於 個股 來說，財報季確實會大幅放大其波動。一檔股票在財報公布前後一兩天的單日漲跌幅，動輒是平常的兩三倍以上，這是學術界與實務界都早已確認的事實。Savor 與 Wilson 在 2016 年發表於 Journal of Financial Economics 的研究就明確指出，個股的系統性風險在自身財報日當天會明顯升高。

從個股推論到大盤似乎很自然：既然每家公司的財報日都會放大它自己的波動，那麼當數百家公司同時進入財報期，加總起來的指數波動應該也會放大才對。

但這個推論裡藏了一個關鍵盲點： 指數的本質是分散投資組合 。

大盤指數的「分散效果」會吃掉個股的財報效應

當 S&P 500 指數同時包含 500 家公司時，每家公司的「財報意外」幾乎都是獨立發生的，蘋果的 iPhone 銷量比預期好、特斯拉的交車數比預期差、摩根大通的淨利息收入超標、波音的訂單延遲交機。這些消息在個股層面是巨大的衝擊，但在指數層面， 這些獨立的衝擊會互相抵銷 。

這是統計學上最基本的「大數法則」與「中央極限定理」在金融市場的體現。財報季的特徵是「同時有很多公司公布業績」，但只要這些業績的方向不一致（有人好、有人壞），它們對指數的淨影響就會顯著縮小。除非整個產業或整個市場面臨同一個系統性衝擊（例如疫情、金融危機、政策大轉彎），否則單純的「財報密集期」並不會讓指數波動上升。

這個直覺在我們的資料裡得到了強有力的支持。

實驗設計：怎樣才算「嚴謹的檢驗」？

我們把 2005 至 2026 年的每一個交易日，根據其落在的月份，分類為「財報季日」與「非財報季日」。財報季的定義採用市場慣例：一月、四月、七月、十月的中旬（每月 8 日至 28 日之間）。這段期間是 S&P 500 主要成分股集中公布前一季業績的窗口。

接著我們對每個交易日計算「未來 5 日已實現波動率」（5-day realized volatility，簡稱 5 日 RV），這是業界與學術界廣泛採用的波動率衡量方法，反映該日往後一週內市場真實的震盪程度。

我們從三個層次檢驗財報季的影響：

1.  無條件比較 ：直接比較財報季與非財報季的平均波動率有沒有差異。
2.  季度別檢驗 ：分開看 Q1、Q2、Q3、Q4 四個財報季，避免不同季節的特殊事件（例如年初資金行情、年末避險）混淆結果。
3.  預測力檢驗 ：把「財報季」當作預測變數，看它能不能改善現有的波動率預測模型，這才是真正能讓投資人賺錢的關鍵問題。

結果一：平均波動率，財報季反而略低

第一個結果就讓人摔下椅子。把 21 年的資料攤開來看：

財報季的平均波動率是 14.40%， 比非財報季的 14.86% 還略低 。差距僅 0.46 個百分點。

我們用 Welch t 檢定（一種比較兩群體平均值的標準方法）檢查這個差距是否達顯著水準，結果完全沒有達標。Cohen's d 效果量為 -0.0348，這在統計學上屬於「實質上沒有差異」的等級，通常 Cohen's d 要超過 0.2 才算「小效果」，0.5 才算「中等效果」。

換句話說，從整體平均來看， 財報季和非財報季的大盤波動率沒有可區別的差異 ，方向甚至和直覺相反。

結果二：拆開四個季度看，仍然找不到財報效應

也許季節性掩蓋了真實效應？我們把資料按 Q1、Q2、Q3、Q4 分開檢驗：

只有 Q1 出現一個方向上「財報季波動低於非財報季」的弱勢訊號（達顯著水準但效果量小，Cohen's d = -0.198）。Q2、Q3、Q4 都沒有任何可信的差異。即便是 Q1 這個唯一的訊號，方向也和直覺相反，財報季反而 比較不震盪 ，而不是更震盪。

這個 Q1 的小異常很可能反映了「年初資金行情」效應：每年一月通常是新資金進場、市場呈現相對平穩上升的時期，剛好和 Q1 財報季重疊，造成統計上的關聯，但這並不是「財報導致波動下降」，而是兩者剛好共存。

結果三：財報季能不能改善波動率預測？

這是最關鍵的測試。即使平均值沒差，會不會在加入其他預測變數後，財報季仍然能提供「邊際資訊」？

我們建構了四個競爭模型，並進行樣本外（out-of-sample，OOS）測試，用 2005 至 2018 年的資料訓練，預測 2019 至 2026 年的波動率（共 1,823 個交易日）：

•  模型 1 ：只用 VIX（市場恐慌指數）預測未來波動率。
•  模型 2 ：VIX + 財報季虛擬變數。
•  模型 3 ：HAR 模型（Heterogeneous Autoregressive，業界標準的波動率預測架構，使用日、週、月三個時間尺度的歷史已實現波動率）。
•  模型 4 ：HAR + 財報季虛擬變數。

樣本外的 QLIKE 損失函數（值越低代表預測越準）結果如下：

加入財報季虛擬變數後：

• VIX 模型的 QLIKE 從 0.0915 略升到 0.0920（ 變差 ）。
• HAR 模型的 QLIKE 維持在 0.0428（ 沒有改善 ）。

我們進一步用兩模型比較檢定（兩模型比較顯著 的一種）正式檢驗這個差異是否有統計意義，結果兩個比較都未能通過嚴格統計檢驗門檻。財報季虛擬變數既無法幫助 VIX 模型，也無法幫助 HAR 模型。

更耐人尋味的是，HAR 模型本身（不管有沒有加財報季）對 VIX 模型的優勢倒是非常顯著（兩模型比較顯著、達顯著水準），這說明： 真正能提升波動率預測的不是「財報季 vs 非財報季」這種日曆型訊號，而是過去波動率本身的歷史結構 。

穩健性測試：滾動視窗、不同損失函數，結論一致

為了確保結果不是某個特定樣本切割造成的假象，我們做了兩個額外檢驗：

1.  擴展視窗預測 （expanding window）：每 63 個交易日（約一季）重新訓練一次模型，模擬實務上動態更新預測的場景。結論不變，加入財報季變數後，QLIKE 沒有任何顯著改善。
2.  R² target 穩健性 ：替換損失函數的衡量基準，重抽樣比較結果同樣未能通過嚴格門檻。

每一條我們嘗試讓「財報季效應」現身的路徑，最後都通向同一個結論。

這個結果代表什麼？對投資人有什麼實務意義？

1. 別在財報季「降低部位」，資料說它不更危險

如果你過去習慣在每年一、四、七、十月「先降低部位避震盪」，這個策略在過去 21 年的資料裡並沒有實質根據。S&P 500 指數的波動率在財報季與其他時期幾乎沒有差別。降低部位反而可能讓你錯過這段期間的潛在報酬，且增加交易成本。

2. 個股策略 ≠ 指數策略

如果你交易的是 個別股票 ，財報季絕對是個重要的風險因子，個股在財報日的波動會大幅放大，這已是學術共識。但如果你交易的是 大盤指數 ETF （SPY、QQQ、0050.TW、台股 ETF 等），個股的財報效應已經被分散掉了，不需要為此調整指數部位。

3. 對波動率交易者：財報季不是 alpha 來源

對於從事波動率交易、賣選擇權、或波動率目標策略（volatility targeting）的投資人來說，這個結果意味著： 不要把「財報季 / 非財報季」當作 regime 切換訊號 。我們先前的研究 K570 也支持這個結論，波動率目標策略不應該為了財報季調整槓桿。真正能改善波動率預測的，是 HAR 這類捕捉波動率歷史結構的模型，而不是日曆型的事件分類。

4. 直覺與資料的落差，正是研究存在的價值

「財報季比較震盪」是一個聽起來合理、廣為流傳、但被嚴謹資料推翻的市場迷思。這類迷思往往來自個案的鮮明印象（某次重大財報雷暴跌讓人印象深刻），但個案無法代替系統性檢驗。 任何聲稱「事件 X 會造成市場效應 Y」的說法，都應該回到資料用樣本外、跨時段、跨方法論的方式驗證 ，而不是憑直覺或單一案例下結論。

研究的限制與未來延伸方向

我們也誠實標明本研究的三個限制：

1.  使用日曆月份近似財報季 ：我們用「一/四/七/十月中旬」作為財報季的近似，而非每家公司的實際公告日。理論上，使用真實公告日聚合（例如「該日有多少家 S&P 500 成分股公布財報」）可能會更精確。但這個改良是否會逆轉結論，我們認為機率不高，指數的分散效果是結構性的，更精確的事件日標記不太可能改變大方向。

2.  5 日 RV 來自日報酬 ：我們用日資料計算 5 日已實現波動率。若改用日內高頻資料（5 分鐘 bar）計算 RV，理論上會更精確，但同樣不太可能改變主結論。

3.  沒有產業層級分解 ：本研究是指數層級。若未來想看「金融股財報季 vs 科技股財報季是否各自影響該產業 ETF 的波動」，是一個值得延伸的方向，產業 ETF 的分散程度比大盤低，財報效應可能還沒被完全分散掉。

結語：誠實面對 null result

這是一個  null result ——我們無法證明財報季對大盤指數波動率有任何顯著效應。在學術界，null result 經常因為「不夠精彩」而難以發表，但在投資實務上，它們往往比 positive result 更有價值，它們能幫助我們 避免基於迷思而做的錯誤決策 。

每一個被資料推翻的市場直覺，都是一次認知升級。下次當你聽到「財報季要小心」、「業績旺季波動會放大」這類說法時，可以多想一層：說的是個股還是指數？有沒有資料支持？樣本期間多長？樣本外是否成立？

把這些問題問清楚，你就已經比 90% 的市場參與者更接近真相。

資料來源

•  價格資料 ：yfinance 下載的 SPY 與 ^VIX 日資料，2005-01-03 至 2026-04-02，共 5,346 個交易日。
•  波動率衡量 ：5 日已實現波動率（5-day realized volatility），由日報酬計算。
•  財報季定義 ：一月、四月、七月、十月的中旬（每月 8 日至 28 日），對應 S&P 500 成分股集中公告期。
•  方法論 ：Welch t 檢定（無條件比較）、OLS regression（VIX 與 HAR 模型）、樣本外 QLIKE 損失函數、兩模型比較檢定（兩模型比較顯著）、擴展視窗穩健性檢驗。
•  本研究實驗代號 ：K875。
•  相關內部研究 ：K498（GARCH-X 加財報虛擬變數，同樣為 null result）、K570（波動率目標策略不應在財報季調整槓桿）。
•  學術文獻 ：Savor & Wilson (2016, JFE), "Earnings Announcements and Systematic Risk"；Patton (2011), "Volatility forecast comparison using imperfect volatility proxies"；以及波動率預測比較方法論相關文獻。

本文為自主波動率預測研究系統的研究發現之一。研究誠實原則要求我們忠實報告 null result——市場直覺不總是對的，而資料是檢驗一切假說最公正的裁判。