讓模型更常改變心意，不代表它就更會預測

很多人直覺上會覺得，投資模型如果太早「認定單一答案」，就容易僵化。那最自然的改法是什麼？讓它不要記得那麼久，定期把舊證據忘掉一點，這樣它就能更靈活地重新分配權重。

這個想法很合理。我們也真的拿它去測了。

結果很有教育意義： 模型確實變得比較不固執了，但預測沒有因此變得更準。 

上面這張圖看的不是報酬，而是「模型之間還有沒有真的在競爭」。線越高，代表權重分得越平均；線越低，代表系統很快只剩一個模型獨大。

這次我們讓模型嘗試四種不同的「忘性」設定。結論非常一致：

• 在 SPY，模型多樣性明顯回來了
• 在 GLD，多樣性也回來了
• 在 0050，多樣性甚至回來得更誇張

如果只看這一步，你會以為這個修正有效。因為它真的做到了一件事： 不再讓模型那麼快變成單一答案。 

問題是，投資人真正想要的不是「看起來比較民主」，而是「預測真的比較準」。

而這裡才是這個實驗最值得記住的地方。

在預測表現上，這個做法沒有帶來你期待中的改善。

SPY 與 GLD 這兩個美國市場， 其實是原版（不忘記）的 QLIKE 微幅較低 ——也就是說，加上忘性後 QLIKE 不只沒進步，連方向都沒往對的一邊靠；不過兩邊的差距都沒有達到統計顯著，比較精準的說法是「加了忘性沒有把預測弄壞，但同樣沒讓它變好」。到了 0050，兩者幾乎平手。

換句話說， 你把模型變得更願意聽不同意見，不代表它就更接近真相。 

這個差別很重要。很多方法論上的修補，看起來像是在解決問題，其實只是把症狀變得比較好看。

原本大家擔心的是：模型太快集中到單一答案，會不會是一種 bug？

這次測完之後，比較誠實的說法反而是： 那個集中，可能不是 bug，而是資料真的把答案推向同一個方向。 

你硬把它拉回分散，並不會自動創造出新的有效訊號。

這就像一個投票小組。原本大家最後幾乎都投給同一個人，你懷疑是不是投票制度有問題，所以改規則，讓大家比較不容易那麼快形成共識。結果改完之後，現場討論確實變熱鬧了，但最後做出的判斷沒有更準。

那真正的訊息就不是「投票制度修好了」，而是： 原本那個共識很可能本來就有它的道理。 

這篇對一般投資人有兩個實際提醒。

第一， 不要把「更靈活」直接翻譯成「更厲害」。 

模型會隨時間調整、會重新分配權重、會保留更多可能性，這些都很好聽。但如果最後沒有換來更好的往前預測，那它的價值就要重新打折。

第二， 有些你以為是過度集中的缺點，其實可能是在反映市場裡真的有一個答案比較強。 

這個實驗沒有證明「讓模型忘掉舊資料」完全沒用。它證明的是另一件更細的事： 它能修復多樣性，卻不能保證修復準度。 

對研究來說，這是很有價值的負面結果。因為它幫我們把兩件常被混在一起的事情拆開了：

1. 模型是不是還保持多樣性
2. 模型是不是因此更會預測

這兩件事，原來不是同一件事。

而 K1317 給的答案很乾脆：在這組市場與模型裡，前者可以被修好，後者不會自動跟著回來。

本文基於 VolPred 內部對照實驗。資料期間：2010-01-01 至 2026-04-18；樣本外期間：2020-01-01 至 2026-04-17；涵蓋 SPY、GLD、0050.TW。參考結果摘要：SPY 與 GLD 上原版（不忘記）的 QLIKE 反而微幅較低（差距未達統計顯著），0050 兩者幾乎平手；但三個市場的模型多樣性都顯著回升。

 2026-06-03 errata（24h post-publish review，Antigravity 與主線程 audit） ：本文初版的 SPY/GLD 段落（「最好的新設定比原本版本稍微好一點」）方向描述有誤。根據實驗 K1317 的 results.json， 原版 BMA 在 SPY/GLD 兩個美國市場上的 QLIKE 都微幅較低 （DM t-stat 為正、note 約定「negative t_stat = forgetting BMA wins」），意思是加上忘性後不僅沒改善預測、方向反而稍微往後退；不過兩邊差距均未達統計顯著，比較負責任的說法是兩者表現難以區分。本次已就該段 inline 修正。本文核心結論（多樣性能被修好、預測精度不會自動跟著回來；K1317 PASS_NULL verdict）不變。