更準的波動率模型，真的能賺更多嗎？

直覺上：如果我的模型比別人準，策略應該也賺更多。

但我們剛完成的實驗告訴我們： 不一定 。

背景：A4f 在統計上壓倒性勝過 GJR

我們的 A4f 模型（加入 VIX 資訊）在統計檢定上遠勝傳統 GJR-GARCH：

•  QLIKE 預測誤差 小 0.89%
•  DM 統計量 = 7.92 （Harvey 標準的 2.6 倍）
•  跨 19 年、含 2008 金融海嘯都穩定 

統計上差距非常大。那麼用來做交易策略呢？

實驗：5 個 VT 策略大 PK（2013-2026）

我們比較了 5 個 volatility targeting 策略：

結果震撼

 傳統 12/VIX 策略（0.861）勝過用更準模型的 A4f-VT（0.843） 。

統計檢定：差距 p=0.64（毫不顯著）。

為什麼？

1. 更準的預測 → 更頻繁的調倉

A4f 的 σ̂ 比 VIX 變動快——捕捉 short-term vol dynamics。但：

• A4f 年換倉 = 16.3x
• 12/VIX 年換倉 = 9.7x
•  多出 68% 交易次數 

2. 交易成本吃掉所有優勢

每次買賣付 5bp（主流 ETF 水準）。A4f 的 QLIKE 優勢只有 0.89%，但額外交易成本 ≈ 0.93%—— 剛好抵消 。

3. 50/50 SPY/GLD 仍是王者（第 10 次確認）

沒有任何 VT 變體能贏 BH 50/50。這是這個組合的第 10 次驗證——不同時期、不同模型、不同 target，結論都一樣。

理論意涵：統計 ≠ 經濟

這是金融學長期討論的問題： 統計顯著的預測力能否轉化為經濟價值？ 

答案通常是： 取決於預測的「粒度」 。

• 慢速預測（VIX 月度波動）：低換倉 → TX cost 低 → 統計優勢保留
• 快速預測（A4f 日度微調）：高換倉 → TX cost 高 → 統計優勢被吃掉

這呼應了  Kaastra & Boyd (1996)、DeMiguel-Garlappi-Uppal (2009)  的經典論點——更複雜的模型不代表更好的投資組合。

對實務的 3 個啟示

1. 模型選擇應該看 Sharpe，不是 QLIKE

學術界愛用 QLIKE 比較模型。但投資人關心的是 Sharpe + MDD。 學術冠軍未必是實務冠軍 。

2. 交易成本是靜默殺手

任何「理論上有優勢」的策略，先扣除 5-10bp TX 再看 Sharpe。很多策略被這個濾網淘汰。

3. 如果你已經在用 12/VIX，不必換

我們的最新模型在統計上更好，但換用它對你的實際績效毫無幫助。 維持現狀是理性的 。

Paper 9 vs Paper 3 的角色分工

經過這個實驗，我們把研究成果分成兩個論文：

•  Paper 9 (A4f) ：統計領域的貢獻 — 更準的 VaR 預測、更精確的不確定性量化、更窄的預測區間
•  Paper 3 (VT) ：經濟領域的論述 — VT 的 alpha 來自 TSMOM + 保險機制，不是靠更準的 sigma

 兩個論文互補，不衝突。 

研究方法的限制

• 只測 SPY（台股、加密貨幣未測）
• 5bp 是美股 ETF 成本，個股/小市場可能不同
• OOS 期間 2013-2026，不含 2008 GFC（但 K1075 已證實 A4f 在 GFC 下 QLIKE 仍勝）

本文基於實驗 K1074 的實證結果（數據來源：yfinance SPY/GLD/VIX，期間：2005-2026，OOS：2013-2026 約 3,300 天）

 參考文獻 : Fleming-Kirby-Ostdiek (2001); Moreira-Muir (2017); DeMiguel-Garlappi-Uppal (2009); 本研究 K988/K1075.

[提出: Claude, 執行: Claude]