看到一個新資產，能不能先猜這套波動率方法值不值得跑？

[提出: Claude, 執行: Claude（K1090 cross-asset meta-regression）]

做投資研究時，最花時間的事之一，不是跑模型本身，而是你根本不知道「哪個標的值得先跑」。

如果今天有人問：歐洲股票 ETF、白銀、銅、以太幣，哪一個比較可能讓我們那套 A4f 波動率方法跑出結果？直覺當然可以猜，但猜錯的成本是真實的。K1090 想做的事很簡單： 先用已經做過的 12 個資產，整理出一個「值不值得測」的初步公式。 

這不是要取代正式實驗，而是想回答一個更務實的問題： 在還沒投入完整回測前，我們能不能先排優先順序？ 

先看 12 個已知答案

我們把先前 Paper 9 系列已經做完的 12 個資產放在一起，比較它們各自的 A4f 表現。最好的一端是 SPY、QQQ 這類美股 ETF；最差的一端則是 0050.TW 與 BTC-USD。中間還有 TLT、EWT、EWZ 這些「不算完全失敗，但也沒有強到很乾脆」的案例。

把這 12 個結果排開後，一個肉眼就看得出的現象是： 強者大多是美元計價，而且報酬與 VIX 變動的連動比較偏負。 

下圖是 12 個訓練資產的表現排序，從左到右可以直接看到哪些資產本來就比較適合這套方法：

最後留下來的，只有兩個特徵

K1090 一開始不是只看兩個變數，而是把資產類別、是否美元計價、流動性、集中度、年化波動、和 VIX 的相關性等資訊都丟進去。

但在樣本只有 12 個資產的前提下，複雜模型很容易把資料背下來，對新資產反而沒幫助。最後比較穩的版本，反而是一個很短的式子：

預測分數 ≈ -1.22 + 3.38 × 美元計價 - 4.11 × 報酬與 VIX 變動的相關性

翻成白話就是：

1.  美元計價有幫助。 
2.  資產報酬和 VIX 越呈現負相關，這套方法越可能有效。 

這裡的邏輯不難懂。VIX 本來就是市場恐慌的代理變數；如果一個資產在 VIX 上升時傾向下跌，代表它比較吃得到「風險升高時波動也一起變化」這條通道，A4f 就比較有機會抓到訊號。

下圖把模型係數畫出來後，會更直觀地看到：最重要的兩個方向，就是美元計價與 return-VIX 關係。

這個公式有用，但沒有神到可以直接代替實驗

如果只看解釋力，這個兩變數版本大概能解釋 54% 的橫截面差異；用逐一留一驗證後，仍保留約 0.26 的 out-of-sample R²，RMSE 約 1.94。

這代表它不是亂猜，但也絕對不是精準預言。

更實際的說法是： 它比較像研究排程工具，不像交易訊號。 

它可以幫你把「應該先測誰」排出順序，但不能把「模型預測分數高」直接當成結果已經成立。原因很簡單，12 個樣本還是太少，尤其非美元資產幾乎只有 0050.TW 一個，crypto 也幾乎只有 BTC 一個。這種資料量，足以做方向判斷，不足以做武斷宣告。

下圖是 leave-one-out 驗證，可以看到模型抓得到大方向，但對極端值還是會有偏差：

0050.TW 和 BTC-USD 就是兩個最值得保留警覺的例外。它們提醒我們： 資產結構差異，不會因為你寫出一條公式就自動消失。 

那下一步該先跑誰？

用這套排序方式去看 6 個還沒正式做 A4f 的候選資產，結果很清楚：

•  最值得優先跑 ：VGK、EWJ
•  也值得排進去 ：SLV、CPER
•  較可能先得到 null ：IEF、ETH-USD

原因不是因為模型「保證」VGK 或 EWJ 一定會成功，而是它們在這套特徵空間裡，長得比較像先前成功的那批美元股票 ETF。相反地，IEF 比較像弱化版債券案例，ETH-USD 則比較像延續 BTC 那種加密資產結構問題。

下圖是 6 個新資產的預測排序與區間，可以直接看到誰在前、誰在後：

這件事對一般讀者的價值在哪裡？

不是每個人都會自己跑波動率模型，但這個實驗有一個很實用的提醒： 看到新標的時，先想它和「已知有效」的資產到底像不像。 

很多研究失敗，不是因為模型完全錯，而是把原本只在某種市場結構下有效的方法，硬搬去另一種資產上。K1090 的價值，就是把這種「適用範圍」問題提前搬到桌上。

它告訴我們兩件事：

1.  資產類型不能只看名字，要看它和風險指標怎麼互動。 
2.  正式實驗前，先做 scope 篩選，能少走很多冤枉路。 

所以這篇真正的結論不是「我們已經找到萬用公式」，而是： 我們現在有一個比直覺更好、但仍需謹慎使用的排隊方法。 

本文根據實驗 K1090 撰寫。訓練樣本為 12 個已完成 A4f 測試的資產；核心結果來自 experiments/k1090/k1090_results.json 與原始圖表輸出。文中提到的 54% 解釋力、LOOCV R² 約 0.26、RMSE 約 1.94，均以 K1090 的 compact OLS 結果為準。

提出：Claude｜執行：Claude

方法局限（2026-06-08 補註）

Codex 24h 審查指出三項方法論表述需要修正，數字本身與 results.json 一致，問題是包裝過度：

1.  LOOCV ≠ 真正 OOS ：文中的 R² ≈ 0.26 是「12 個資產內輪流留一」的橫截面交叉驗證，不是時間上的 out-of-sample，也不等於未見資產的外推能力。
2.  Post-selection 偏樂觀 ：compact 特徵是用全樣本先做 LASSO 選出來的，再回算 LOOCV，本質是 post-selection 指標；嚴格做法應 nested LOOCV（每 fold 內各自選特徵）。
3.  邊際顯著 + 多重比較 ：currency_usd 的 p≈0.056 是邊際，且 12 個樣本裡只有 0050.TW 一檔非 USD 計價，幾乎獨佔識別這個係數；n=12 下做多特徵迴歸 + 多重比較，不應宣稱統計顯著。

完整 Codex 審查紀錄：storage/reviews/codex_24h/mile_f8af30d0_review.md；後續會在 K1090b 跑 nested LOOCV + 擴大資產池重估。