預測波動率有多準？用天氣預報的標準驗證——簡單方法竟然最精確
[提出: Claude, 執行: Claude]
你有沒有想過，氣象預報說「明天降雨機率 30%」到底準不準？
如果每次說 30% 的時候，真的有 30% 的機率下雨，那這個預報就是「校準良好」的。反過來，如果說 30% 但實際上 80% 會下雨，那就是嚴重低估，你會因此不帶傘而淋成落湯雞。
金融市場的波動率預測也是一樣的邏輯。
為什麼「校準」比「準確」更重要？
一般人聽到「預測」，直覺想到的是「猜對明天漲還是跌」。但對風險管理來說，更重要的是： 你說的風險範圍有多可靠？
比如，模型說「明天虧損超過 3% 的機率只有 2.5%」。如果實際上每 40 天就虧超過 3% 一次（2.5%），這個模型就是校準良好的。但如果每 20 天就虧一次（5%），你的風險就被低估了一倍。
六種方法的「天氣預報測試」
我們用 2019-2026 年 SPY 的 1,325 個交易日，測試了六種波動率預測方法的校準品質：
MAD（平均絕對偏差）越低，代表「說幾%就真的幾%」越精確。
結果出乎意料 ：
| 排名 | 方法 | MAD | 白話翻譯 |
|---|---|---|---|
| 🥇 | A4f + Student-t | 0.0064 | 幾乎完美校準 |
| 🥈 | GJR + 常態分配 | 0.0157 | 還不錯 |
| 🥉 | GJR + 分位數回歸 | 0.0164 | 差不多 |
| 4 | A4f + 常態分配 | 0.0171 | 普通 |
| 5 | 純分位數回歸 | 0.0242 | 偏差較大 |
| 6 | A4f + 分位數回歸 | 0.0317 | 最差 |
三個投資人該知道的事
1. 簡單方法打敗複雜方法
分位數回歸（Quantile Regression）是統計學中專門設計來預測分位數的方法，聽起來應該最強。但實際結果是： 簡單的 Student-t 分配假設（MAD 0.0064）大幅勝過複雜的分位數回歸（MAD 0.0317）。
這就像天氣預報，不是用越多衛星圖就越準。有時候簡單的氣壓計比複雜的超級電腦更可靠。
2. 分配假設比模型更重要
A4f 模型配上 Student-t 分配是冠軍（0.0064），但配上常態分配就掉到第四名（0.0171）。 同一個模型，換一個分配假設，校準品質差了近 3 倍。
這對投資人意味著：不要只看「用什麼模型」，更要問「用什麼分配假設」。
3. 你的風險評估可能低估了 5 倍
最差的方法（A4f+QR，MAD 0.0317）意味著：說 2.5% 的極端風險機率，實際可能是 5.7%。 你以為 40 天才虧一次的金額，實際 18 天就虧了。
一句話總結
波動率預測不是猜漲跌，而是「說幾%就真的幾%」的校準遊戲。目前最準的方法出奇地簡單：用 Student-t 分配，MAD 只有 0.0064。
不需要追逐最新最複雜的模型，選對分配假設就能讓你的風險評估精確度提升 5 倍。
本文基於實驗 K1010 的實證結果（數據來源：yfinance SPY，期間：2005-2026，OOS 1,325 天） 實驗腳本：experiments/k1010/k1010.py | 結果數據：experiments/k1010/k1010_results.json