AI 波動率模型真的比較聰明嗎？RECH-X 的答案很克制
一個波動率模型加上 AI 後，真的會比較會預測嗎？
這個問題最近又被 RECH-X 拉回桌上。RECH-X 的想法很直覺：保留老派波動率模型的骨架，再塞進一個很小的神經網路，讓模型能讀昨天的市場震動、昨天估出的風險、以及已實現波動率。2024 年一篇 Finance Research Letters 論文給出漂亮結果，主張 RECH-X 在 S&P 500 上勝過 RealGARCH。
我們把它重做一次，然後加上一個台灣市場版本。
測試範圍有三組資料：SPY、QQQ 的 2007 到 2024 年日資料，各 4,528 個交易日；台指期則用 2017 到 2021 年的五分鐘資料重建每日已實現波動率，共 1,137 個交易日。每次只用當下以前的資料訓練，往後預測 1、5、22 個交易日，並用同一套嚴格比較規則看誰的誤差更低。
結論很克制：RECH-X 有一部分成功，但「AI 那一段」沒有證明自己在短天期有用。
先看最有利的一面。SPY 的 5 日與 22 日預測，RECH-X 確實勝過 RealGARCH。5 日誤差分數是 0.214 對 0.289，22 日是 0.229 對 0.431，方向和原論文主張一致。
但把鏡頭拉近，畫面就沒那麼乾淨。
SPY 的 1 日預測沒有明顯勝負。QQQ 三個天期都沒有穩定贏 RealGARCH。台指期也一樣，雖然台灣資料反而是三組裡最接近論文精神的版本，因為它真的用了五分鐘資料，不是日內高低價的替代估計。
更關鍵的是另一個問題：RECH-X 勝出的部分，到底來自神經網路，還是來自「昨天市場已經動多大」這個輸入？
我們加了一個對照組：同樣吃進已實現波動率，但不用神經網路，只用線性版本。結果很直接。1 日與 5 日預測裡，三個市場都沒有證明 RECH-X 比這個線性版本更好。只有 22 日天期出現較清楚的優勢，而且 22 日目標本來就重疊很多，證據要打折看。
所以 RECH-X 比較像是「把已實現波動率放進模型後有幫助」，不是「小型神經網路抓到了老模型看不見的規律」。
最後一關更現實：拿它跟一個事前指定的簡單老模型比。
| 市場 | 1 日預測：RECH-X | 1 日預測：簡單老模型 | 結果 |
|---|---|---|---|
| SPY | 0.357 | 0.378 | 差距不夠穩 |
| QQQ | 0.329 | 0.348 | 差距不夠穩 |
| 台指期 | 0.403 | 0.296 | RECH-X 明顯輸 |
台灣那格最刺眼。這不是代理資料，也不是資料不夠細；用的就是五分鐘台指期資料。一天期預測裡，簡單老模型的誤差分數 0.296，RECH-X 是 0.403。五日預測也類似，0.261 對 0.337。
這給一般投資人的提醒很樸素：模型變複雜以前，先問它有沒有贏過一個乾淨、事前指定、你真的願意拿來用的簡單版本。很多「AI 模型勝出」其實只是換了比較弱的對手，或把額外資料放進去後，看起來比較聰明。
RECH-X 不是失敗品。它在 SPY 中長天期上確實復現了一部分論文結果。這點要承認。
但如果問題是「神經網路是否讓波動率預測短期變得更準」，這次答案偏保守。至少在 SPY、QQQ、台指期三組資料裡，短天期看不到穩定增益；台灣五分鐘資料還給了反方向結果。
限制也要講清楚。美股部分沒有原論文使用的五分鐘資料，只能用日內高低價估出替代波動率，這可能低估 RECH-X 的能力。估計方法也和原論文不同。22 日預測因為視窗重疊，證據不如 1 日與 5 日乾淨。台灣資料只含日盤，不含夜盤。
扣掉這些限制後，訊息仍然清楚：RECH-X 可以作為「已實現波動率有沒有幫助」的案例，但還不能當作「AI 波動率模型終於突破天花板」的證據。
資料說明：本文基於 RECH-X reproduction and Taiwan extension 實驗。美股資料為 Yahoo Finance 日資料（SPY、QQQ，2007-2024，各 4,528 個交易日），台灣資料為 TAIFEX 台指期五分鐘日盤資料（2017-2021，1,137 個交易日）。OOS 預測起點為美股 479 個、台灣 320 個；預測天期為 1、5、22 個交易日。圖表與數字來自實驗結果 JSON 與既有 PNG 圖表。