這些誤解的共同形狀是把一個在特定條件下成立的陳述，搬到條件不成立的地方。逐條拆的時候，重點不是指出哪裡錯，而是指出原本那句話在什麼條件下是對的——因為那個條件通常才是真正值得記住的東西。
📖 關於定價模型
1. 「Black-Scholes 已經被證明是錯的，所以沒人在用了」
對的部分：它的核心分布假設確實被否證了，而且有日期——Rubinstein（1994）發現標普 500 指數選擇權的隱含波動率形態在 1987 年 10 月崩盤前接近平坦，之後轉為向下傾斜。
錯的部分：它比以往用得更多。因為買權價格對波動率嚴格遞增（），這個公式在價格與隱含波動率之間建立了一對一映射，於是被當成單位換算器在用。交易員不是用它算「正確價格」，是用它把一堆無法互相比較的美元報價變成可以比較的波動率點數。單位換算器只需要單調，不需要正確。
2. 「隱含波動率是市場對未來波動率的預測」
隱含波動率是一個價格，不是一個預測。 它包含變異數風險溢酬——投資人願意為避險付出的超額金額。實證上隱含波動率系統性地高於後續實現的波動率，而這個差額不是市場預測錯誤，是賣出波動率者要求的補償。把 IV 當成無偏預測來用，會系統性地高估未來波動。
3. 「波動率微笑代表模型壞了，應該修掉」
微笑是模型的輸出格式，不是誤差。 市場對不同履約價報不同的隱含波動率，是因為真實的風險中性分布有厚尾與負偏態——Jackwerth 與 Rubinstein（1996）直接量到了這件事。微笑的形狀本身就是資訊：它告訴你市場如何為崩盤風險定價。試圖「修掉」微笑的模型（例如強行用單一常數波動率）是在丟棄資訊。
4. 「Bachelier 允許價格變負，所以是個錯誤的模型」
這個「缺陷」在 2020 年 4 月 20 日變成唯一可用的性質。WTI 五月期貨結算價為負，對數常態框架在數學上直接崩潰（ 在 無定義）。CME 與 ICE 暫時把原油與天然氣選擇權改用 Bachelier。而且在利率市場，自歐元、日圓、瑞郎轉負之後，normal vol 早已是標準報價方式。
5. 「ARIMA 裡的 MA 就是技術分析的移動平均線」
兩件完全不同的事。技術分析的移動平均線是過去價格的平均；ARIMA 的 MA(q) 項是過去誤差項（隨機衝擊）的線性組合：。前者是可觀測量的平滑，後者是不可觀測衝擊的持續影響。
📖 關於預測
6. 「這篇論文報告 ARIMA 預測股價的 MAE 只有 0.45%，所以 ARIMA 很準」
檢查兩件事就知道這個數字有沒有意義：
- 對象是價格還是報酬？ 價格的自相關接近
1，任何模型預測「明天約等於今天」都會得到很小的誤差百分比。 - 有沒有列出隨機漫步基準？ 「明天價格等於今天價格」這個最笨的模型是必須被打敗的對照組。沒有它，誤差數字無法解讀。
殘差診斷通過（Ljung-Box p > 0.05）也不代表什麼——它只說明模型沒有漏掉線性結構，不說明模型比基準好。
7. 「深度學習已經全面擊敗傳統時間序列方法」
Zeng 等人（AAAI 2023）用一層線性網路（LTSF-Linear／DLinear）在九個真實資料集上全部勝過當時的 Transformer 類長期預測模型，且往往幅度很大。他們進一步指出，更早論文中 Transformer 的優勢主要來自非自迴歸的直接多步預測策略，而非 Transformer 本身——被打敗的是自迴歸，不是非 Transformer 方法。
8. 「樹模型容易過擬合，所以在金融上不可靠」
要分開看。 隨機森林很難過擬合——增加樹的數量不會讓測試誤差上升。梯度提升確實容易過擬合，但那是靠學習率、早停與深度上限控制的標準問題。
金融上真正的過擬合來源不是模型，是驗證設計。 在時間序列上用隨機 K-fold 交叉驗證會讓未來資訊進入訓練集，這會讓任何模型的回測系統性樂觀。正確做法是 walk-forward 加上淨化與禁運。把驗證設計的錯誤歸咎於模型，會讓你換一個模型繼續犯同一個錯。
9. 「R² 只有百分之一的模型沒有價值」
在月頻股票報酬的橫斷面預測上，R² 落在百分之一量級已經是好成績，而且經濟價值可以很大——因為它乘上的是很寬的橫斷面與很多期。把幾千檔股票按一個弱訊號排序並做多空，微小的預測力會被分散化放大成可觀的資訊比率。
正確的判準是夏普比率或資訊比率，不是 R²。 反過來，R² 高得漂亮的金融模型，第一反應應該是找前視偏誤。
10. 「方向準確率 69%，所以這個模型能賺錢」
準確率與損益之間至少隔著三樣東西：部位大小（每次賭多少）、交易成本（翻倉率乘上成本）、報酬的不對稱（對的時候賺多少、錯的時候賠多少）。一個 69% 準確但錯的時候賠三倍的策略是虧錢的。
有實證直接印證了這個落差：一項 TSX 研究報告報酬最高的模型並不是準確率最高的模型。
📖 關於統計方法
11. 「PC1 解釋最多變異，所以它是最重要的因子」
PCA 的目標函數是重建誤差最小，不是預測報酬最好。變異數最大的方向，完全可以與報酬的橫斷面差異無關。
這是 PCA 在因子投資上最常見的誤用：以為「統計上最大的因子」等於「經濟上最重要的因子」。降維的目標函數與使用者的目標函數不同，這個落差必須自己補上。
12. 「Kalman 濾波器的好處是不必像滾動迴歸那樣選窗長」
自由度沒有消失，只是換了名字。 你不選窗長，但你必須選過程噪音與觀測噪音的比值 ，而這個比值直接決定了有效記憶長度——與窗長是同一個自由度的兩種參數化。
Kalman 的真正優點是把這個選擇顯式化，並允許用最大概似從資料估計。但在低訊噪比的金融資料上，這個概似函數通常很平坦，估出來的值不穩定。
13. 「HMM 能偵測市場的狀態轉折」
能，但一定是遲的，而且回測看不出來。
濾波機率 只用當期之前的資訊，必須等新狀態下的證據累積夠多才會翻轉——在兩狀態波動率模型中，這代表要先經歷好幾天大波動，高波動狀態的機率才越過 0.5。模型告訴你「進入高波動」的時候，多數跌幅已經發生。
平滑機率 用到全樣本資訊，畫出來的切換點乾淨漂亮，但用它做回測是前視偏誤。把兩條曲線並排畫出來，落差就是被高估的績效。
14. 「Hansen 與 Lunde 證明了沒有東西打得贏 GARCH(1,1)」
這篇論文（Journal of Applied Econometrics 20(7), 2005）的結論分資產，而且兩半相反：
- 德國馬克／美元匯率：找不到證據顯示 GARCH(
1,1) 被更複雜模型打敗。 - IBM 股票：GARCH(
1,1) 明顯劣於允許槓桿效應的模型。
正確的摘要是：在沒有槓桿效應的資產上，複雜化不划算；在股票上，至少要用 GJR-GARCH 或 EGARCH。 另外作者自己指出 White 的 Reality Check 檢定力不足，他們改用 SPA 檢定；一份 CRAN 複現也指出結論隨已實現變異數代理變數的選擇而改變。
🔗 延伸
各條的完整推導與出處見 分級與出處表。
🕒 更新紀錄
- 2026-11-09：建立。