量化金融的查核有一個這個領域特有的結構：它同時包含可以證明的命題與無法證明的命題，而兩者在文獻裡用同一種語氣書寫。 「Black-Scholes 公式是該偏微分方程式的解」可以在紙上驗證；「樹模型在報酬預測上優於線性模型」只能在特定資料集上成立或不成立；「Transformers 值得 S 級」則連命題都不是。本篇依陳述的性質而非可信度分級，先判定一句話屬於哪一類，再問它在該類中的依據強不強。
📖 分級定義
| 級 | 類型 | 判準 | 可以怎麼用 |
|---|---|---|---|
| A | 數學事實 | 定理、恆等式、封閉解。不依賴資料，可自行驗證 | 直接採信 |
| B | 可複現的實證結果 | 同儕審查、方法公開、樣本與期間明確 | 在相近條件下採信，換條件要重驗 |
| C | 單一來源或證據不一致 | 只有一篇、或結論隨資料集翻轉 | 當作假說，不當作結論 |
| D | 業界實務共識 | 從業者普遍如此做，但缺乏正式實證 | 當作預設值，可有理由地偏離 |
| E | 我的歸納與判斷 | 本專欄的分類架構、替代分級、機制推論 | 一個可行的看法，不是標準答案 |
| X | 這張圖的主觀排名 | 無署名、無評分準則的社群迷因 | 不是證據，只是討論起點 |
A 與 B 的界線是這個領域最常被模糊的地方。 「Black-Scholes 公式對」（A 級，它確實解那條方程式）與「Black-Scholes 對市場是對的」（已被 B 級證據否證）是兩句完全不同的話，而文獻與教學常常不區分。
📖 這張圖本身
| 主張 | 級 | 依據與限制 |
|---|---|---|
圖中分級為 S／A／B／C／D 五級、共 15 格 | A | 直接讀圖所得 |
| 該圖為社群迷因式排名，無作者署名與評分準則 | A | 截圖可見：社交貼文形式，70 讚、13 則留言；圖上無方法說明 |
| 每一格的等級高低 | X | 主觀排名。它不是一個可以「驗證對錯」的命題，只能評論其內部一致性與與實證的相容性 |
| 排序與「數學優雅度 ＋ 當前聲量」兩條軸高度相關 | E | 我對作者判準的重建；作者未自述，這個解讀可能完全錯誤 |
| 「這些模型回答不同問題，不可共量」 | E | 本專欄的核心架構主張 |
📖 定價模型
| 主張 | 級 | 依據與限制 |
|---|---|---|
| Black-Scholes 公式是該 PDE 在對應邊界條件下的解 | A | 可自行推導驗證 |
| 選擇權價格與標的期望報酬 無關 | A | 複製論證的直接結果 |
| Vega 為正，故價格與隱含波動率一對一 | A | |
Bachelier 1900 年論文含布朗運動定義、馬可夫性質與熱方程式連結 | B | 多個學術來源一致；Thiele（1880）有更早的類似模型，優先權非完全無爭議 |
標普 500 選擇權隱含波動率在 1987 崩盤前接近平坦、之後向下傾斜 | B | Rubinstein（1994）；Jackwerth & Rubinstein（1996）補充崩盤前風險中性分布近似對數常態、之後呈高峰態與負偏態 |
CME 與 ICE 於 2020 年把原油／天然氣選擇權暫時改用 Bachelier | B | CME 4 月 8 日公告；精確生效日在二手來源中不一致（公告、4/20 負結算、4/22 前後切換） |
| 負利率市場已普遍改用 normal vol 報價 | D | 業界實務，無公開統計 |
| Heston 的 Feller 條件為 | A | CIR 過程的標準結果 |
| 校準出的 Heston 參數經常違反 Feller 條件 | D | 多個實務來源一致；未核對 1993 原文 |
| Heston 在短天期微笑擬合不良 | B | 多個來源一致，含「即使 22 天到期仍高估隱含波動率」的具體報告 |
| Hagan SABR 近似式在深價外會產生負隱含波動率或套利 | B | 廣為人知的「翼部爆炸」問題；修補為無套利 SABR（2014） |
| shifted SABR 是負利率下的業界標準做法 | D | 多個來源描述為 market best practice |
| 對數波動率近似 的分數布朗運動 | B | Gatheral、Jaisson、Rosenbaum（2018）；跨資產估計穩定落在 0.08–0.2；2023 年有研究報告代理變數估計值更低甚至接近 0 |
| 粗糙波動率對 Heston／SABR 構成結構性挑戰 | C | 論文本身未直接點名 Heston；此連結來自後續工作（rough Bergomi）與二手整理 |
| 「Black-Scholes 是報價語言不是預測器」 | E | 我的表述方式；底層事實（Vega 為正、業界以 IV 報價）為 A／D 級 |
| Heston／SABR 應為 A 級而非 S 級 | E | 我的判斷 |
📖 統計與時間序列
| 主張 | 級 | 依據與限制 |
|---|---|---|
| OLS 在 Gauss-Markov 假設下為 BLUE | A | 標準定理 |
| 預測誤差 ＝ 偏誤平方 ＋ 變異 ＋ 不可約誤差 | A | 恆等式 |
GARCH(1,1) 定態條件 ，無條件變異數 | A | 直接推導 |
| RiskMetrics 的 EWMA 是 IGARCH 特例（, ） | A | 代入即得 |
| 任何 ARMA 都可寫成狀態空間形式 | A | 標準結果 |
| Kalman 在線性高斯假設下為最小均方誤差估計 | A | 標準定理 |
日頻股票 GARCH 持續性典型落在 0.95–0.99 | D | 業界經驗範圍；本篇未引用特定研究的參數表 |
Hansen-Lunde：匯率上無模型顯著打敗 GARCH(1,1)；IBM 股票上 GARCH(1,1) 明顯劣於含槓桿效應的模型 | B | JAE 20(7), 2005, 873–889，比較 330 個模型。論文並不支持「沒有東西打得贏 GARCH(1,1)」的概括說法 |
| White Reality Check 檢定力不足，作者改用 SPA 檢定 | B | 同篇論文自述 |
| Hansen-Lunde 結論隨已實現變異數代理變數選擇而改變 | C | CRAN 套件 vignette 的複現，非原論文 |
| 殖利率曲線三因子為水準、斜率、曲度 | B | Litterman & Scheinkman（1991）；解釋變異比例的精確數字本篇僅取得二手說法（95% 以上至 99%），未核對原文 |
| 以更長的美債日資料複製，結果與原文不同 | C | 單一來源，歸因於市場非定態性 |
| 多數向 BIS 報送資料的央行使用 Nelson-Siegel 或 Svensson | B | BIS Papers No. 25（2005）；該文件已逾二十年，國別清單很可能過時 |
| Diebold-Li 的動態 Nelson-Siegel 在長期預測上優於多種基準 | B | Journal of Econometrics 130（2006）337–364 |
| 事先固定負載使因子估計更精確 | B | Diebold-Li 自述的設計理由 |
Hamilton（1989）模型樣本期延長後原參數附近無局部極大值 | B | Boldin（1996） |
| 改用實質 GDP 無法複現 Hamilton 原結果 | C | 單一工作論文 |
馬可夫轉換模型在複製景氣循環特徵上不優於 ARIMA(1,1,0) | C | Hess & Iwata（1997），經二手引述 |
| 狀態轉換模型在利率上樣本外預測表現良好 | B | Ang & Bekaert（2002） |
| 信用評等轉移呈現評等漂移、路徑依賴與時間非齊一（違反馬可夫） | B | 多篇獨立研究一致：Altman & Kao（1992）、Lando & Skødeberg、Papanastasiou & Crook、Štěpánková |
| 標準馬可夫假設在 CreditMetrics 模擬中高估經濟風險 | C | Eisenkopf（EFMA 2008），單一會議論文 |
| HMM 的濾波機率偵測狀態轉折必然落後 | E | 機制推論（證據累積的必然後果）；落後幅度缺乏系統性量化研究 |
| Kalman 的 比值與滾動窗長是同一個自由度 | E | 我的論證 |
| HMM 應為 B 級、Nelson-Siegel 應為 B 至 A 級 | E | 我的判斷 |
📖 機器學習
| 主張 | 級 | 依據與限制 |
|---|---|---|
| 線性 autoencoder 在均方誤差下張出與 PCA 相同的子空間 | A | 標準結果 |
| 隨機森林平均的變異數為 | A | 直接推導 |
| 樹的預測值必落在訓練目標值範圍內（無法外插） | A | 葉節點平均的直接後果 |
| 樹對特徵的單調變換不變 | A | 切分僅用排序 |
| Gu-Kelly-Xiu：樹與神經網路表現最好，增益來自非線性交互作用；經濟利益在某些情形約為領先迴歸策略的兩倍 | B | RFS 33(5), 2020, 2223–2273；美股 1957–2016 |
| 上述結果的複現有疑慮 | C | 單一碩士論文，使用資料子集，其神經網路 R² 為負；應視為警示而非反駁 |
| 條件 autoencoder 樣本外定價誤差遠小於領先因子模型，且一般統計上不顯著 | B | Journal of Econometrics 222(1), 2021, 429–450；本篇未取得全文核對表格數值 |
| LTSF-Linear／DLinear 在九個資料集上全面勝過 Transformer 類長期預測模型 | B | Zeng 等，AAAI 2023（arXiv 2205.13504） |
| 先前 Transformer 的優勢主要來自非自迴歸直接多步策略，而非注意力機制 | B | 同篇論文的分析 |
| 自注意力本身置換不變，時序資訊靠位置編碼傳遞 | A | 架構定義 |
| 股價預測上 Transformer 與 XGBoost 孰優，結論隨資料集翻轉 | B | 六項研究方向不一致（NVIDIA、A 股、標普 500 偏正面；特斯拉、TSX、滬深 300 偏負面或混合）。多數為單股或短期間，統計效力不足 |
| 報酬最高的模型並非準確率最高的模型 | C | 單一 TSX 研究（arXiv 2605.23962） |
| Quant GANs 能重現波動率叢聚、槓桿效應與序列自相關 | B | Wiese 等，Quantitative Finance（2020） |
| 其厚尾來自 Lambert W 前處理而非端到端學習 | C | 二手評述；未核對原文消融實驗 |
| Quant GANs 難以重現長程相依，高頻尤甚 | C | 單一 2025 年 arXiv 研究 |
| GAN 訓練不穩定、無收斂保證 | D | 廣泛共識 |
| 生成模型無法產生訓練資料中不存在的事件類型 | E | 機制推論。這是本專欄對合成資料最重要的保留 |
| 金融歷史以每年一年的速度增長，無法支撐規模法則 | E | 我的論證；「有效獨立樣本遠小於原始計數」未引用特定估計研究 |
| 時間序列上的隨機 K-fold 交叉驗證造成洩漏，需 walk-forward 加淨化與禁運 | D | 金融機器學習的方法論共識 |
Harvey-Liu-Zhu：檢視 316 個因子，主張新因子應通過 t > 3.0 | B | RFS 29(1), 2016, 5–68；313 篇已發表＋63 篇準發表 |
| 該門檻可能仍太寬鬆（樣本僅納頂級期刊、資料探勘成本下降） | C | 評論意見 |
| Trees 應為 A 級、Transformers 應為 B 級（文本任務為 S） | E | 我的判斷 |
📖 查證的限制
這個領域特有的三個限制
第一，有效的方法不會發表。 量化金融的學術文獻與機構實務之間有系統性落差，而且方向固定：真正賺錢的做法沒有誘因公開。因此「業界在用什麼」這類問題，本專欄只能標 D 級（實務共識）或承認不知道，不存在可引用的權威統計。
第二，金融實證的複現率低。 樣本期、資料供應商、清理規則、生還者偏誤處理方式的差異，足以翻轉結論。本篇標 B 級的實證結果，意思是「在該論文的條件下成立」，不是「普遍成立」。
第三，本專欄未取得多數論文全文。 具體而言：Heston（
1993）、Litterman-Scheinkman（1991）、Hagan 等（2002）、Gu-Kelly-Xiu（2021）的表格數值均未逐項核對，依據為摘要、學術索引與二手整理。凡本篇標註「未核對原文」處，請以原始論文為準。
📖 延伸資源
定價與隨機分析
- Steven Shreve, Stochastic Calculus for Finance II: Continuous-Time Models — 數學基礎，Black-Scholes 推導最乾淨的版本之一。
- John Hull, Options, Futures, and Other Derivatives — 業界標準教科書，廣度優先。
- Jim Gatheral, The Volatility Surface: A Practitioner’s Guide — 微笑、Heston、SABR、局部波動率的實務整合。
時間序列與計量
- James Hamilton, Time Series Analysis — 狀態空間、Kalman、馬可夫轉換的權威來源（Hamilton
1989的作者本人）。 - Ruey Tsay, Analysis of Financial Time Series — ARIMA、GARCH 族在金融資料上的實作導向處理。
- Campbell, Lo, MacKinlay, The Econometrics of Financial Markets — 事件研究、Fama-MacBeth、市場效率檢定的標準參考。
資產定價與因子
- John Cochrane, Asset Pricing — 隨機折現因子框架，把所有定價模型統一到一條式子。
- 本站 因子投資專欄 — 線性因子模型在實作上的完整路徑。
機器學習
- Hastie, Tibshirani, Friedman, The Elements of Statistical Learning — 樹、boosting、PCA 的標準數學處理，可免費下載。
- Marcos López de Prado, Advances in Financial Machine Learning — 淨化交叉驗證、禁運、樣本唯一性，是本專欄關於驗證設計那些警告的主要來源。
固定收益
- Diebold & Rudebusch, Yield Curve Modeling and Forecasting: The Dynamic Nelson-Siegel Approach — 把 Nelson-Siegel 寫成狀態空間並用 Kalman 估計的完整處理。
站內相關
- 趨勢投資（Trend Following） — 波動率目標化與部位大小，補上本專欄指出的「投資組合建構缺席」。
- 網格自動化交易 — 負 gamma 與賣波動率的機制。
- Polymarket 策略研究 — 機率預測與市場定價的落差。
🕒 更新紀錄
- 2026-11-09：建立。