EWMA 與 GARCH 模型：為什麼昨天的波動率比去年的更重要？

在金融市場的日常波動中，多數投資人與風險管理者習慣將市場現象簡化，假設資產報酬率服從完美的常態分配 (Normal Distribution)，並依賴簡單的線性相關性來進行資產配置。然而，當黑天鵝事件降臨、市場出現極端崩盤時，這些基於完美假設的模型往往瞬間失效。真實市場充滿了厚尾效應 (Fat Tails) 與非線性依賴 (Nonlinear Dependence)，忽視這些本質特徵，等同於在暴風雨中使用錯誤的羅盤。

核心論點：衡量報酬、波動率與相關性，必須打破常態分配與線性關係的迷思。唯有深刻理解連續複利報酬 (Continuously Compounded Returns)、分配的偏態 (Skewness) 與峰度 (Kurtosis)，以及非線性的相關度量，才能建立起真正具備防禦力的量化與風險管理體系。

在衡量資產表現時，市場習慣使用簡單報酬率 (Simple Returns)，但在跨期計算中，簡單報酬率並不具備可加性。為了建構嚴謹的數學模型，連續複利報酬（或稱對數報酬，Log Returns）是更優越的工具。

對數報酬率公式如下：

簡單報酬率與對數報酬率之間的轉換關係為：

在多期時間範圍內，對數報酬可以直接相加，這為隨機過程的建模提供了極大的便利。

衡量波動率 (Volatility) 時，我們通常使用資產報酬率的標準差 ($\sigma$)，而變異數 (Variance Rate) 則是標準差的平方 ($\sigma^2$)。在假設一年有 252 個交易日的情況下，年化波動率的計算公式為：

實證上，歷史波動率僅反映過去，而隱含波動率 (Implied Volatility) 則提供前瞻性的市場預期。例如，VIX 指數利用多個選擇權價格來反推標普 500 指數未來 30 天的預期波動。

然而，在使用 Black-Scholes-Merton (BSM) 選擇權定價模型反推隱含波動率時，模型本身存在一個致命假設：變異數在時間推移中保持恆定。實證數據證明，波動率具有叢聚效應且隨時間變化，這揭示了工具與市場底層法則之間的錯配。

傳統金融學教科書多建立在常態分配的基礎上，其特徵為對稱（偏態為零）且尾部極薄（峰度為 3，超額峰度為 0）。但當我們檢視標普 500 指數或匯率的歷史數據時，會發現這些資產報酬多呈現負偏態 (Negative Skewness) 與正的超額峰度 (Excess Kurtosis)，亦即所謂的厚尾分配 (Leptokurtic Distribution)。

為了檢定一組數據是否服從常態分配，量化分析中廣泛使用 Jarque-Bera 檢定 (Jarque-Bera Test)。該檢定的虛無假說 (Null Hypothesis) 為偏態等於 0 且峰度等於 3。給定樣本大小 $T$，其公式為：

若計算結果大於臨界值（如 95% 信心水準下的 5.99），則拒絕常態分配的假設。

在真實市場中，極端事件發生的機率遠大於常態分配的預測。這些厚尾現象往往遵循動力定律 (Power Law)，其機率分佈的尾部衰減速度非常緩慢，公式如下：

這意味著距離平均值極遠的觀測值，其出現頻率並非如指數般急速下降，而是遵循冪律。這解釋了為何百年一遇的金融風暴，在短時間內可能發生數次。

多角化投資的基礎在於資產間的獨立性 (Independence)。當兩個變數獨立時，其邊際機率密度的乘積等於聯合機率密度：

皮爾森相關係數 (Pearson's Correlation) 是最常被用來衡量線性依賴 (Linear Dependence) 的指標。然而，金融資產的關聯性往往是非線性的，特別是在市場崩盤時，所有資產的相關性會急遽飆升。

為了捕捉非線性依賴並降低極端離群值 (Outliers) 的干擾，斯皮爾曼等級相關 (Spearman's Rank Correlation) 與肯德爾等級相關 (Kendall's Tau) 成為更強大的分析工具。

斯皮爾曼等級相關係數捨棄了變數的絕對數值，轉而比較變數的排名順序 (Ranks)。其公式為：

其中 $d_i$ 代表兩個變數排名之間的差異。若極端數值改變但不影響排名，該相關係數將保持穩定。

肯德爾等級相關則基於一致對 (Concordant Pairs) 與不一致對 (Discordant Pairs) 的相對頻率來衡量依賴關係，其公式為：

這些基於等級的度量工具，揭示了線性相關性無法捕捉的真實結構關係。

在建構投資組合的共變異數矩陣 (Covariance Matrix) 時，必須滿足正定性 (Positive Definiteness) 的嚴格數學條件。這表示任何資產組合的變異數都必須大於或等於零。為了確保矩陣的正定性，實務上常採用等相關結構 (Equicorrelation) 或因子暴露模型，以避免在優化過程中產生無效的權重分配。

精確衡量報酬、波動率與相關性，並非僅是數學公式的堆砌，而是對市場真實物理法則的深刻認知。常態分配與線性相關是極其脆弱的假設，唯有正視動力定律所揭示的厚尾風險，並以非線性的視角審視資產間的依賴關係，才能在充滿不確定性的市場中建立堅不可摧的量化體系。所有超出優勢的下注，最終的結局都是被市場清算。