變異數比檢定：隨機漫步、期間與交易

令 \(P_t\) 為觀測價格，\(x_t=\ln(P_t)\) 為其對數價格。單期對數報酬為 \(r_t=x_t-x_{t-1}\)。\(q\) 期對數報酬是相鄰 \(q\) 個單期報酬的總和。如果這些增量互不相關且變異數穩定，總和的變異數便會隨 \(q\) 成比例增加。

母體變異數比為：

\[ \operatorname{VR}(q)=\frac{\operatorname{Var}(r_t+r_{t-1}+\cdots+r_{t-q+1})}{q\operatorname{Var}(r_t)}. \]

符合這項變異數縮放條件時，\(\operatorname{VR}(q)=1\)。Lo–MacKinlay 程序會將這個關係轉成樣本統計量，用來檢定隨機漫步限制。「1」是增量互不相關時的動差基準，不代表價格平滑或可預測。他們最初在歷史美國股票資料中拒絕隨機漫步規格，同時明確指出，單憑拒絕無法證明價格服從均值回歸模型。

對定態單期報酬，若滯後 \(j\) 期的自相關為 \(\rho_j\)，同一個母體變異數比也可寫成：

\[ \operatorname{VR}(q)=1+2\sum_{j=1}^{q-1}\left(1-\frac{j}{q}\right)\rho_j. \]

每個自相關都乘上隨滯後增加而遞減的權重。因此，這個比值彙總了截至 \(q-1\) 期的加權序列相關，並不等於某個特定滯後的自相關。

假設 \(q=4\)，某個假設報酬過程有 \(\rho_1=0.10\)、\(\rho_2=0.04\)、\(\rho_3=0\)，則：

\[ \operatorname{VR}(4)=1+2\left(\frac{3}{4}\times0.10+\frac{2}{4}\times0.04\right)=1.17. \]

高於 1 代表這些期間有正向的加權相依。如果前兩個自相關改為 \(-0.10\) 和 \(-0.04\)，第三個仍為 0，變異數比便是 \(0.83\)。這些都是母體層次的假設計算。抽樣變異、波動變化和估計量的有限樣本修正，都可能使樣本估計值不同。

不同的自相關模式可能在某一期間產生相同的比值。正負貢獻可能互相抵銷，所以比值恰為 1 並不要求每個納入的自相關都為 0。檢視數個預先指定的期間或可看到不同模式，但若一起檢定，就需要聯合推論。

此檢定通常用於等間隔對數價格或其一階差分。若使用每日收盤價，\(q=5\) 指五個交易時段的報酬，而非交易日數不同的日曆週。缺漏交易日、隔夜跳空和不規則時間戳都會改變「一個期間」的意義。請說明市場日曆，以及價格是否包含配息或其他公司行動。

選擇簡單報酬而非對數報酬，是模型選擇，不是所有期間都可忽略的名稱差異。對數報酬可隨時間精確相加；簡單報酬則複利累積。小幅波動時，兩者的數值可能接近，但定義應符合研究問題，並在範例、估計和回測中保持一致。不可將價格水準當成報酬序列代入公式。

多數實作會使用重疊的 \(q\) 期報酬，讓每筆可用觀測都參與估計。這會增加彙總觀測數，但相鄰視窗共用許多單期報酬，彼此並不獨立。在模型假設下，檢定標準誤會考慮這種構造；如果把重疊報酬視為獨立，就會低估不確定性。

假設某資產單一交易時段報酬的變異數為 \(0.0001\)，相當於該時段標準差為 1%。如果增量互不相關，四個時段報酬的變異數是 \(4\times0.0001=0.0004\)，標準差為 2%，變異數比則為 \(0.0004/(4\times0.0001)=1\)。

再假設估計的四時段變異數是 \(0.000468\)，單時段估計仍是 \(0.0001\)。樣本比值為 \(0.000468/(4\times0.0001)=1.17\)。這項計算描述所選期間之間的離散程度，不代表預期報酬大 17%、明日報酬上漲的機率高 17%，也不代表持有四個時段預期能賺 17%。

若要作統計推論，應將估計比值與相應的檢定分布和不確定性估計比較。比值接近 1，不代表價格過程的其他部分都符合完整的隨機漫步模型。相反，在雜訊較多或樣本較短時，偏離 1 的比值也可能與 1 在統計上無法區分。請分開處理估計值、檢定統計量、p 值和經濟解讀。

經典的同質變異數 Lo–MacKinlay 統計量，使用在增量變異數固定下推導的漸近變異數，將 \(\widehat{\operatorname{VR}}(q)-1\) 標準化。若報酬的條件波動率會改變，使用該標準誤可能造成錯誤的檢定大小。Lo 和 MacKinlay 也提出了適用異質變異數情況的變異數比統計量變異數估計。

「異質變異數穩健」有特定適用範圍：它會在檢定假設下，因應更廣泛的變動變異數型態調整推論；但不能修正錯誤的價格序列、所有期間的相依、結構斷點、過時報價或過短樣本。有些軟體會用 \(Z\) 和 \(Z^*\) 等符號區分兩種選擇。請查閱文件，確認軟體採用的虛無假設和標準誤公式。

1989 年的有限樣本研究指出，檢定表現取決於考察的虛無和對立假設；在研究的模擬中，異質變異數隨機漫步虛無假設下的可靠度優於若干競爭檢定。這並非適用所有樣本或實作的普遍保證。小樣本時，bootstrap 或其他有限樣本方法可能有用，但重抽樣設計也要保留與研究問題相關的相依和波動特徵。

單一 \(q\) 檢定詢問某個指定期間的變異數縮放限制是否成立。如果查看多個期間後才挑選 \(q\)，報告的 p 值不會計入這次搜尋。嘗試 \(q=2,4,8,16\) 並只強調最顯著的結果，會增加偽陽性的機會。

聯合變異數比程序會同時檢定一組預先指定的期間，並在決策中調整多重比較。Chow 和 Denning 開發這種多重檢定，是因為把許多個別比值當成未調整的獨立決策，會大幅提高整體第一類錯誤率。聯合結果只關乎受檢定的期間集合，不會指出哪個滯後、機制或市場參與者造成偏離。

請根據取樣頻率和研究問題選擇期間。比較一天、一週和一個月都可能有用，但各自的資訊集和重疊報酬結構不同。報告完整的受檢定期間集合，不要只列出最有利的期間，並區分探索性掃描與確認性檢定。

估計值高於 1，與選定滯後中的正向加權序列相依相符；低於 1 則與負向加權相依相符。任何一種方向都不能唯一辨識動能、均值回歸、價格調整延遲、存貨效應、買賣價反彈、非同步交易或波動過程。

尤其是，\(\operatorname{VR}(q)<1\) 不代表價格水準定態。某個期間的比值低於 1，序列仍可能帶有隨機趨勢。相反，拒絕隨機漫步限制本身也不能證明定態均值回歸模型成立。Lo 和 MacKinlay 明確指出，他們在研究的股票資料中拒絕隨機漫步，並不足以支持此結論。

推論亦取決於檢定對象是報酬、對數價格、超額報酬或其他轉換序列。日收盤至收盤報酬的結果不會自動適用於盤中報價或不同資產範圍。請明確說明研究對象，並謹慎界定解讀。

即使較慢的經濟價值過程沒有反轉，成交價報酬的買賣價反彈也可能造成短期間的負相依。流動性不足的證券可能非同步更新，不同市場的收盤價也可能涵蓋不同資訊時段。這些特徵在最短期間可能影響最大。在稱之為市場異常前，請檢查報價品質、交易活躍度、時間戳對齊，以及採用較慢取樣頻率後的敏感度。

即使報酬正負或水準沒有穩定方向模式，波動率叢集仍會影響標準誤。平均值、波動率、交易時段或市場組成發生結構變化時，全樣本比值可能混合不同制度。請檢查子期間穩定性，不要只挑選支持偏好解讀的期間。

搜尋多個資產、頻率、期間、篩選條件和樣本終點，會造成依雜訊選擇的問題。廣泛搜尋後找到的統計異常方差比，不是未經探索的假設檢定。可預先指定主要期間，或使用適當的聯合、重抽樣方法，再以後續的時間序列資料驗證發現。

變異數比檢定概括不同期間的報酬波動，但不會指定方向、進場、出場、停損、部位大小、持有時間，也不會說明訊號能否在執行前取得。即使相依模式穩定，也可能不足以抵銷手續費、價差、市場衝擊、融資、借券和週轉成本。

交易研究應在查看未來報酬前定義訊號和決策時點。在形成期間估計參數並固定，再以後續觀測評估。如果結果是在嘗試許多證券或期間後才發現，應保留真正未使用的測試期間，或使用能考慮搜尋過程的方法。將扣除成本後的結果與基準比較，並納入實際成交，而非只看理論報酬預測。

將變異數比作為一種診斷，搭配圖表、自相關檢查、單根檢定和穩定性分析。偏離變異數縮放可以促使研究更具體的模型，但該模型需要自己的假設和樣本外證據。這項檢定是對動差限制的精簡描述，不是存在交易優勢的證明。

說明價格定義、報酬轉換、觀測頻率、樣本日期、可用觀測數，以及報酬是否重疊。列出每個受檢定的期間 \(q\)、樣本變異數比、標準誤版本、檢定統計量、p 值、顯著水準和多期間的聯合調整方式。

交代缺漏觀測、公司行動、市場休市和時間戳的處理方式。說明異質變異數穩健推論、bootstrap、子期間或替代取樣間隔是否改變結果。若用於交易，請將統計樣本與評估期間分開，並揭露成本、執行時間、選擇規則，以及嘗試過的所有資產與期間。

Lo 和 MacKinlay 提出變異數比規格檢定，並研究有限樣本的檢定大小與檢定力。Chow 和 Denning 說明為何多重變異數比檢定需要控制整體檢定大小90051-6)。相關概念可參閱[定態性與單根](/zh-TW/learn/stationarity-unit-root-mean-reversion-finance-explained)、[Engle–Granger 共整合](/zh-TW/learn/engle-granger-cointegration-test-error-correction-explained)，以及[Johansen 共整合秩檢定](/zh-TW/learn/johansen-cointegration-rank-trace-max-eigenvalue-explained)。