臺灣博碩士論文加值系統

伴隨著全球化及證券化的發展趨勢，國內對於衍生性商品的需求與發展也逐漸萌芽中。在發行認購權證、台指期貨及台指選擇權後，投資者對於在市場上的操作將更加靈活。但投資人對於選擇權價格走勢能否有正確的判斷，將會影響其投資損益。職是之故，如何對選擇權價格進行適當的評價，允有探討之必要。
在實證研究方法上，本研究應用傳統的類神經網路與基因演化類神經網路評價模型，考慮各種不同波動率下進行評價。評價績效的指標為誤差均方根(RMSE)、平均絕對誤差(MAE)及平均絕對誤差率(MAPE)進行評估，並且利用Wilcoxon符號等級法檢定。實證結果顯示，在買權的評價上，除類神經網路與基因演化類神經網路評價模型存在顯著差異外，不同波動率間並無顯著差異。
雖然，將類神經網路運用在衍生性金融商品的評價文獻已不在少數，但應用於台指選擇權的評價卻是前所未有，本研究所探討的台指選擇權商品，由於剛上市不久，有些交易日甚至沒有交易量，雖然會對結果造成影響，但本研究的評價結果卻能提供學術研究參考，以及供投資人做為投資或套利判斷時的依據。

With the development of globalization and securitization, the needs and developments to derivative goods are germinating in Taiwan. With the issuing of Warrants, Taiwan stock index futures and Taiwan stock index options(TXO), investors can operate more flexible on market. But investors will get a profit or a loss depend on their correct judgment. Due to the reason, it is necessary to price TXO properly.
This study applies traditional Artificial Neural Network pricing model and Genetic Adaptive Neural Networks pricing model to options under different volatility models. And the indices of pricing performance are RMSE、MAE and RMSE.
Besides, this study also uses Wilcoxon Sign-rank test to test these pricing performances. According to the empirical results, different volatility models don’t exist significant differences between ANN and GANN model except call options.
Although there are many pricing studies on financial derivative with ANN model, however, the studies on TXO are unprecedented. Because TXO is listed soon, there are no volume of trade on some trade days. It may be influence the results. But the pricing results of this study can provide academic references and judgments on investing or arbitrage for investors.

目 錄
第一章 緒論.................................................1
第一節 研究背景與動機.......................................1
第二節 研究目的.............................................3
第三節 研究內容與架構.......................................4
第四節 研究限制.............................................6
第二章 文獻探討.............................................7
第一節 B-S選擇權評價模型....................................7
第二節 選擇權評價模型相關理論..............................11
第三節 波動率模型應用於選擇權價格相關文獻..................14
第四節 類神經網路模型應用於選擇權價格相關文獻..............19
第三章 研究方法............................................25
第一節 資料來源與變數定義 .................................25
第二節 實證模型說明........................................27
第三節 類神經網路說明......................................31
第四章 實證結果與分析......................................45
第一節 資料敘述與統計分析..................................45
第二節 類神經網路評價模型..................................47
第三節 基因演化類神經網路評價模型..........................54
第四節 GANN與ANN模型之評價差異檢定.........................60
第五章 結論與建議..........................................61
第一節 結論................................................61
第二節 建議................................................62
參考文獻...................................................63
表 目 錄
表2-1 B-S模型應運於選擇權評價相關理論.......................13
表2-2 波動率模型應用於選擇權價格相關文獻....................17
表2-3 類神經網路應用於選擇權價格相關文獻....................22
表3-1 選擇權基本資料說明....................................25
表3-2 處理單元的三個函數作用................................34
表3-3 類神經網路模式的分類..................................35
表3-4 Pythia之GA設定參數表..................................40
表3-5 Pythia之倒傳遞類神經網路設定參數值....................41
表4-1 選擇權資料敘述統計量..................................46
表4-2 類神經網路參數設定表..................................48
表4-3 ANN評價績效分析表.....................................49
表4-4 ANN-Wilcoxon符號等級檢定結果..........................53
表4-5 GANN模型最適結構參數表................................54
表4-6 GANN評價績效分析表....................................55
表4-7 GANN-Wilcoxon符號等級檢定結果表.......................58
表4-8 GANN-ANN之Wilcoxon符號等級檢定結果....................60
圖 目 錄
圖1-1 論文架構流程圖.........................................5
圖2-1 各種選擇權評價模型....................................10
圖3-1 類神經網路模式........................................32
圖3-2 類神經網路架構圖......................................33
圖3-3 ANN-Qnet參數設定及執行結果............................36
圖3-4 ANN-Qnet執行後的訓練及測試結果圖......................36
圖3-5 訓練階段收斂圖(網路架構5-8-1).........................37
圖3-6 測試階段收斂圖(網路架構5-8-1).........................37
圖3-7 Pythia網路架構圖......................................42
圖3-8 Pythia演化過程........................................42
圖3-9 GANN-Qnet參數設定及執行結果...........................43
圖3-10 訓練階段收斂圖(網路架構5-7-4-1).......................43
圖3-11 測試階段收斂圖(網路架構5-7-4-1).......................44
圖4-1 C5100選擇權之ANN價格走勢圖............................50
圖4-2 C5200選擇權之ANN價格走勢圖............................50
圖4-3 P4700選擇權之ANN價格走勢圖............................51
圖4-4 P4900選擇權之ANN價格走勢圖............................51
圖4-5 C5100選擇權之GANN價格走勢圖...........................56
圖4-6 C5200選擇權之GANN價格走勢圖...........................56
圖4-7 P4700選擇權之GANN價格走勢圖...........................57
圖4-8 P4900選擇權之GANN價格走勢圖...........................57

一.中文部分
1.王勝助 (1999)，運用智慧型系統在認購權證評價模式、避險及投資策略之研究，雲林科技大學資訊管理研究所碩士班碩士論文。
2.呂國宏 (2001)，運用演化式類神經網路預測台灣股市行為之研究，政治大學資訊管理研究所碩士論文。
3.李沃牆 (1998)，計算智慧在選擇權定價上的發展 － 人工神經網路、遺傳規劃、遺傳演算法，政治大學經濟研究所博士論文。
4.李沃牆和林維垣（2001），基因演化類神經網路模型於台股上限型權證的評價，東吳大學經濟研討會論文。
5.李忠輝 (2001)，隨機波動率選擇權定價 － 基因演算法之運用，東華大學國際經濟研究所碩士論文。
6.林佩蓉 (2000)，Black-Scholes模型在不同波動性衡量下之表現 － 股價指數選擇權，東華大學企業管理研究所碩士論文。
7.林美蓮（2001），高頻率股市報酬波動性之ANN-GARCH Model，交通大學經營管理研究所碩士論文。
8.林建成 (2002)，遺傳演化類神經網路於台灣股市預測與交易策略之研究，東吳大學經濟學系碩士在職專班論文。
9.林聖哲 (2002)，不同人工智慧演算方法於認購權證評價績效之研究，實踐大學企業管理研究所碩士論文。
10.卓佳瑤 (2002)，在不同模型下美式外匯期貨選擇權的定價誤差，暨南國際大學國際企管研究所碩士論文。
11.柯淑玲 (2000)，運用類神經網路於台股認購權證評價模式之實證研究，義守大學管理研究所碩士論文。
12.徐守德，官顯庭和黃玉娟 (1998)，台股認購權證定價之研究，管理評論第十七卷第二期，頁45-69。
13.陳怡和 (1997)，運用類神經網路在外匯選擇權評價模式之實證研究，交通大學資訊管理研究所碩士論文。
14.曹金泉 (1999)，隨機波動度下選擇權評價理論的應用 － 以台灣認購權證為例，政治大學金融研究所碩士論文。
15.張博彥 (2001)，台灣上限型認購權證之評價與避險，成功大學企業管理研究所碩士論文。
16.陳威光 (2001)，選擇權-理論˙實務與應用，初版，智勝文化股份有限公司。
17.郭伯聖 (2002)，台灣股市認購權證定價模型之實證研究 － ANN-GARCH模型之應用，臺北大學企業管理研究所碩士論文。
18.葉怡成（2002），類神經網路模式應用與實作，七版，儒林圖書有限公司。
19.葉怡成（2001），應用類神經網路，三版，儒林圖書有限公司。
20.趙宗宏 (2002)，台灣股票市場波動與認購權證市場之探討 － 波動度模型之應用，中山大學經濟學研究所碩士論文。
21.歐陽平 (2002)，以遺傳演化類神經網路對初次上市公司股票建構價格預測模式 － 以上市公司電子股為例，東吳大學經濟學系碩士在職專班論文。
22.薛淑嫻 (1999)，認購權證評價模型之研究 － 基因演算法與類神經網路之應用，銘傳大學金融研究所碩士論文。
23.羅文宏 (2001)，漲跌幅限制下選擇權之評價模型，政治大學經濟研究所碩士論文。
二.英文部分
1.Amilon, H. (2001), “A Neural Network Versus Black-Scholes：A Comparison of Pricing and Hedging Performance,”Working Paper , Dept. of Economics, Lund University.
2.Black, F. and M. Scholes (1973), “The Pricing of Options and Corporate Liabilities,” Journal of Political Economy 81,637-659.
3.Bollerslev, T. (1986),“Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics 31, 307-327.
4.Byström, H.NE. (2000), “Stochastic Volatility and Pricing Bias in the Swedish OMX-Index Call Option Market,”Working Paper, Dept. of Economics, Lund University.
5.Broadie, M., J. Detemple , E.Ghysels and O. Torrés (2000), “American options with stochastic dividends and volatility : A nonparametric investigation,” Journal of Econometrics 94,53-92.
6.Chesney, M. & L. Scott (1989), “Pricing European Currency Options:A Comparison of the Modified Black-Scholes Model and a Random Variance Model,” The Journal of Financial and Quantitative Analysis 24,267-284.
7.Chu, S.H. & S. Freund (1996), “Volatility estimation for stock index options:GARCH approach,”The Quarterly Review of Economics and Finance 36,431-450.
8.Donaldson, R.G. & M. Kamstra (1997), “An artificial neural network-GARCH model for international stock return volatility,” Journal of Empirical Finance 4,17-46.
9.Donaldson, R.G.& M. Kamstra (1996), “Forecast Combining with Neural Networks,” Journal of Forecasting 15,49-61.
10.Galai, D. (1977), “Tests of Market Efficiency of the Chicago Board Options Exchange,”The Journal of Business 50,167-197.
11.Guan, L. K. & G. Xiaoqiang (2000), “Pricing American Options with Stochastic Volatility:Evidence From S&P 500 Futures Options,” The Journal of Futures Markets 20,625-659.
12.Hull, J. and A.White (1987), “The Pricing of Options on Assets with Stochastic Volatilities,”The Journal of Finance 42,281-300.
13.Hutchinson, J.M., A.W. Lo and T. Poggio (1994), “A Nonparametric Approach to Pricing and Hedging Derivative Securities Via Learning Networks,” The Journal of Finance 49, 851-889.
14.Hagerud, G.E. (1996), “Discrete Time Hedging of OTC Options in a GARCH Environment : A Simulation Experiment,” Working Paper Series in Economics and Finance 165.
15.John, H.(2002), “Options, Futures, and other Derivatives,”4nd，Prentice-Hall International,Inc.
16.Kanas, A. (2001), “Neural Network Linear Forecasts For Stock Returns,” International Journal of Finance and Economics 6,245-254.
17.Lauterbach, B. & P. Schultz (1990), “Pricing Warrants : An Empirical Study of the Black-Scholes Model and Its Alternatives,”The Journal of Finance 45,1181-1209.
18.Macbeth, J.D. & L.J. Merville(1979), “An Empirical Examination of the Black-Scholes Call Option Pricing Model,”The Journal of Finance 34,1173-1186.
19.Rubinstein, M. (1985), “Nonparametric Tests of Alternative Option Pricing Models Using All Reported Trades and Quotes on the 30 Most Active CBOE Option Classes from August 23,1976 Through August 31,1978,”The Journal of Finance 40,455-480.