臺灣博碩士論文加值系統

本研究以「台指選擇權」為研究標的，採用Engle and Gallo（2006）之歷史波動度模型為基礎，另納入阿姆斯指標（ARMS）、市場週轉率（TO）、賣買權交易量比率（PCV）、賣買權未平倉量比率（PCO）、投資人恐慌指數（VIX）作為投資人情緒指標，對未來波動度進行預測，並運用預測誤差衡量方法比較各模型未來波動度預測之準確性，最後透過未來波動度之預測建立交易策略，比較納入不同情緒指標在策略操作實務上之應用及績效結果。
本研究使用2012-2016年台指選擇權日資料，以結算日前5、10、15、20天作為交易日，建立跨式交易策略和單一部位交易策略。實證結果發現，在預測誤差方面，納入情緒指標以TO、VIX較為有效降低預測誤差，其後依序為PCV、ARMS及PCO。
以平均報酬而言，跨式交易策略以結算日前20天納入情緒指標ARMS之績效28.96%優於未納入情緒指標標竿模型之25.72%，且為整體策略中績效最佳者，其次為結算日前20天納入差分後TO及情緒指標PCO績效達27.39%。單一部位交易策略買權總平均績效以結算日前20天納入情緒指標PCO之績效53.51%明顯優於標竿模型之12.28%，且為買權總平均績效中最佳者，其次為結算日前20天納入差分後TO績效26.75%；賣權總平均績效則是以結算日前15天納入差分後VIX之績效11.93%明顯優於標竿模型之9.00%，且為賣權總平均績效中最佳者，其次為結算日前15天納入情緒指標TO績效達10.65%。
而單位風險報酬的部分，跨式交易策略以結算日前15天納入差分後PCO之表現2.00明顯優於標竿模型之0.92，其次為結算日前10天納入差分後PCO單位風險報酬3.26，不僅較標竿模型高出0.49，且亦為整體策略中表現最佳者。單一部位交易策略買權總平均績效以結算日前15天納入差分後PCO之表現0.78明顯優於標竿模型之0.23，其次為結算日前20天納入情緒指標PCO單位風險報酬0.38，較其標竿模型高出0.27；賣權總平均績效則是以結算日前20天納入原始情緒指標VIX之表現0.70優於標竿模型0.6，其次為結算日前10天納入差分後PCO單位風險報酬0.92，不僅較其標竿模型高出0.09，且亦為賣權總平均績效中表現最佳者。

This study adopts Engle and Gallo（2006） historical volatility model using TXO data and also recruiting the five indicators as investor sentiment indexes included: ARMS index, Turnover ratio(TO), Put-call trading volume ratio(PCV), Put-call option interest ratio(PCO), and Option volatility index(VIX) in order to forecast future volatility and using MAPE to evaluate the accuracy of future volatility for different model, finally we apply to forecasting future volatility to construct recruiting different sentiment indexes of options trading strategies to compare its performance.
Our research uses TXO daily data from 2012 to 2016 before h days of settlement date (h=5,10,15,20) to construct options straddle and one call(put) strategies. The empirical results find that recruiting sentiment indexes of TO and VIX can decline MAPE effectively, followed by PCV, ARMS and PCO.
In terms of average return, the straddle strategy recruiting ARMS index and executed on 20 days before the settlement day achieves the best return of 28.96% among all straddle strategies. The second best return is 27.39% obtained by the straddle strategy recruiting ΔTO or PCO and executed on 20 days before the settlement day. Both returns exceed the benchmark model（MHV）return of 25.72%. For call option strategy the one recruiting PCO and ΔTO, executed on 20 days before the settlement day generates the best and the second best return of 53.51% and 26.75%, respectively. Both are larger than their benchmark return 12.28%. For put option strategy the one recruiting ΔVIX and TO, executed on 15 days before the settlement day generates the best and the second best return of 11.93% and 10.65%, respectively. Both are greater than their benchmark return 9.00%.
In terms of Reward-to-risk ratio（RRR）, the straddle strategy recruiting ΔPCO and executed on 15 days before the settlement day achieves RRR of 2.00 which has the largest incremental improvement relative to its benchmark RRR of 0.92. The straddle strategy recruiting ΔPCO and executed on 10 days before the settlement day generates RRR of 3.26 which exceeds its benchmark RRR by 0.49 and is the highest RRR among all straddle strategies. For call option strategy the one recruiting ΔPCO and executed on 15 days before the settlement day generates the best RRR of 0.78, larger than its benchmark RRR of 0.23. The second best RRR is 0.38 obtained by the strategy recruiting PCO and executed on 20 days before the settlement day, which is also bigger than its benchmark RRR of 0.09. For put option strategy the one recruiting VIX index and executed on 20 days before the settlement day achieves RRR of 0.70 that exceeds its benchmark RRR of 0.6. The strategy recruiting ΔPCO and executed on 10 days before the settlement day brings RRR of 0.92, which exceeds its benchmark RRR by 0.09 and is the best RRR among all put option strategies.

目錄
摘要 i
Abstract ii
誌謝 iv
目錄 v
圖目錄 vi
表目錄 vi
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究架構與流程 3
第二章 文獻回顧 4
第一節 台灣加權股價指數及台指選擇權介紹 4
第二節 波動度預測 10
第三節 投資人情緒指標 11
第四節 選擇權交易策略 13
第三章 研究方法 15
第一節 資料說明 15
第二節 情緒指標介紹 15
第三節 波動度模型建構 18
第四節 預測誤差衡量 20
第五節 選擇權交易策略 21
第四章 實證結果與分析 25
第一節 納入情緒指標之波動度預測與評估 25
第二節 選擇權交易策略 -跨式交易 31
第三節 選擇權交易策略 -單一部位交易 41
第五章 結論與建議 61
第一節 平均誤差衡量 61
第二節 跨式交易策略 61
第三節 單一部位交易策略 63
參考文獻 66
附錄一 台指選擇權之契約規格 68
附錄二 波動度預測模型之基本迴歸結果 70
附錄三 選擇權跨式交易策略之比例 83
附錄四 選擇權跨式交易策略之風險 84
附錄五 選擇權單一部位交易策略之比例 86
附錄六 選擇權單一部位交易策略之風險 88

圖目錄
圖1 研究流程圖 3
圖2 「全球證交所期貨及選擇權交易量比例分布」 4
圖3 臺指選擇權（TXO） 2001-2016年度日平均成交量 10
圖4 波動度預測及交易策略架構圖 22

表目錄
表1 2015 全球證交所交易量排名 5
表2 2015全球指數選擇權契約成交量排名 7
表3 2016全球證交所交易量排名 8
表4 2016全球指數選擇權契約成交量排名 9
表5 波動度預測模型之基本迴歸結果(h5,n60) 26
表6 波動度預測模型之基本迴歸結果(h10,n60) 27
表7 波動度模型之基本迴歸結果(h15,n90) 28
表8 波動度預測模型之基本迴歸結果(h20,n90) 29
表9 波動度預測模型之預測誤差(MAPE)評估 30
表10 選擇權跨式交易策略平均報酬 33
表11 綜合比較-最佳之選擇權跨式交易策略平均報酬 35
表12 選擇權跨式交易策略之每單位風險報酬 38
表13 綜合比較-最佳之選擇權跨式交易策略每單位風險報酬 40
表14 選擇權單一部位交易策略平均報酬 46
表15 綜合比較-最佳之選擇權單一部位交易策略平均報酬 50
表16 選擇權單一部位交易策略之每單位風險報酬 55
表17 綜合比較-最佳之選擇權單一部位交易策略之每單位風險報酬 59

參考文獻
[1] 林媺樺(2013)，選擇權市場情緒指標於台灣期貨市場之運用，南台科技大學財務金融研究所碩士學位論文。
[2] 胡僑芸(2003)，臺指選擇權VIX指數之編製與交易策略分析，國立中山大學財務管理研究所碩士論文。
[3] 康孟婷(2015)，投資人情緒對於市場報酬預測能力之研究，國立高雄應用科技大學金融系金融資訊碩士班碩士論文。
[4] 張至賢(2013)，衡量投資人情緒指標持續效果對投資績效的影響，國立中央大學企業管理學系碩士論文。
[5] 張鐘霖(2003)，波動率模型預測能力的比較-以臺指選擇權為例，台灣金融財務季刊，第四輯第二期(92年6月)，41-63。
[6] 陳仕庭(2007)，香港恆生指數未來真實波動度之預測–多因子波動度模型及門檻模型之應用，銘傳大學財務金融學系碩士班碩士論文。
[7] 黃奕銘(2006)，台指選擇權波動率與交易策略之實證研究-賣方策略、買進鐵蝴蝶及鐵兀鷹策略、Delta-gamma-vega Netural策略，國立台灣大學財務金融學研究所碩士論文。
[8] 賴星旅(2008)，選擇權波動度交易策略之探討-以台指選擇權為例，政治大學金融研究所碩士論文。
[9] 顏志泓(2007)，納入情緒指標之波動度預測及其波動度交易策略上之應用，銘傳大學財務金融學系碩士班碩士論文。
[10] Baker, M., and Wurgler, J.(2006). Investor sentiment and the cross-section of stock returns. Journal of Finance, 61(4), 1645-1680.
[11] Baker, M., and Wurgler, J.(2007). Investor sentiment in the stock market. Journal of Economic Perspectives, 21(2), 129-151.
[12] Banerjee, P. S., Doran, J. S. and Peterson, D. R.(2007). Implied volatility and future portfolio returns. Journal of Banking & Finance, 31(10), 3183-3199.
[13] Bathia, D. and Bredin, D.(2013). An examinations of investor setiment effect on G7 stock market returns. The European journal of finance, 19(9), 909-937.
[14] Becker, R., Clements, A. E.(2008). Are combination forecasts of S&P 500 volatility statistically superior? International Journal of Forecasting, 24(1), 122-133.
[15] Becker, R., Clements, A. E., and White, S. I.(2007). Does implied volatility provide any information beyond that captured in model-based volatility forecasts? Journal of Banking & Finance, 31(8), 2535-2549.
[16] Blair, B. J., Poon, S. H. and Taylor, S. J.(2001). Forecasting S&P 100 volatility: the incremental information content of implied volatilities and high-frequency index returns. Journal of Econometrics, 105(1), 5-26.
[17] Brown, G. W. and Cliff, M. T.(2004). Investor sentiment and the near-term stock market. Journal of Empirical Finance, 11(1), 1-27.
[18] Brown, G. W.(1999). Volatility, sentiment, and noise traders. Financial Analysts Journal, 55(2), 82-90.
[19] Engle, R.F., and Gallo, G.M.(2006). A multiple indicators model for volatility forecasting using intra-daily data. Journal of Econometrics, 131(1-2), 3-27.
[20] Fisher, K. L. and Statman, M.(2000). Investor Sentiment and Stock Returns. Financial Analysts Journal, 56(2), 16-23.
[21] Her-Jiun Sheu, Yu-Chen Wei(2011).Effective options trading strategies based on volatility forecasting recruiting investor sentiment. Expert Systems with Applications, 38(1),585-596.
[22] Kahneman, D and Tversky, A.(1979). Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263-291.
[23] Lee, W. Y., Jiang, C. X. and Indro, D. C.(2002). Stock market volatility, excess returns, and the role of investor sentiment. Journal of Banking & Finance, 26(12), 2277-2299.
[24] Poon, S. H. and Granger, C. W. J.(2003). Forecasting Volatility in Financial Markets: A Review. Journal of Economic Literature, 41(2), 478-539.
[25] Simon, D. P. and Wiggens, R. A.(2001). S&P futures returns and contrary sentiment indicators. The Journal of Futures Markets, 21(5), 447-462.
[26] Wang, C.(2001). Investor sentiment and return predictability in agricultural futures markets. Journal of Futures Markets, 21(10),929-952.
[27] Wang, Y. H., Keswani, A. and Taylor, S. J.(2006). The relationships between sentiment, returns and volatility. International Journal of Forecasting, 22(1), 109-123.
[28] Will Acworth(2016). 2015 Annual Survey: Global Derivatives Volume-Asia Takes the Lead. Retrieved from http://marketvoicemag.org/?q=content/2016-annual-volume-survey
[29] Will Acworth(2016). 2016 Annual Volume Survey Global Futures and Options Volume Reaches Record Level. Retrieved from http://marketvoicemag.org/?q=content/2015-annual-survey-global-derivatives-volume