臺灣博碩士論文加值系統

本研究乃是以LPMs法之架構，針對摩根台指、台灣期指、Nikkei 225、FTSE 100、S&P 500以及Nasdaq 100等五種金融商品做最適避險比率之探討。其中，將LPMs區分為間斷型的經驗分配函數法則與連續型的核心密度估計法。並可對任何設定下的損失風險，使用數值分析法來計算其避險比率。使用LPMs之模型，可以合理性的將投資人偏好與報酬分配之間相互結合在一起。此外，對於避險模型績效之衡量，我們採取與傳統M-V避險法相互比較之。
我們發現，如果以歷年之週報酬來說，大致上以LPM法所求出之避險效果最佳。以每單位風險溢酬的觀念來看，應用核函數的LPM法在台股、Nikkei 225、FTSE 100、S&P 500與Nasdaq 100表現最佳，其次為離散型之LPM，傳統M-V避險法之效果不如前述二者優良。當我們納入選擇權並與期貨合約一起探討時，並深入研究在不同的目標報酬與風險趨避程度下之有關最適的避險比率，結果發現如以S&P 500指數選擇權來規避下方風險時，相較期貨合約來說績效較好。而對於另外一項金融商品Nasdaq 100來說，則以期貨合約較選擇權合約為優。

This study explores the optimal hedging ratio of index futures in weekly return data using the Lower Partial Moments（LPMs）method. Two LPMs estimation methods, the empirical distribution method and the kernel density estimation method, were applied to estimate the optimal hedging ratio on MSCI Taiwan index（SGX-DT）, TAIFEX, SNA（Nikkei 225 index）,LSX（FTSE 100 index）, ISP（S&P 500 index）, and CNI（Nasdaq 100 index）. Within the downside risk framework, the LPM allows the use of utility functions which result of investors’aversion to shortfalls below a target return.
This research found that the hedging performance of LPM estimation methods are better than those of M-V method in the investigation. On the basis of a unit of risk premiun, the kernel density estimation method has higher return on unit risk than the emprical distribution method. The empirical considered the return premiun and standard deviation of the call option contracts of S&P 500 and Nasdaq 100 with LPMs estimation method, and the result were compared with those of futures contracts. The results from S&P 500 options outperform the those from S&P 500 futures in average daily return. This study also found that Nasdaq 100 future contracts were outstanding hedging instrument than options in post-sample analysis, although it’s daily return is negative.

目錄
摘 要…………………………………………………………Ⅰ
誌 謝…………………………………………………………Ⅲ
目 錄…………………………………………………………Ⅳ
表目錄…………………………………………………………Ⅴ
圖目錄…………………………………………………………………Ⅵ
第一章 緒論
第一節 研究背景及動機………………………………………….1
第二節 研究目的…………………………………………………3
第三節 研究架構…………………………………………………4
第二章 文獻回顧
第一節 相關衍生性金融商品介紹………………………………5
第二節 避險理論之探討…………………………………..……..9
第三節 避險實證文獻之探討……………………….………….14
第三章 研究方法與資料
第一節 隨機優勢理論…………………………………………..17
第二節 左尾動差（Lower Partial Moments）衡法………..…..22
第三節 最適避險比率的估計…………………………………..28
第四章 實證研究結果與分析
第一節資料來源與說明………………………………………..31
第二節指數期貨實證結果分析………………………………..33
第三節指數期貨與指數選擇權實證分析比較………………..49
第五章 結論與建議
第一節結論………………………………………………………55
第二節研究限制與相關建議……………………………………56
參考文獻
一、中文部分…………………………………………………….58
二、英文部分…………………………………………………….58

表目錄

表2.1世界主要期貨交易所一覽表…………………………………………………6
表2.2選擇權與期貨交易特性之比較……………………………………………....8
表4.1實證金融商品之取樣時間表…………………………………………………31
表4.2摩根台股指數現貨與期貨週報酬之敘述統計量…………………………....33
表4.3台股指數現貨與期貨週報酬之敘述統計量…………………………………34
表4.4摩根台指與台灣指數歷年避險比例…………………………………………34
表4.5摩根台指樣本外週報酬避險測試……………………………………………35
表4.6台灣指數樣本外週報酬避險測試……………………………………………36
表4.7 Nikkei 225指數現貨與期貨週報酬之敘述統計量………………………….37
表4.8 Nikkei 225指數歷年避險比例……………………………………………….38
表4.9 Nikkei 225樣本外期貨週報酬避險測試…………………………………….39
表4.10 FTSE 100指數現貨與期貨週報酬之敘述統計量………………………….40
表4.11 FTSE 100指數歷年避險比例……………………………………………….41
表4.12 FTSE 100樣本外期貨週報酬避險測試…………………………………….42
表4.13 S&P 500指數現貨與期貨週報酬之敘述統計量…………………………...43
表4.14 S&P 500指數歷年避險比例………………………………………………...44
表4.15 S&P 500樣本外期貨週報酬避險測試……………………………………...45
表4.16 NASDAQ 100指數現貨與期貨週報酬之敘述統計量……………………..46
表4.17 Nasdaq 100指數歷年避險比例……………………………………………...47
表4.18 Nasdaq 100樣本外期貨週報酬避險測試…………………………………...48
表4.19 S&P 500與Nasdaq 100指數日報酬摘要性統計量………………………..49
表4.20 S&P 500與Nasdaq 100在使用LPMs法下之各種避險比率……………..50
表4.21避險比率與目標報酬的關係………………………………………………...51
表4.22避險比率與n的關係………………………………………………………...52
表4.23 S&P 500與Nasdaq 100日報酬樣本外測試…………………………….….53

圖目錄

圖1.1研究流程圖……………………………………………………………….….4
圖3.1一階隨機優勢比較…………………………………………………………..18
圖3.2一階隨機優勢與效用比較…………………………………………………..19
圖3.3二階隨機優勢比較…………………………………………………………..20
圖3.4二階隨機優勢期望效用之比較……………………………………………..21

一、中文1.王淑芬（1999），「期貨與選擇權」，第一版，台北：智勝文化。2.余家銘（2002），「Mathematica程式設計風格與應用」，尚未出版，台北：文魁資訊。3.姜一銘（1995），「時間數列之核密度估計探討」，政治大學統計研究所碩士論文。4.溫曜誌（1998），「以SIMEX摩根台股指數期貨規避台灣股價指數風險之研究」，政治大學財務管理研究所碩士論文。5.陳俞吟（1998），「核密度函數估計時變異帶寬之選取法」，東華大學應用數學研究所碩士論文。6.趙敏娟（2000），「指數期貨最適避險策略之研究」，淡江大學財務金融研究所碩士論文。二、英文1.Ahmadi, H. Z., Sharp, P. A. and Walther, C. H.(1986). The effectiveness of futures and options in hedging currency risk. Advance in Futures and Options Research, 1, 171-191.2.Bawa, V. S.(1978). Safely-first, stochastic dominance and optimal protfolio choice. Journal of Financial and Quantitative Analysis, 33, 25-71.3.Bollerslev, T., (1986). Generalized autoregressive conditional heteroscedasticity. Journal of Economics, 33, pp.307-3274.Bruce, A., Benet & Luft, C. F. (1995). Hedge performance of SPX index Options and S&P 500 futures . Journal of Futures Markets, 15, 691-717.5.Chang, J. S. K., & Shanker, L.(1986). Hedging effectiveness of currency options and currency futures. Journal of Futures Markets, 6, 289-305.6.Copeland, T. E., & Weston, J. F.(1992). Financial Theory and Corporate Policy. 3th, ed. Addison Wesley, New York.7.Cox, J. C., & Rubinstein, M. (1985). Options Markets. Englewood Cliffs, NJ: Prentice -Hall.8.Edtekbari, Bagak, (1998) Lower partial moment hedging ratio. Applied Financial Economics, 8, 645-652.9.Engle, R.F., 1982, Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50, pp.987-1008.10.Fishburn, P. J.(1977). Mean-risk analysis with risk associated with below-target returns. American Economic Review, 67, 116-126.11.Henk, G., & Winfried, H. (1999). Variance vs downside risk: Is there really that much difference? European Journal of Operrational Research, 114, pp.304-319.12.Lien, D., & Tse, Y. K. (2000). Hedging downside risk with futures contracts. Applied Financial Economics, 10, 163-170.13.Lien, D., & Tse, Y. K. (2001). Hedging downside risk： futures vs. options. International Review of Economics and Finance, 10, 159-169.14.Silverman, B. W.(1986). Density Estimation for Statistics and Data Analysis. NY：Chap- man and Hall.