(3.230.143.40) 您好!臺灣時間:2021/04/21 07:35
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:李盈儀
研究生(外文):Ying-Yi Li
論文名稱:ANN-GJR-GARCH模型用於高頻率台指期貨日內資料之風險值績效評估
論文名稱(外文):ANN-GJR-GARCH Model Applied in the Evaluation of High Frequency Taiwan Index Future Intra-day Data
指導教授:李沃牆李沃牆引用關係
指導教授(外文):Wo-Chiang Lee
學位類別:碩士
校院名稱:真理大學
系所名稱:財經研究所
學門:商業及管理學門
學類:一般商業學類
論文種類:學術論文
論文出版年:2004
畢業學年度:92
語文別:中文
論文頁數:73
中文關鍵詞:指數期貨風險值GARCH波動率程式交易
外文關鍵詞:index futuresValue at RiskGARCH volatilityprogramming trading
相關次數:
  • 被引用被引用:1
  • 點閱點閱:235
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本文除使用日內(intra-day)每10秒的高頻率資料進行分析外,並嘗試以不同的波動性模型,如GARCH、GJR-GARCH、ANN-GJR-GARCH模型來求算VaR,最後並利用平均值、變異數百分比、風險值間距的平均數、相對均方根偏差和誤差效度來評估不同波動性VaR模型的績效。經由GARCH模型、GJR-GARCH模型、ANN-GJR-GARCH模型估算出之波動性,其日內叢聚現象大致相同,但將日內資料與日資料比較後,發現日內資料之叢聚現象不明顯,且其波動跳動日資料來得小,顯示使用日資料做決策時,風險較高。比較不同GARCH-type-VaR模型的穩定性,發現大部分的VaR績效評估中,利用ANN-GJR-GARCH-VaR模型估算最不穩定,而GARCH-VaR模型最為穩定。最後亦使用Wilcoxon符號等級檢定予以驗證,在五種評估指標中三種模型兩相比較後,大部分結果為無顯著差異,而在風險間距的平均數,RMS和誤差效度的風險評估方法中,皆是以GARCH-VaR模型的表現較好。
The paper used per 10 secs Taiwan stock index futures intra-day high frequency data and tried to apply three variation GARCH-type volatility models,named GARCH,GJR-GARCH,ANN-GJR-GARCH VaR models. In The last,we used mean、percentage volatility、mean distance of VaR,RMS,error validation and back-test to evaluate VaR models. Results show that ,GARCH model,GJR-GARCH and ANN-GJR-GARCH model have the same intra-day volatility clustering. However, comparison of intra-day and inter day data,we find different volatility clustering figures. The volatility of inter day is higher than intraday data . It also shows that to make decision by inter aday data bring a high risk. To test the stability of GARCH-type VaR by Wilcoxon sign test,we find the ANN-GJR-GARCH VaR model is most unstable between all VaR models. But GARCH-VaR model has the best stability.
第一章 緒論
第一節 研究背景與動機………………………………………………….1
第二節 研究目的………………………………………………………….2
第三節 研究範圍………………………………………………………….2
第四節 研究架構與流程………………………………………………….2
第二章 文獻回顧與探討
第一節 風險值相關文獻………………………………………………….5
第二節 波動性模型獻…………………………………………………...9
第三節 高頻率資料文獻…………………………………………………15
第三章 研究理論與基礎與研究方法設計
第一節 台股指數期貨介紹………………………………………………19
第二節 風險值理論介紹…………………………………………………24
第三節 波動性模型介紹….…………………………………………….25
第四節 研究設計……………………………………………….……….29
第五節 單根檢定…………………………………………….………….32
第六節 異質性檢定………………………………………………………36
第七節 不對稱性效果檢定………………………………………………36
第八節 VaR評比指標…………………………………………………….36
第九節 Wilcoxon符號等級檢定…………………………………………38
第四章 實証結果與分析
第一節 實証資料說明.…..…………………………………………….40
第二節 資料檢定……………….……………………………………….41
第三節 報酬波動性模型結果之分析…………………………………..44
第四節 風險值模型之結果分析………………………………………..51
第五章 結論與建議
第一節 結論………………………………………………………………56
第二節 建議………………………………………………………………57
參考文獻……………………………………………………………….....58
附錄………………………………………………………………………….61
一、中文部分
1、石德隆(1997)「VaR模式應用於台股指數期貨風險控管之研究」,國立政治大學企業管理研究所碩士論文。
2、沈大白、柯瓊鳳與鄒武哲(1998)「風險值衡量模式之探討-以台灣上市公司權益證券為例」,《東吳經濟商學學報》,第二十二期,57-76 頁。
3、翁勝彬(1998)「認購權證發行人市場風險值之衡量與評估」,私立東吳大學經濟學研究所碩士論文。
4、余金榮(1999)「期貨與現貨價格關聯及波動性之研究-GARCH誤差修正模型之應用」國立台北大學經濟研究所碩士論文。
5、陳逸謙(1999)「股價指數期貨的交易量、價格波動與到期期間之關係」國立台灣科技大學管理研究所碩士論文。
6、蔡麗茹 葉銀華(2000),「不對稱GARCH族模型預測能力之比較研究」,《輔仁管理評論》,第7卷,第1期,頁183-195。
7、陳英生(2000)「台灣股市日內報酬波動之研究」國立成功大學國際企業研究所碩士論文。
8、林美蓮(2000),「高頻率股市報酬波動性之ANN-GARCH Model」,國立交通大學經營管理研究所碩士論文。
9、余尚武、賴昌作(2001),「股價指務期貨之避險比率與避險效益」,國立台灣科技大學資訊管理研究所。
10、洪瑞成(2002)「風險值之探討-對稱與不對稱波動GARCH 模型之應用」,私立淡江大學財務金融研究所碩士論文。
11、林威助(2002)「多變量GARCH架構下股價指數期貨避險策略之研究」,國立台北大學研究所碩士論文。
12、陳群怡(2002)「台灣各類股價指數期貨日內交易型態與價量關係之研究」,國立台灣科技大學企業管理研究所碩士論文。
二、英文部分
1.Alexander, C. O.( 1997), “On the Covariance Matrices Used in Value at Risk Model,” The Journal of Derivatives, Spring, pp.50-62.
2.Beder, Tanya Styblo (1995), “VAR:Seductive but Dangerous,”Financial Analysis Journal, September-October.
3.Billio, M. and L. Pelizzon(2000), “Value-at-Risk:A Multivariate Switching Regime Approach,”Journal of Empirical Finance, 7, pp.531-554
4.Bollerslev, T.(1986), “Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics, 31, pp.307-327.
5.Clements, M.P.N. Taylor(2003), “Evaluating Interval Forecasts of High-Frequency Financial Data,” Journal of Applied Econometrics,Vol. 18 Issue 4, pp. 445-455.
6.Dickey, D.A. and W.A. Fuller(1979A), “Distribution of the Estimators for Autoregressive Time Series With a Unit Root,” Journal of Business and Economic Statistics, 4, pp. 455-461.
7.Dickey, D.A. and W.A. Fuller(1979B), “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root,” Econometrica, 49, pp.1057-1072.
8.Donaldson, R.G. and M. Kamstra (1996), “An Artificial Neural Network-GARCH Model for International Stock Return Volatility,” Journal of Empirical Finance, 4, pp.17-46.
9.Engle, R.F.(1982) , “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation,” Econometrica, 50, pp.987-1007.
10.Engle, R.F. and C.W.J.Granger(1987), “Cointegration and Error Corretion:Estimation and Testing,” Econometrica, 55, pp. 251-276.
11.Engle, R.F. & Ng., V.K.(1993), “Measuring and Testing the Impact of News on Volatility,”Journal of Finance, 48,pp.1749-1778.
12.Glosten, L.R.& R. Jagannathan, & D.E Runkle(1993) , “On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks,” Journal of Finance ,48, pp.1779-1801.
13.Hansen P. R. and A. Lunde(2001), “ A Forecast Comparison of Volatility Models:Does Anything Beat a GARCH(1,1),” Brown University, Department of Economics, Working Paper No. 01-04
14.J.P. Morgan & Reuters(1996), RiskMetrics Techincal Document, 4th edtion.
15.Klaassen,F.(2002), “Improving GARCH Volatility Forecasts with Regime-Switching GARCH,” Empirical Economics, 27, pp.363-394
16.Kuen, T. Y., and T. S. Hoong.(1992), “Forecasting Volatility in the Singpore Stock Market,” Asia Pacific Journal of Management, vol. 9, pp.1-13.
17.Lockwood, L.J.& Linn, S.C.(1990), “An Examination of Stock Market Return Volatility during Overnight and Intraday periods,1964-1989,”Journal of Finance, 45, pp.591-601.
18.Mclnish, T.H. and Wood, R.A.(1992), “An analysis of Intraday Patterns in Bid/Ask Spreads for NYSE stock,”Journal of Finance , 47, pp.753-764
19.Nelson, D.B.(1991), “Conditional Heteroskedasticity in Asset Returns: A New Approach,” Econometrica, 59, pp.347-370.
20.Phillips, P.C.B. and P.Perron(1988), “Testing for a Unit Root in Time Series Regression,” Biometrika, 75, pp. pp.335-346.
21.Tse, Y.(1999), “Price Discovery and Volatility Spillovers in the DJIA Index and Futures Markets,” The Journal of Futures Markets, 8, pp.911-930.
22.Weixian W. (2002), “Forecasting Stock Market Volatility with Non-linear GARCH Models:A Case for China,” Applied Economics Letter, 9, pp.163-166.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔