臺灣博碩士論文加值系統

在本篇文章中，我們應用三種不同的統計方法：參數、非參數、與半參數的模型來探討三種不同類型市場（股票市場、商品市場、與外匯市場）之VaR值，文中所採用估計VaR之方法包含：EWMA、GARCH模型、EGARCH模型、TGARCH模型、APARCH模型、歷史模擬法(Historical Simulation)與過濾的歷史模擬法(Filtered Historical Simulation)。為了更準確地計算風險值，在不同GARCH模型下，將分別採用常態分配、t分配以及一般化誤差分配(GED)來做模型估計以及風險值之計算。有鑒於大多數探討風險值之文獻只考慮買入部位之風險，本研究除了考量買入部位之風險值，同時也探討放空部位之風險值，以期更能全面性地估算風險。最後以三種評估原則(保守性、精確性以及效率性)進行對VaR模型的驗證，用以探討何者能有較佳的預測能力及績效，使投資大眾在面臨風險時，能正確的評估與控管，以避免承擔超過預期的損失。實證結果顯示：參數的TGARCH與APARCH相較於非參數的歷史模擬法和半參數的FHS表現佳。

In this thesis, we use three kinds of different statistical method: aims to investigate the precise of parametric, nonparametric, and semiparametric methods in predicting the one-day-ahead value-at-risk (VaR) measure in three types of markets (stock exchanges, commodities, and exchange rates). We use EWMA, GARCH, EGARCH, TGARCH, APARCH, HS, and FHS. In order to investigate better, under different GARCH models, three kinds of density distributions, normal, Student-t, and generalized error distributions, is used for estimating models and computing the VaR. In addition to the VaR for the long trading positions which most researches focus on to date, the VaR for the short trading positions are calculated as well in this study. The VaR models’ performance assessments are based on a range of measures that address the conservatism, accuracy and efficiency. The purpose is to find out which of the models has better prediction and performance for investors to evaluate and to take control in order to avoid unexpected lost while minimizing damage. From the empirical results we show that TGARCH and APARCH give better forecasts than HS and FHS.

第壹章 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 研究架構 5
第貳章 文獻探討 7
第一節 風險值之介紹 7
第二節 風險值模型之文獻探討 9
第參章 研究方法 18
第一節 研究流程 18
第二節 計算風險值的模型 20
第三節 模型驗證方法 31
第肆章 實證結果 35
第一節 資料來源與處理 35
第二節 基本統計特性分析 37
第三節 不對稱之診斷分析 39
第四節 風險值的估計 40
第伍章 結論與建議 53
第一節 研究結論 53
第二節 研究建議 54
參考文獻 55
附錄 59

圖目錄
圖1-1 研究架構圖 6
圖2-1 信賴水準與臨界報酬之關係 8
圖3-1 研究流程圖 18
圖4-1 移動視窗圖 36
圖4-2 大盤指數在?5%之VaR與實際損益 41

表目錄
表2-1 風險值估計方法的比較 9
表2-2 VaR國外相關文獻整理 12
表2-3 VaR國內相關文獻整理 16
表4-1 日報酬率基本統計特性 37
表4-2 不對稱檢定 39
表4-3 平均相對偏差（MRB）的排名結果：2種股票指數 44
表4-4 平均相對偏差（MRB）的排名結果：2種商品 45
表4-5 平均相對偏差（MRB）的排名結果：2種匯率 46
表4-6 平均相對偏差（MRB）的平均排名結果 47
表4-7 概似比檢定結果為顯著之個數 48
表4-8 平均相對規模偏差（MRSB）的排名結果：2種股票指數 50
表4-9 平均相對規模偏差（MRSB）的排名結果：2種商品 50
表4-10 平均相對規模偏差（MRSB）的排名結果：2種匯率 50
表4-11 平均相對規模偏差（MRSB）的平均排名結果 51
表4-12 不同之信賴水準的績效評估指標下之最佳模型彙整表 52

中文部分

1.王君文(2001)，「極值理論風險值評估模式之探討」，碩士論文，中正大學財務金融研究所。
2.李進生、謝文良、林允永、蔣炤坪、陳達新和盧陽正（2001），「風險管理-風險值(VaR)理論與應用」，清蔚科技股份有限公司。
3.沈大白、柯瓊鳳、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，頁57-76。
4.林保霖（2002），「增進蒙地卡羅模擬法評估風險值之績效研究」，碩士論文，國立台北大學企業管理研究所。
5.洪肇亨（2003），「不對稱GARCH風險值模型績效之研究」，碩士論文，東吳大學企業管理研究所。
6.楊宗庭（2001），「共同基金風險值的評估與應用」，碩士論文，國立台灣大學財務金融研究所。
7.陳若鈺 (1999)，「風險值(Value at Risk)的衡量與驗證:台灣股匯市之實證」，碩士論文，國立台灣大學財務金融研究所。
8.陳宜玫（2000），「風險值估測模型之研究：以台灣股票市場為例」，碩士論文，義守大學管理科學研究所。
9.聶建中、盧陽正和卓訓方（2000），「風險值估計方法之介紹」，證券金融，第71 期，頁29-55。
10.鄭天德（2002），「ARMA-TGARCH模型之建立」，碩士論文，國立交通大學經營管理研究所。


英文部分

1. Alexander ,C.O. and Leigh ,C.T.（1997）, “On the covariance models used in value at risk models,” Journal of Derivatives, Vol. 4, pp.50-62.
2. Barone-Adesi, G. and Giannopoulos, K.（2001）, “Non-parametric VaR techniques; myths and realities,” Economic Notes, Vol.30, Banca Monte dei Paschi di Siena, Siena, pp.167-81.
3. Beder, T.S. (1995), “VaR: Seductive but Dangerous,” Financial Analysts Journal, September-October, pp.12-24.
4. Black, F. (1976), “Studies of Stock Market Volatility Changes,” Proceedings of the American Statistical Association, Business and Economic Statistics Section, pp.177-181.
5.Bollerslev, T.（1986）, “Generalized autoregressive conditional heteroskedasticity,” Journal of Econometrics, Vol. 31, pp.307-27.
6. Christoffersen, P.（1998）, “Evaluating interval forecasts,” International Economic Review, Vol.39, pp.841-62.
7. Ding, Z., Granger, C.W.J. and Engle, R.F. (1993), “A long memory property of stock market returns and a new model,” Journal of Empirical Finance, Vol.1, pp.83-106.
8. Engle, R.F. (1982), “Autoregressive conditional heteroskedasticity with estimates of the variance of UK inflation,” Econometrica, Vol.50, pp.987-1008.
9. Engle, R.F. and V.K. Ng (1993), “Measuring and testing the impact of news and volatility,” Journal of Finance, Vol.48, pp.1749-1778.
10. Engel, J. and M. Gizycki, (1999), “Conservatism, Accuracy and Efficiency:
Comparing Value-at-Risk Models,” Working paper.
11. Fama, E. (1965), “The Behaviour of Stock Market Prices,” Journal of Business, Vol.38, pp.34—105.
12. Fornari, F., and A. Mele (1997), “Sign-and Volatility-Switching Arch Models： Theory and Applications to International Stock Markets,” Journal of Applied Econometrics, Vol.12, pp. 49-65.
13. Giot, P. and Laurent, S. (2003 a), “Value-at-risk for long and short trading positions,” Journal of Applied Econometrics, Vol.18, pp.641-64.
14. Giot, P. and Laurent, S. (2003 b), “Market risk in commodity markets: a VaR approach,” Energy Economics, Vol.25, pp.435-57.
15. Glosten, L., Jagannathan, R. and Runkle, D.（1993）, “ On the relation between the expected value and the volatility of the nominal excess return on stocks,” Journal of Finance, Vol.48, pp.1779-801.
16. Hendricks, D. (1996), “Evaluation of value-at-risk models using historical data,” Economic Policy Review, Vol. 2, pp.39-70.
17. Hull, J. and White, A. (1998), “Incorporating volatility updating into the historical simulation method for VaR,” Journal of Risk, Vol. 1, pp.5-19.
18. Jorion, P. (1996), “Risk：Measuring the Risk in Value-at-Risk,” Financial Analysts Journal, Vol. 52, pp.47-56.
19. J. P. Morgan (1996), RiskMetrics Technical Document, 4th ed., Morgan
Guaranty Trust Company.
20. Kupiec, P.H.（1995）, “ Techniques for verifying the accuracy of risk measurement models,” Journal of Derivatives, Vol.3, pp.73-84.
21. Lopez, J.A. (1996), “Methods for evaluating value-at-risk estimates,” Economic Review, Vol. 2, pp.3-17.
22. Mandelbrot, B. (1963), “The Variation of Certain Speculative Prices,” Journal of Business, Vol. 36, pp.394-419.
23. Nelson, D. (1991), “Conditional heteroskedasticity in asset returns: a new approach,” Econometrica, Vol. 59, pp.347-70.
24. Timotheos Angelidis and Stavros Degiannakis (2005), “Modeling risk for long and short trading positions,” Journal of Risk Finance, Vol. 6, pp.226-238.
25. Venkataraman, S.（1997）, “Value at risk for a mixture of normal distributions: the use of quasi-Bayesian estimation techniques,” Economic Perspectives, Vol. 21, Federal Reserve Bank of Chicago, Chicago,IL, pp.2-13.