跳到主要內容

臺灣博碩士論文加值系統

(3.95.131.146) 您好!臺灣時間:2021/07/29 02:35
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:吳佩珊
研究生(外文):Pei-San Wu
論文名稱:應用遺傳程式規劃於台灣加權股價指數真實波動率之預測
論文名稱(外文):The Realized Volatility Forecasting in TAIEX with Genetic Programming
指導教授:林文修林文修引用關係
指導教授(外文):Wen-Shiu Lin
學位類別:碩士
校院名稱:輔仁大學
系所名稱:資訊管理學系
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:131
中文關鍵詞:遺傳程式規劃台灣加權股價指數波動率選擇權
外文關鍵詞:Genetic Programming(GP)Taiwan Stock Exchange Capitalization Weighted Stock Index (TAIEX)VolatilityOption
相關次數:
  • 被引用被引用:4
  • 點閱點閱:116
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
在金融市場中,商品之波動即是風險的主要來源,若能掌握投資商品的波動率即可掌握投資風險。本研究跳脫傳統波動預測模型理論,以遺傳程式規劃(Genetic Programming, GP)為建模工具,將可能影響台灣加權股價指數(TAIEX)變動之因素納入模型內進行演化,建構出可有效預測次日台灣加權股價指數真實波動率之預測模型。並藉由實驗結果之分析,比較遺傳程式規劃預測模型與歷史波動模型、GARCH波動模型及隱含波動模型之預測績效,最後以台指選擇權進行模擬交易,以驗證本研究模型之適用性。
本研究實驗結果可歸納為以下幾點:(1)在遺傳程式規劃模型的參數操作上,發現經過不斷競爭而勝出的父代及子代,若能保留適當的數目至下一代新的族群,將可增加最佳解結構的複雜度,並提升適應值演化的結果,更有機會找到全域最佳解,但演化時間相對較長。(2)在適應函數的評估上,以MSPE為適應函數之遺傳程式規劃模型具有最好的預測績效,其次為MAE,最差則為MSE。(3)經實驗證明,遺傳程式規劃模型確實可有效預測加權股價指數未來波動變化,且可有效篩選出重要的影響因素。在價量因素方面,台指期貨的價格因素重要性高於選擇權市場,而交易量因素之影響性則不如價格因素顯著。在技術指標方面,波動率5天移動平均(MA5)為預測次日波動最主要的技術指標,其次為波動率5日威廉指標(WMS5)。(4)在解釋變數的完整性上,將遺傳程式規劃篩選出的重要解釋變數,再搭配波動率技術指標重新演化,可顯著提升模型的演化效率及預測績效。(5)在模型預測能力的比較上,遺傳程式規劃模型對次日加權股價指數波動率的預測能力最好,其次則為隱含波動率及20天歷史波動率,最差則為GARCH(1,1)模型。(6)在投資策略的應用上,將模型預測之波動值應用於台指選擇權市場進行操作,不論在10天、5天、及每日之交易策略中,均可獲得良好的投資績效,證實本研究模型在實務應用上是可靠且有用的。經研究發現,若再加入波動幅度的判斷機制及搭配適當的交易策略後,可進一步提升投資績效。
The fluctuation of commodities is the major effect of causing risk in financial market. Therefore, mastering the fluctuation of investitive commodities will make better understanding of controlling the risk of investment. Unlike traditional model of volatility forecast, this study mainly focus on taking Genetic Programming (a.k.a. GP) as the model, and adding the major contributors of effect to construct the effective model of predicting the realized volatility of TAIEX of the next day. Moreover, we compare GP Model with historical volatility model, GARCH(1,1) volatility model and implied volatility model of their forecasting performance, and simulative trade on TXO to prove the applicability of GP model.
There are six features concluded from the results of the experiments of this study. (1) In terms of the GP parameter manipulation, by keeping appropriate amounts of the survival parents and children to next generation will increase the model complexity and improve the forecasting performance. However, it takes more time on evolution. (2) By evaluating the fitness function, MSPE gets the best evolution performance, and then followed by MAE and MSE. (3) By analyzing the result of the experiment, we proved that GP Model indeed successfully forecasts the next day realized volatility of TAIEX, and can sieves out the important effects. As for the effect factor of price and volume, the factor of price in TAIEX future (a.k.a. TX) market is much important than TAIEX option (a.k.a. TXO) market. However, the factor of trade volume is not as obvious as the factor of price. In terms of technique indicators, MA5 is the major one of forecasting the next day volatility, and followed by WMS5. (4) As for the sufficiency of explain variables, combining the important explain variables which were sieved out by GP Model and the volatility technique indicators can highly promote the efficiency of evolution and the performance of forecast. (5) In terms of the comparison of forecast ability of models, GP Model has the best forecast ability to the next day realized volatility of TAIEX, the implied volatility model and twenty-day historical volatility model rank the second and the third respectively, and then GARCH(1,1) mode performs the worst. (6) For the application of trade strategy, by applying the volatility which was predicted by GP Model trading in TXO market, can reaches great investment return no matter in ten-day, five-day or everyday trading. And the result shows the reliable and useful of GP model in practical application. Furthermore, it will further promote investment return by adding determining mechanism of volatility range in trade strategy.
表次 vi
圖次 vii
第壹章 緒論 1
第一節 研究背景與動機 1
第二節 研究問題 2
第三節 研究目的 2
第四節 研究流程 3
第五節 論文架構 5
第貳章 文獻探討 6
第一節 台灣加權股價指數與台指選擇權介紹 6
第二節 波動估計模型介紹 12
第三節 波動預測相關文獻探討 19
第四節 影響台灣加權股價指數市場真實波動因素探討 22
第五節 遺傳程式規劃介紹 26
第六節 遺傳程式規劃於財務金融領域研究 33
第七節 文獻彙總分析 36
第參章 研究方法 37
第一節 研究模型 37
第二節 遺傳程式規劃架構設計 39
第三節 研究設計 47
第肆章 實驗結果分析 51
第一節 實驗樣本描述 51
第二節 系統績效測試 53
第三節 實驗結果說明 60
第四節 分析與討論 98
第伍章 投資策略應用 100
第一節 投資策略說明 101
第二節 投資績效分析 105
第陸章 結論與建議 122
第一節 結論 122
第二節 研究貢獻 124
第三節 研究限制 125
第四節 後續研究建議 125
參考文獻 127
一、中文部分
1.王衍智,台灣股票選擇權日內價格訂價模型研究-比較時間序列方法與基因規劃方法,朝陽科技大學財務金融系碩士班碩士論文,2004。
2.李昀薇,台股指數現貨、期貨與選擇權市場交互動態關聯之探討,東海大學國際貿易學系碩士論文,2005。
3.吳東安,股價波動與交易量之關係,暨南國際大學經濟學系碩士論文,2001。
4.林宜芬,遺傳程式規劃為基的時間序列模型在金融市場之應用,輔仁大學資訊管理研究所碩士論文,2006。
5.林澤全,模糊遺傳程式規劃在認購權證訂價模式之研究,輔仁大學資訊管理研究所碩士論文,2005。
6.林慧芬,台指選擇權市場交易對現貨與期貨之訊息傳遞效果,國立台北大學合作經濟系碩士論文,2005。
7.林耀堂,遺傳程式規劃於股市擇時交易策略之應用,國立中央大學資訊管理研究所碩士論文,2001。
8.柯政宏,COBE新編VIX指數於台指選擇權及實現波動度預測上之應用,銘傳大學財務金融研究所碩士論文,2004。
9.洪志豪,技術指標KD、MACD、RSI與WMS%R之操作績效實證,國立臺灣大學國際企業學研究所碩士論文,1999。
10.徐松奕,以技術指標對台灣加權股價期貨指數報酬之研究,國立東華大學企業管理學系碩士論文,2003。
11.陳煒朋,GARCH模型與隱含波動性模型預測能力之比較,淡江大學財務金融研究所碩士論文,1999。
12.傅光萬,遺傳程式規劃為基礎的股票動態交易策略之研究-模糊化技術指標擇時策略之應用,輔仁大學資訊管理研究所碩士論文,2005。
13.張瓊嬌,台股指數期貨基差調整過程之探討─應用平滑轉換自我迴歸模式,國立台北大學企業管理系博士論文,2003。
14.張鐘霖,波動率模型預測能力的比較-以台指選擇權為例,國立中正大學財務金融研究所碩士論文,2003。
15.楊奕農,時間序列分析:經濟與財務上之應用,臺北:雙葉書廊,2005。
16.楊嘉銘,股市價格波動性對股價指數期貨交易活動之影響,國立嘉義大學管理研究所碩士論文,2005。
17.趙其琳,波動性預測能力比較─台灣認購權證之實證研究,淡江大學財務金融研究所碩士論文,1999。
18.蔡垂君,台灣股價指數期貨與現貨之實證研究,國立台北大學企業管理學系博士論文,2003。
19.劉怡君,應用遺傳程式規劃於臺指買權評價之研究,輔仁大學資訊管理研究所碩士論文,2004。
20.劉思辰,期貨交易對現貨股價指數波動之關聯性研究,國立台北大學合作經濟學系碩士論文,2002。
21.鍾澄吉,運用類神經網路預測選擇權評價模式中股票價格波動率之實證研究,國立交通大學資訊管理研究所碩士論文,1998。

二、英文部分
1.Andersen, T., & Bollerslev, T., Answering the skeptics: yes, standard volatility models do provide accurate forecasts. International Economic Review, 39, 1998, pp. 885-905.
2.Beckers, Variances of Security Price Returns Based on High, Low and Closing Price, Journal of Business, 56(1), 1983, pp.97-112.
3.Bollerslev, T., Generalized Autoregressive Conditional Heteroskedasticity, Journal of Econometrics, 31, 1986, pp.307-327.
4.Black, F. & Scholes, M., The pricing of options and corporate liabilities, Journal of Political Economy, May-Jun, 1973, pp.637-659.
5.Black, F., Fact and fantasy in the use of options and corporate liabilities, Financial Analysis Journal, 3, July-August, 1975, pp36-41, pp61-72.
6.Canina, L. & Figlewski, S., The Informational Content of Implied Volatility, The Review of Financial Studies, 6:G3, 1993, pp.659-681.
7.Chu, S.H. & Freund, S., Volatility Estimation for Stock Index Options: GARCH Approach, The Quarterly Review of Economics and Finance, 36, 1996, pp.431-450.
8.Christopher, J.N. & Paul, A.W., Predicting Exchange Rate Volatility: Genetic Programming vs. GARCH and RiskMetrics, 2001.
9.Chen, S.H. & Yeh, C.H., Using Genetic Programming to Model Volatility in Financial Time Series: The Cases of Nikkei 225 and S&P 500, Proceedings of the Second Annual Conference, 1997.
10.Clark, P., A subordinated stochastic process models with finite variance for speculative prices, Econometrica, 41, 1973, pp.135-155.
11.Day, E. & Lewis, M., Stock Market Volatility and the Information content of Stock Index Options, Journal of Econometrics, 52, 1992, pp. 267-287.
12.Engle, R.F., Autoregressive Conditional Heteroskedasticity with Estimates of Variance of UK Inflation, Econometrica, 50, 1982, pp.987-1108.
13.Fama, E.F., The Behavior Stock Market Prices, Journal of Business, 38, 1965, pp.34-105.
14.Holland, J. H., Adaptation in Natural and Artificial Systems, University of Michigan Press, 1975.
15.Hull, J.C., Options, Futures, Other Derivatives, Prentice-Hall International, 2000.
16.Jorion, P., Predicting volatility in the foreign exchange market, Journal of Finance,50,1995, pp.507-528.
17.Jorion, P., Financial Risk Manager Handbook, John Wiley & Sons, 2005.
18.Koza, J.R., Genetic Programming: On the Programming of Computers by Means of Natural Selection, MIT Press, 1992.
19.Lewis, C.D., Industrial and Business Forecasting Methods, London: Butterworths, 1982.
20.Ma, I. & Wong, T. & Sankar, T. & Siu, R., Volatility forecasts of the S&P100 by evolutionary programming in a modified time series data mining framework, World Automation Congress, 17, 2004, pp.567- 572.
21.Mandelbrot, The Variation of Certain Speculative Prices, Journal of Business, 36, 1963, pp.394-419.
22.Malliaris & Salchenberger, Using neural networks to forecast the S&P 100 implied volatility, Neurocomputing, 10, 1996, pp.183–195.
23.Parkinson, M., The Extreme Value Method for Estimating the Variance of the Rate of Return, Journal of Business, 53(1), 1980, pp.61-65.
24.Poteshman, A.M., Forecasting Future Volatility from Option Prices, Working paper, FEN. , 2000.
25.Samuelson, P.A., Proof that Properly Anticipated Prices Fluctuate Randomly, Industrial Management Review, 6, 1965, pp.41-49.
26.Shaikh A.H. & Zahid, I., Using neural networks for forecasting volatility of S&P 500 Index futures prices, Journal of Business Research, 57, 2004, pp.1116–1125.
27.Tsay, R.S., Analysis of Financial Time Series, John Wiley & Sons, 2002.
28.Whab, M. & Lashgari, M., Price Dynamics and Error Correction in Stock Index and Stock Index Futures Markets: A Cointegration Approach, Journal of Futures Markets, 13, 1993, pp.711-742.
29.Zumbach, G. & Pictet, OV. & Masutti, O., Genetic programming with syntactic restrictions applied to financial volatility forecasting, 2002.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊