跳到主要內容

臺灣博碩士論文加值系統

(35.172.136.29) 您好!臺灣時間:2021/07/25 02:08
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:陳美璇
研究生(外文):Mei-Hsuan Chen
論文名稱:應用EACD-GARCH模型配適波動度之探討
論文名稱(外文):The Application of EACD-GARCH Models of Fitting Volatility
指導教授:涂登才涂登才引用關係王淳玄王淳玄引用關係
指導教授(外文):Teng-Tsai TuChun-Hsuan Wang
學位類別:碩士
校院名稱:銘傳大學
系所名稱:財務金融學系碩士班
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2008
畢業學年度:96
語文別:中文
論文頁數:77
中文關鍵詞:自我相關條件交易時距模型一般化自我迴歸條件異質變異模型ACD-GARCH波動度交易時距
外文關鍵詞:trade durationvolatilityACD-GARCHACDGARCH
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
金融資產的波動度對於金融資產的評價、避險策略的選擇以及風險控管等皆扮演著關鍵的因素。此外,由於電腦資料處理技術快速的發展與儲存能力的提昇,使得超高頻資料(ultra-high frequency, UHF)得以被保存。從超高頻資料中可發現在交易時距的部分係呈現不規則的間隔。
過去一般學者在研究波動度之相關議題,所採用的資料頻率大都為固定的時間間隔,很可能忽略了許多資訊對於價格的影響。因此,本研究依據Engle (2000)所提出的ACD-GARCH模型,探討不規則時間間隔資料的波動度。
本研究之實證結果發現日月光之交易時距其最適階次EACD模型為EACD(1,2)模型;友達則為EACD(2,2)。此實證結果顯示日月光與友達之交易時距皆存在自我相關的特性。
本研究進一步考慮不規則時間間隔之交易時距的情況下,配適日月光與友達其股價報酬率之波動度。實證結果發現無論從日月光或是友達之各個不同階次EACD-GARCH模型的估計結果來看,交易時距倒數之係數值皆呈現顯著為正。此結果亦符合Easley and O’Hara (1992)所提出之假設,亦即較長的交易時距隱含沒有新消息的產生,因此其波動度應較低。因此,本研究建議在進行波動度模型之配適時,應進一步考慮交易時距此一影響因素。
Financial asset volatility is a critical factor for asset evaluation, hedging strategies and risk control. Moreover, as the skill of data processing develops very fast and computers enhance their storage ability, ultra-high-frequency data can be stored up. The fact that the trade duration is irregularly spaced can be found from the ultra-high-frequency data.
Most of scholars employ fixed interval data to investigate volatility related issues in the past, possibly ignoring the impact of much information on price. Therefore, the ACD-GARCH models proposed by Engle(2000) are utilized to explore volatility for irregular spaced of the data in this study.
The empirical results of this study indicate that the most appropriate fitting models for trade durations of Advanced Semiconductor Engineering Inc. (ASE Inc.) and Trade duration of Advanced Semiconductor Engineering Inc. (ASE Inc.) are EACD (1,2) and EACD(2,2) models, respectively. These empirical results reveal that trade durations are autocorrelated.
We further considered irregular interval of trade durations to fit volatility for the rate of returns of ASE Inc. and ASE Inc.. The empirical results reveal that the coefficients of the reciprocal of trade durations are significantly positive for all EACD models. These results are consistent with the hypothesis of Easley and O’Hara (1992), which asserts that long trade durations implies that there are no news and consequently a lower volatility. Therefore, the empirical evidence suggest that trade durations be taken into account of in order to fit volatility.
目錄
頁次
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 4
第三節 研究架構 5
第貮章 文獻探討 7
第一節 波動度模型相關文獻 7
第二節 GARCH模型相關文獻 12
第三節 ACD與ACD-GARCH模型相關文獻 17
第參章 研究方法 22
第一節 恆定性檢定 22
第二節 GARCH 模型 26
第三節 ACD模型 30
第四節 ACD-GARCH模型 38
第五節 波動度模型預測能力的衡量指標 41
第肆章 實證分析 42
第一節 交易時距資料處理與敘述統計 42
第二節 股價報酬率之單根檢定與ARCH效果檢定 48
第三節 股票轉換交易時距之LM檢定 50
第四節 EACD-GARCH模型配適波動度之實證分析 59
第伍章 結論與建議 63
第一節 結論 63
第二節 未來研究建議 66
參考文獻 67







圖目錄
頁次
圖 1 1 研究架構流程圖 6
圖 4-1 星期一至星期五平均交易時距日內走勢圖 45

































表目錄
頁次
表2 1 國外波動度模型相關文獻彙總表 10
表2 2 國內波動度模型相關文獻彙總表 11
表2 3 國外GARCH模型相關文獻彙總表 15
表2 4 國內GARCH模型相關文獻彙總表 16
表2 5 國外ACD與ACD-GARCH模型相關文獻彙總表 20
表2 6 國內ACD與ACD-GARCH模型相關文獻彙總表 21
表4 1 原始交易時距之敘述統計 43
表4 2 轉換交易時距之敘述統計 47
表4 3 股價報酬率之單根檢定 48
表4 4 股價報酬率之ARCH-LM檢定 49
表4 5 轉換交易時距之EACD(1,1)參數估計 50
表4 6 EACD(1,1)條件期望交易時距敘述統計 51
表4 7 轉換交易時距之EACD(1,1)檢定 51
表4 8 轉換交易時距之EACD(1,2)參數估計 52
表4 9 EACD(1,2)條件期望交易時距敘述統計 52
表4 10 轉換交易時距之EACD(1,2)檢定 53
表4 11 轉換交易時距之EACD(2,1)參數估計 54
表4 12 EACD(2,1)條件期望交易時距敘述統計 55
表4 13 轉換交易時距之EACD(2,1)檢定 55
表4 14 轉換交易時距之EACD(2,2)參數估計 56
表4 15 EACD(2,2)條件期望交易時距敘述統計 56
表4 16 轉換交易時距之EACD(2,2)檢定 57
表4 17 轉換交易時距之最適EACD模型 57
表4 18 日月光(2311)EACD-GARCH模型配適結果 59
表4 19 友達(2409)EACD-GARCH模型配適結果 60
表4 20 日月光(2311)EACD-GARCH模型之預測誤差衡量指標 61
表4-21 友達(2409)EACD-GARCH模型之預測誤差衡量指標 62
中文部分
1.王國明、吳國富、陳敏、蔣學雷(2003),「中國證券市場的ACD-GARCH模型及其應用」,統計研究,第11期,頁60-62。
2.王瑞瓊(2006),「臺指選擇波動性指數之編製與預測能力分析」,銘傳大學財務金融研究所碩士論文。
3.李育菁(2005),「台北市房地產投資風險波動性研究」,國立中山大學財務管理研究所碩士論文。
4.呂紀賢(2007),「運用緩長記憶與VIX基礎制波動度預測模型估計風險值之研究」,銘傳大學財務金融研究所碩士論文。
5.吳佳貞(1998),「波動度預測模型之探討」,國立政治大學金融研究所碩士論文。
6.胡宇明(2004),「臺灣指數期貨到期效果之檢測-GARCH模型之應用」,國立臺灣大學農業經濟學研究所碩士論文。
7.陳筱嵐(2001),「交易時距與資訊反應之研究-以摩根台股指數期貨為例」,國立成功大學國際企業研究所碩士論文。
8.楊奕農(2005),時間序列分析:經濟與財務上之應用,台北: 雙葉書廊。
9.鄭伊凡(2006),「緩長記憶VIX基礎制波動度預測模型之研究」,銘傳大學財務金融研究所碩士論文。
10.劉建緯(2007),「ACD結構轉變模型之比較與應用」,銘傳大學財務金融研究所碩士論文。
11.謝佩吟(2006),「探討極端金融波動發生時距之研究-以ACD模型為研究方法」,國立交通大學經營管理研究所碩士論文。
英文部分
1.Akalike, H. (1974), “A New Look at the Statistical Model Identification,” IEEE Trans. Autom. Control, Vol.19, pp.716-723.
2.Akgiray, V. (1989), “Conditional Heteroscedasticity in Time Series of Stock Return: Evidence and Forecasts,” Journal of Business, (62), pp.55-80.
3.Andersen, T. G., T. Bollerslev, and S. Lange (1999), “Forecasting Financial Market Volatility: Sampling Frequency vis-à-vis Forecast Horizon,” Journal of Empirical Finance, Vol.6, pp.457-477.
4.Blair, B. J., S. Poon, and S. J. Taylor (2001), “Forecasting S&P 100 Volatility: the Incremental Information Content of Implied Volatilities and High-Frequency Index Returns,” Journal of Econometrics, Vol.105, pp.5-26.
5.Bollerslev, T. (1986), “Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics, Vol.31, pp.307-327.
6.Bollerslev, T. and J. H. Wright (2001), “High-Frequency Data, Frequency Domain Inference, and Volatility Forecasting,” Review of Economics and Statistics, Vol.83(4), pp.596-602.
7.Dickey, D. and W. Fuller (1979), “Distribution of the Estimators for Autoregressive Time Series with a Unit Root,” Journal of the American Statistical Association, Vol.74, pp.427-431.
8.Easley, D. and M. O’Hara (1992), “Time and the process of security price adjustment,” Journal of Finance, Vol.47, pp.905-927.
9.Engle, R. F. (1982), “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of U.K. Inflation,” Econometrica, Vol.50, pp.987-1008.
10.Engle, R. F. (2000), “The Econometrics of Ultra-High-Frequency Data,” Econometrica, Vol.68, pp.1-22.
11.Engle, R. F. and J. R. Russell (1998), “Autoregressive Conditional Duration: A New Model for Irregularly Spaced Transaction Data,” Econometrica, Vol.66, pp.1127-1162.
12.Giot, P. and S. Laurent (2003), “Value-at-Risk for Long and Short Trading Positions,” Journal of Applied Econometrics, Vol.18, pp. 641-64.
13.Granger, C. W. J. and P. Newbold (1974), “Spurious Regressions in Econometrics,” Journal of Econometrics, Vol.2, pp.111-120.
14.Hansen, P. R. and A. Lunde (2001), “A Forecast Comparison of Volatility Models: Dose Anything Beat a GARCH(1,1),” Brown University, Department of Economics, Working paper No. 01-04.
15.Heynen, R. C. and H. M. Kat (1994), “Volatility Prediction: A Comparison of the Stochastic Volatility, GARCH (1,1) and EGARCH (1,1) Models,” Journal of Derivatives, Vol.2, pp.50-65.
16.Kwiatkowsik, D., P. Phillips, P. Schmidt, and Y. Shin (1992), “Testing the Null Hypothesis of Stationarity against the Alternative of a Unit Root: How Sure are We that Economic Time Series have a Unit Roots?” Jounal of Econometrics, Vol.54, pp.159-178.
17.Ljung, G. and G. Box (1978), “On a Measure of Lack of Fit in Time Series Models,” Biometrika, Vol.65, pp.297-303.
18.Martens, M. (2002), “Measuring and Forecasting S&P 500 Index-Futures Volatility using high-frequency data,” Journal of Futures Markets, Vol.22(6), pp.497-518.
19.McLeod, A. I. and W. K. Li (1983), “Diagnostic Checking ARMA Time Series Models Using Squared-Residual Autocorrelation,” Journal of Time Series Analysis, Vol.4, pp.269-273.
20.Meitz, M. and T. Terasvirta (2006), “Evaluating Models of Autoregressive Conditional Duration,” Journal of Business & Economic Statistics, Vol.24, No.1, pp.104-124.
21.Phillips, P. and P. Perron (1988), “Testing for Unit Root in Time Series Regression,” Biometrika, Vol.75, pp.335-346.
22.Theoret, R., F. E. Racicot, and A. Coen (2006), “Forecasting Irregularly Spaced UHF Financial Data: Realized Volatility vs UHF-GARCH Models,” Working paper, NO.152006.
23.Suleyman, G. (2000), “Forecasting Volatility of Emerging Stock Markets: Linear Versus Non-linear GARCH Models,” Journal of Forecasting, Vol.19, pp.400-504.
24.Vasilellis, G. A. and N. Meade (1996), “Forecasting Volatility for Portfolio Selection,” Journal of Business Finance & Accounting, Vol.23, pp.125-143.
電子全文 電子全文(本篇電子全文限研究生所屬學校校內系統及IP範圍內開放)
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊