臺灣博碩士論文加值系統

近年來，許多學者開發了各種模型來預測市場的波動，其中一個主要的研究目標是選擇合適的模型來匹配市場數據並預測其波動性。本研究擴展Chen等人(2008)的門檻自迴歸變幅模型(range-based threshold conditional autoregressive model, TARR model)，結合滯後(hysteretic)的方法，提出滯後門檻條件自迴歸變幅模型(The hysteretic threshold conditional autoregressive model, HTARR model)來描述市場波動的非線性結構，使用貝氏方法估計模型的未知參數，並透過模擬研究來驗證其可行性，實證研究方面我們對八個金融市場的日內變幅進行分析和預測，來評估和比較不同波動模型之效能。

Currently, many scholars have developed a variety of models to predict market volatility, with one of the main research goals being the selection of an appropriate model to match market data and forecast its volatility. This study extends the nonlinear characteristics of the TARR model proposed by Chen et al. (2008) and combines the hysteretic approach to allow the model to adopt a three-stage transition mechanism for understanding the significance of volatility at each stage. The Bayesian method is used to estimate the unknown parameters of the model. Through simulation studies, the feasibility of the proposed new model is assessed. Furthermore, by analyzing and forecasting real data from eight financial markets, the performance of range-based volatility models with different disbutions is evaluated and compared.

誌謝. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . i
摘要. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ii
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
第一章緒論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
第一節研究背景. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
第二節研究目的. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
第二章文獻探討. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
第一節TARR 模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
第二節滯後模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1 滯後自我迴歸時間序列模型. . . . . . . . . . . . . . . . . . . 6
2.2 HAR-GARCH 模型. . . . . . . . . . . . . . . . . . . . . . . . 7
第三章HTARR 模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
第四章貝氏估計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
第一節貝氏推論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
第二節先驗和條件後驗分配. . . . . . . . . . . . . . . . . . . . . . . . . . . 12
第三節抽樣方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
第五章模擬研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
第一節HTARR 模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
第二節錯誤配適研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
第六章實證分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
第一節配適模型. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
第二節配適結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
第三節樣本外預測. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
第七章結論與建議. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64


圖錄
圖5.1 HTARR 模型之MCMC 迭代圖. . . . . . . . . . . . . . . . . . . . . . . 21
圖5.2 HTARR 模型之自我相關函數圖. . . . . . . . . . . . . . . . . . . . . . . 21
圖5.3 HTARRX 模型之MCMC 迭代圖. . . . . . . . . . . . . . . . . . . . . . 22
圖5.4 HTARRX 模型之自我相關函數圖. . . . . . . . . . . . . . . . . . . . . . 22
圖5.5 在真實模型為TARR 模型下配適HTARR 模型之MCMC 迭代圖. . . 28
圖5.6 在真實模型為TARR 模型下配適HTARR 模型自我相關函數圖. . . . 28
圖5.7 在真實模型為TARRX 模型下配適HTARRX 模型之MCMC 迭代圖. 29
圖5.8 在真實模型為TARRX 模型下配適HTARRX 模型自我相關函數圖. . 29
圖5.9 在真實模型為HTARR 模型下配適TARR 模型之MCMC 迭代圖. . . 34
圖5.10 在真實模型為HTARR 模型下配適TARR 模型之自我相關函數圖. . 34
圖5.11 在真實模型為HTARRX 模型下配適TARRX 模型之MCMC 迭代圖. 35
圖5.12 在真實模型為HTARRX 模型下配適TARRX 模型之之自我相關函
數圖. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
圖6.1 澳、美洲市場資料集時序圖. . . . . . . . . . . . . . . . . . . . . . . . . 37
圖6.2 歐、亞洲市場各資料集時序圖. . . . . . . . . . . . . . . . . . . . . . . . 38
圖7.1 TARR 模型之MCMC 迭代圖. . . . . . . . . . . . . . . . . . . . . . . . . 68
圖7.2 TARR 模型之自我相關函數圖. . . . . . . . . . . . . . . . . . . . . . . . 68
圖7.3 TARRX 模型之MCMC 迭代圖. . . . . . . . . . . . . . . . . . . . . . . 69
圖7.4 TARRX 模型之自我相關函數圖. . . . . . . . . . . . . . . . . . . . . . . 69

表錄
表5.1 HTARR 模型的模擬結果. . . . . . . . . . . . . . . . . . . . . . . . . . . 19
表5.2 HTARRX 模型的模擬結果. . . . . . . . . . . . . . . . . . . . . . . . . . 20
表5.3 HTARR 與HTARRX 模型各參數Geweke 診斷檢定. . . . . . . . . . . 23
表5.4 在真實模型為TARR 模型下配適HTARR 模型之模擬結果. . . . . . . 26
表5.5 在真實模型為TARRX 模型下配適HTARRX 模型之模擬結果. . . . . 27
表5.6 在真實模型為TARR 模型與TARRX 模型下配適HTARR 模型與
HTARRX 模型之各參數Geweke 診斷檢定. . . . . . . . . . . . . . . . . . . . . . 30
表5.7 在真實模型為HTARR 模型下配適TARR 模型之模擬結果. . . . . . . 32
表5.8 在真實模型為HTARRX 模型下配適TARRX 模型之模擬結果. . . . . 33
表5.9 在真實模型為HTARR 模型與HTARRX 模型下配適TARR 模型與
TARRX 模型之各參數Geweke 診斷檢定. . . . . . . . . . . . . . . . . . . . . . . 36
表6.1 各國市場日變幅之統計摘要. . . . . . . . . . . . . . . . . . . . . . . . . 38
表6.2 澳洲市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . . . 41
表6.3 加拿大市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . 42
表6.4 美國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . . . 42
表6.5 法國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . . . 43
表6.6 德國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . . . 43
表6.7 英國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . . . 44
表6.8 臺灣市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . . . 44
表6.9 日本市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . . . 45
表6.10 韓國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . . . . . 45
表6.11 疫情前澳洲市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 48
表6.12 疫情前加拿大市場配適各模型之參數估計值與DIC 值. . . . . . . . . 48
表6.13 疫情前美國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 49
表6.14 疫情前法國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 49
表6.15 疫情前德國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 50
表6.16 疫情前英國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 50
表6.17 疫情前臺灣市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 51
表6.18 疫情前日本市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 51
表6.19 疫情前韓國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 52
表6.20 疫情後澳洲市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 54
表6.21 疫情後加拿大市場配適各模型之參數估計值與DIC 值. . . . . . . . . 55
表6.22 疫情後美國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 55
表6.23 疫情後法國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 56
表6.24 疫情後德國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 56
表6.25 疫情後英國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 57
表6.26 疫情後臺灣市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 57
表6.27 疫情後日本市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 58
表6.28 疫情後韓國市場配適各模型之參數估計值與DIC 值. . . . . . . . . . . 58
表6.29 各模型預測澳洲市場資料之RMSE 值和MAD 值及其排名. . . . . . 61
表6.30 各模型預測加拿大市場資料之RMSE 值和MAD 值及其排名. . . . . 61
表6.31 各模型預測美國市場資料之RMSE 值和MAD 值及其排名. . . . . . 61
表6.32 各模型預測法國市場資料之RMSE 值和MAD 值及其排名. . . . . . 62
表6.33 各模型預測德國市場資料之RMSE 值和MAD 值及其排名. . . . . . 62
表6.34 各模型預測英國市場資料之RMSE 值和MAD 值及其排名. . . . . . 62
表6.35 各模型預測臺灣市場資料之RMSE 值和MAD 值及其排名. . . . . . 62
表6.36 各模型預測日本市場資料之RMSE 值和MAD 值及其排名. . . . . . 63
表6.37 各模型預測韓國市場資料之RMSE 值和MAD 值及其排名. . . . . . 63
表7.1 TARR 模型模擬結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
表7.2 TARRX 模型模擬結果. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
表7.3 TARR 模型與TARRX 模型各參數Geweke 診斷檢定. . . . . . . . . . 70

[1] T. Bollerslev. Generalized autoregressive conditional heteroskedasticity. Journal of
econometrics, 31(3):307–327, 1986.
[2] C. Chen and C. Chien. Improving quantile forecasts via realized double hysteretic
garch model in stock markets. Computational Economics, (1):1–25, 2024.
[3] C. Chen, R. Gerlach, and M. H. Lin. Falling and explosive, dormant and rising
markets via multiple-regime financial time series models. SSRN Electronic Journal,
26(1):28–49, 2010.
[4] C. W. Chen and M. K. So. On a threshold heteroscedastic model. International
Journal of Forecasting, 22(1):73–89, 2006.
[5] C. W. Chen and B. C. Truong. On double hysteretic heteroskedastic model. Journal
of Probability and Statistics, 86(13):2684–2705, 2016.
[6] C. W. Chen, R. Gerlach, and E. M. Lin. Volatility forecasting using threshold heteroskedastic
models of the intra-day range. Computational Statistics & Data Analysis,
52(6):2990–3010, 2008.
[7] C. W. S. Chen, S. Lee, and K. Khamthong. Bayesian inference of nonlinear hysteretic
integer-valued garch models for disease counts. Computational Statistics, 36(1):
261–281, 2021.
[8] R. Y. Chou. Forecasting financial volatilities with extreme values: the conditional
autoregressive range (carr) model. Journal of Money, Credit and Banking, 37(3):
561–582, 2005.
[9] R. F. Engle. Autoregressive conditional heteroscedasticity with estimates of the variance
of united kingdom inflation. Econometrica: Journal of the econometric society,
50(4):987–1007, 1982.
[10] A. Gelman, G. O. Roberts, and W. R. Gilks. Efficient metropolis jumping rules.
Bayesian statistics, 5(42):599–608, 1996.
[11] J. F. Geweke. Evaluating the accuracy of sampling-based approaches to the calculation
of posterior moments. 4:1–21, 1991.
[12] L. R. Glosten, R. Jagannathan, and D. E. Runkle. On the relation between the expected
value and the volatility of the nominal excess return on stocks. The journal
of finance, 48(5):1779–1801, 1993.
[13] W. K. Hastings. Monte carlo sampling methods using markov chains and their applications.
Biometrika, 57(1):97–109, 1970.
[14] G. Li, B. Guan, W. K. Li, and P. L. H. Yu. Hysteretic autoregressive time series
models. Biometrika, 102(3):717–723, 2015.
[15] D. B. Nelson. Conditional heteroskedasticity in asset returns: A new approach.
Econometrica: Journal of the Econometric Society, 59(2):347–370, 1991.
[16] I. Ratnayake and V. A. Samaranayake. Threshold asymmetric conditional autoregressive
range (tacarr) model. arXiv, (1):1–33, 2022.
[17] H. Tong. On a threshold model. Empirical Finance, 42:1127–1162, 1978.
[18] C. W. G. Zhuanxin Ding and R. F. Engle. A long memory property of stock market
returns and a new model. Empirical Finance, 1(1):83–106, 1993.