本研究中以隨機模擬的方法應用於退休金最佳控制理論中，並將下跌風險(Downside Risks)加入二次最佳化函數中作為最適化準則，再以英國與美加地區不同提撥率模型做為研究對象，觀察不同情境下之結果。Haberman(1994)首先提出以最適化方法應用於固定給付制退休金基金上，並具體建立二次最適化準則，以提撥與資產的變異作為控制因子。Chang(2003)以下跌風險的觀念，指出退休金基金經營時管理人常較注意提撥過多與資產不足風險，若經營時考慮下跌風險，則會產生與原來考量不同之結果。本文以Chang(2003)之研究為基礎，將其建議之最佳化函數做為考量下跌風險之依據，並提出改良英國與美加地區之提撥率模型，採模擬的方式進行最佳化，探討其對不同提撥率模型之影響。研究結果發現若以隨機模擬作為最佳控制方法，在不同人口假設及精算模型下，會產生相同之結果，且發現下跌風險對於不同提撥率模型有不同之影響，其中建議的英式模型有效降低風險，而美式提撥率模型對於提撥率比例與資產負債比例在最佳化下有較理想之結果。最重要的，退休金基金管理人可利用隨機模擬的方式進行最佳化控制，以提供決策之參考依據。

現行各國的退休金計畫逐漸地由確定給付制轉變為確定提撥制。這表示投資的風險由原本退休金計畫的發起者(雇主)轉移到了參與者(員工)的身上。為了減少每個確定提撥制計畫參與者的投資風險，本文中採用退休時所得替代率為預估的目標，藉由模擬與最適化的方法找到最適投資策略與最適提撥率。 能反映出時間性的隨機模型在精算科學的領域是日漸重要，本文試著藉由隨機性的變化來估計代替以往精算上各種假設下所求得的負債。本文藉由隨機模擬的方式，得到各種資產在市場上或者是經濟上的價值來建構相關投資標的之報酬率，並利用動態隨機規劃模型去改善財務上避險以及資產負債管理。此外，為了避免模擬分析時間過長的問題，本文採用了情境抽樣的方法去改善電腦模擬分析計算時的效率。 我們主要得到以下結論： (一)確定提撥制下的負債受薪資水準波動的影響，所以此時會持有較 多的指數連結型債券以反應薪資水準及通貨膨脹的影響。整體投 資的結果與Vigna & Haberman (2001) 文中的結果及實務上生命 週期型態(lifestyle)投資方式呈現相同的現象。 (二)考慮每期下跌風險(downside risk)時，期中的投資可能會偏向 於投資風險較高的股票。在每年觀察下跌風險的情況下其投資因 為必須考慮避免每一年的下跌風險，需要比每五年觀察下跌風險 的情況做風險較大的投資，以達到其目標。 (三)在本文的調整投資組合策略下，因為調整次數不多，所以在考慮 交易成本的情況，當交易成本很小時對於整體的最適化資產配置 與最適化提撥率的影響是很小的。在本文的調整投資組合策略 下，交易成本的影響只有在交易成本非常大的情況下才能看得出 來。 (四)均勻抽樣法抽出的400組情境幾乎可以完全的代替4000組情境， 其結果可以看出與未抽樣相同的生命週期型態(lifestyle)投資 方式。而隨機抽樣法的結果雖然也可看出趨勢，但準確性相對於 均勻抽樣法仍稍嫌不足，並不適合用來代替原先的4000組情境。 / A shift from defined-benefit pension plan towards defined-contribution pension plan is currently popular around the world. This means that a serious investment risk transfers from defined-benefit sponsors to the individual members of defined-contribution plans. In order to reduce the risk of individual DC member, we investigate the methodology of finding the optimal contribution rate and asset allocation to reach a certain target of the retirement replacement rate in this paper. Stochastic processes are getting more important to the field of actuarial science. Instead of trying to approximate liabilities by a single deterministic set of actuarial assumption, we seek to take account of market or economic valuation for both assets and liabilities using stochastic simulation. We applied dynamic stochastic programming models to improve financial hedging and asset liability management. Moreover, in order to avoid the problem of time-consuming, we use scenario sampling method to improve the efficiency of computer calculation. We draw four conclusions from our investigations： (1)We will hold more assets in indexed-linked bonds because the pension liability is highly related to the wage- index and inflation rate. The optimal investment strategy is very like the so called "lifestyle" investment strategy. (2)When we consider downside risk, we should hold more risky equities. The investment strategy is more risky when we consider downside risk every year than every 5 years. (3)Under our rebalancing strategy, if the transaction cost is small, the influence on the investment strategy and contribution rate is small. We can see the influence of the transaction cost in a situation that the transaction cost is very big only. (4)There are almost no different between uniform sampling scenarios and original simulation scenarios, so uniform sampling scenarios may replace the original simulation scenarios perfectly. And random sampling method is unsuitable to replace the original simulation scenarios.