股價波動度在財務金融領域一直受到高度的關切，雖然過去學者研究結論皆一致認同交易量與股價波動度具有顯著正向關係，交易量的變化可以視為相關訊息的傳遞，然而交易量能夠進一步分解為交易次數與平均交易規模，Jones, Kaul and Lipson（1994）等多位國內外學者也發現，交易次數較平均交易規模更具資訊內涵，指出交易次數才是造成股價波動的主要原因。然而有關交易次數方面之研究僅限於單一市場，隨著國內權證市場的興起，引發本研究進一步探討台股認購權證交易次數對標的股價波動度之影響，樣本選取2002年國內上市之所有個股型權證作為研究對象，以觀察是否交易次數較平均交易規模更具資訊內涵，並且代表市場臨時資訊的未預期交易次數較預期交易次數，對股價波動度更具顯著解釋能力。 實證結果發現，認購權證交易量確實能有效解釋標的股價波動的特性。然而認購權證交易次數較平均交易規模對股價波動度更具資訊內涵，並且權證交易次數對股價波動度的顯著正向關係，並不受到平均交易規模的影響，因此可以推論權證交易量所隱含的資訊內涵，其實是源於交易次數本身所造成，而非規模，此結論大致上支持策略型模型之說法。 若將交易活動變數進一步區分，更可發現權證交易次數不論預期與未預期，皆對股價波動度有正向顯著影響，並且權證未預期交易次數所蘊含之資訊內涵較預期交易次數為多，顯示股價波動度較易受到市場臨時資訊的影響，而透過交易行為傳遞到市場中，因此導致認購權證未預期交易次數對股價波動度具有高度正向的解釋能力。

本文旨在探討具有捕捉交易密集度特性的波動率測度模型是否能幫助投資者改 善其資產配置的決策。因此，本文分別考量了利用兩種不同價格抽樣方式所計算 出來的實現波動率 (realized volatility) 模型： (1) 日曆時間抽樣法 (calendar time sampling scheme) 與 (2) 交易次數時間抽樣法 (transaction time sampling scheme)。相較於另一廣為應用的一般化自我迴歸條件異質變異 (Generalized Autoregressive Conditional Heteroskedasticity) 模型而言，這兩種實現波動率模型的優點除了在於它們可以捕捉日內資產報酬率的動態變化之外，交易次數時間抽樣法更可以另外捕捉市場的交易密集度。因此利用交易次數間抽樣法所計算出的實現波動率相對提供給投資者較多的訊息。本文利用了West, Edison and Cho (1993) 所提出的資產組合期望效用模型衡量三種波動率測度的預測績效：(1) 實現波動率 - 日曆時間抽樣法 (2) 實現波動率 - 交易次數時間抽樣法 (3) 指數型一般化自我迴歸條件異質變異 (Exponential Generalized Autoregressive Conditional Heteroskedasticity)。我們的實證結果發現，只有在投資者風險趨避係數越小的條件下，此三種波動率測度模型兩兩之間才有較大的期望效用差距；另外，有趣的是，當市場存在異常的交易波動現象時，交易次數時間抽樣法下的實現波動率所產生的期望效用值總是不輸給另外兩種波動率測度模型的結果。 / This paper examines whether volatility measures that account for trading intensity would help investors make better decisions in their asset allocation. Specifically, we consider two versions of realized volatility (RV), namely, one (RV-C) constructed by regular calendar time sampling, and the other one (RV-T) constructed by transaction time sampling. Comparing to models in the GARCH family, both of these two RVs can capture intraday variations of asset return dynamics. In particular, the RV-T incorporates intraday trading intensity, and hence provides even more valuable information for investors. With the utility-based approach developed by West, Edison, and Cho (1993), we compare the predictive performance of RV-C, RV-T, and the EGARCH model in terms of utility generated with each of these three volatility measures. Our empirical results show that the three measures differ from each other mostly when investors are less risk-averse. Most interestingly, the time-deformed RV-T weakly dominates the RV-C and the EGARCH model when the markets are extremely volatile.