本研究針對台股期貨與現貨價差策略進行獲利性分析，採用正價差及逆價差作為進場買賣台股期貨之指標，並在穩健度分析上將研究資料分成前後兩期以及牛市、熊市以及盤整三階段，以檢驗在不同時期之獲利特性呈現。 在價差部份，本文將八個策略分為正向策略及反向策略兩類，前者為根據市場上及實務界的說法進行交易，後者則將正向策略做一相反操作。透過獲利分析，可以發現正向策略並不能獲得正報酬，且超過50點的價差策略會使虧損擴大；而大多數的反向策略均能獲得顯著正報酬，且超過50點的價差策略更佳。 穩健性分析部份，樣本的前後兩段時間其報酬率均沒有顯著差異。然而於牛市、熊市和盤整期間之各種報酬率呈現明顯特性，亦即牛市和熊市時之正向策略傾向分別使用「追正價差」和「殺逆價差」獲得正報酬；反向策略則傾向在牛市時分別使用「追逆價差」和「殺正價差」獲得正報酬。 / The main purpose of this study is to examine the TAIEX futures and spot prices, using the spreads between TAIEX futures and spot prices as an indicator to trade TAIEX futures. The robustness check consists of data divided into different market conditions such as bull market and bear market. This study examines both “original” and “reversing” trading strategies. Original trading strategies are based on the theory provided by the market, and reversing ones are exactly the opposite approach. By examining the profitability, empirical studies show that original trading strategies cannot yield positive returns while reversing trading strategies can come to positive returns. As for robustness check, the results show there are no significant differences between the first half and the second half of the data. However, not only reversing trading strategies but also original trading strategies can yield positive returns when given certain market conditions.

近來許多學者指出股票市場不如效率市場假說所述，反而存在低風險異常報酬之現象，而Frazzini and Pedersen (2014)提出貝他套利交易策略，藉由該策略可增加獲取之超額報酬。故本研究將探討低風險異常報酬是否仍存於近年的美國股票市場，另外，亦將加入投資人情緒及流動性指標，研究其是否能改良貝他套利交易策略。實證結果顯示，低風險異常報酬仍然存在於美國股票市場，且執行貝他套利交易策略可增加所獲取之超額報酬。此外，於該策略加入成交量變動率及成交量，分別作為情緒及流動性指標後，發現兩種方式皆能改良貝他套利交易策略之獲利，其中又以加入流動性指標能獲取較多報酬，然而上述兩種策略於2007年至2008年金融危機時，皆無法有效提高貝他套利交易策略的獲利。

金融市場瞬息萬變，幾乎所有商品價格都是非線性的動態過程，如何預測價格一直都是倍受討論和研究的議題。隨著電腦科技的不斷進步,許多財務學者以市場上的歷史交易資料作為研究對象，希望能夠預測出有效的結果。本研究利用 EEMD 法拆解原始加權指數訊號，建立類神經網路模型，並預測出未來市場之價格後，利用 FK 值當作交易門檻，帶回台指選擇權做交易測試並計算報酬。由於不同神經元個數會配適出不同的預測結果，本研究希望能夠找到較適合使用在指數預測的網路架構。 / The financial market forecasting is characterized by data intensity, noise, non-stationary, high degree of uncertainty, and hidden relationships. Investors are concerned about the forecasting market price. Throughout the development of computational technology, researchers have been involved in data mining on historical trading enabling them to have a more accurate data. This research uses Ensemble Empirical Mode Decomposition-based Artificial Neural Networks (ANNs) learning paradigm to provide different ways to analyze the stock market. In our research, we used the ANN method to obtain our prediction of the stock price. First, the previous day’s stock price needs to be decomposed in order to see the various variables, that is, the numerous IMFs seen on the graphs. Acquiring the information, it is inserted into the ANN method to get a prediction. Following that, the prediction can then be transformed into a simpler result via the Forward Calculator % K indicator. As a result, the FK value can display a signal if to buy or sell, and confirm trading time, and make buy or sell Call-Put decisions on TAIEX options. In summary,we found different neuron numbers in the hidden layers that may affect the result of prediction.

本研究主要是以「外匯報酬三因子模型」為基礎，故先檢視在本樣本期間內(1985/2至2016/10) ，以雙分類法將37國主流貨幣分為9個投組後，外匯超額報酬解釋力，是否會因加入動能策略因子形成之三因子模型，而較原本兩因子模型(市場因子、利差策略因子)來的強？最終測得三因子模型在判斷係數及殘差等適切度表現較佳。 接著利用逐步迴歸分析法(限制所有自變數均須於90%信心水準內顯著)嘗試尋找獲利成因，主要挑選出不同面向之11種經濟成因因子(股價指數波動、投機活動、流動性、貨幣波動、落後短期利率、落後股利率、落後期限利差、落後違約利差、)落後避險基金套利資本、工業生產量及通膨率因子)來檢測可否解釋三因子模型中獲取報酬之利差、動能策略因子，並利用Fama-MacBeth兩步驟橫斷面迴歸法評估模型市場定價能力。結果發現定價能力均顯著，而利差交易策略之成因為股價指數波動因子(△EVOL)，因其可能連動匯率波動而呈現負相關；動能交易策略成因則為股價指數波動因子(△EVOL)及落後期限利差因子(△LTS)，主要因動能交易主要來自於市場資訊反應不完全，前者成因因子提供更大的動量執行交易策略、後者則因投資人在不同景氣循環下而有不同的投資反應，如景氣擴張的過度自信與樂觀、景氣衰退下產生行為財務領域中的處置效果，使兩成因與動能策略因子呈現正相關。 / This paper is based on the model of three-factors foreign exchange returns. So we test whether three-factors FX model which adds the factor of momentum can have stronger ability to explain currency excess return than two-factors FX model in the sampling period of February 1985 to October 2016. And the 37 kinds of currency are sorted by double sort method and become 9 portfolios. Finally, no matter coefficient of determination or residual error, three-factors FX model performs well. Further, we use stepwise LS regression (independent variable should have statistical significance in 90% confidence interval) to find which factor we choose can cause carry and momentum strategy profit in three-factors FX model. Next, using Fama-MacBeth two-step regression to estimate the asset pricing ability. The results represent that all contribution factors which get from stepwise LS method are significant. Carry trade strategy and △EVOL are negative correlation, because volatility of stock index will influence volatility of FX. And there have the positive correlation between momentum trade strategy and two factors(△EVOL and △LTS). Just because the profit from momentum strategy comes from the incomplete reaction of market information and △EVOL give more motive force. Besides, there have different investment reactions in diverse business cycle. Investors are over confident and optimistic during the period of recession and have disposition effect during the period of boom.

隨著計算智慧(Computational Intelligence)工具的發展日益成熟, 將這些工具應用在經濟或財務問題上的文章逐漸增多, 國際上對這塊跨科際的研究領域愈來愈重視, 本論文討論和使用的工具是演化計算中的遺傳規劃(Genetic Programming)。 很多應用遺傳規劃的文章,經常被人質疑的一個問題是參數的任意設定, 參數任意或故意的設定是否會影響搜尋的速度或結果,是很多使用者所關心的; 除了參數設定的問題之外,也會有人質疑應用強大的搜尋工具是否會發生過度學習, 關於這些質疑,本論文仔細討論應用此工具時應該注意的參數設定和相關問題, 同時也討論關於過度學習和學習不足的問題,並提出一些心得,可以作為遺傳規劃使用者的參考。 除了討論這些問題之外,本論文使用這些經驗和心得,實際應用在交易策略尋找的問題上, 其中一個應用範圍是關於跨國資金流動的問題,另一個則應用在股票市場。 由以前相關的文獻可以知道,使用遺傳規劃演化出來的交易策略通常是複雜而且不易閱讀, 如果希望遺傳規劃能夠真正對投資者有所幫助,除了交易策略是否能夠獲利之外, 如何改善策略不易閱讀是很重要的問題。 本論文也針對這個問題提出方法並且實際應用在股票市場, 結果發現尋找出來的交易策略不但有超額報酬而且策略簡單易懂。

投資高報酬的背後往往隱含著高風險，尤以選擇權投資最為明顯，在高槓桿的誘因背後，也同時具有複雜性高的操作難度，因此為達到不同風險及報酬的抵換效果，各種選擇權交易策略因此應運而生。其基本觀念為：透過不同選擇權基本策略(Building Block)的組合，來配合不同的市況預測，以達到投資人最適的損益特徵。 　　選擇權交易策略一般分為基本部位、價差部位、混合部位、合成部位及避險部位，其中由於交易條件與交易成本的限制，一般投資人多使用前三種選擇權策略進行交易，然而，對於初入市的投資人而言，常侷限於策略的組合方式，反而忽略風險與報酬的本質，因此於選擇權的投資往往導致損失。 　　本研究以台指選擇權為例，旨在討論選擇權三種常用策略之市場實證，透過固定進場時點的設定、履約價格的調整以及持有至結算日的原則，來計算不同策略於2003~2005年之投資績效。並討論三種策略在獲勝率、到期損益、報酬率及報酬變異情形。 　　整體而言，從事基本策略的買方，不論是買進買權或買進賣權，在各個履約價格的獲勝機率均極小，也同時顯示從事基本策略的賣方仍然在台指選擇權市場中佔有優勢。價差策略的買方勝率亦遠小於賣方。混合策略中的賣出勒式策略則顯示極優的獲勝機率及累積績效，本策略也是一般期貨自營商或機構法人常用的策略。 　　本研究之結論可作為投資者建構選擇權策略組合之參考，透過定時定價的進場能提高獲勝機率，更能貼近台指選擇權市場實際情況，獲取更好的利潤。

衍生性金融商品蘊藏著無限的利得，同時也存在著無限的風險，它可以成就首富，也可以摧毀巨擘。所以衍生性金融商品是一種極具魅力的理財工具，有些企業藉著它大發利市，但是因著它陷入萬劫不復者也不勝枚舉。 而公司存在的目的，旨在創造價值，以滿足利害關係人（如客戶、員工、股東等）的需求。所有公司均會面臨各種不確定性，其中具有負面影響者稱為風險，具有正面影響者則謂之機會，公司的價值可能因該等不確定性而降低或提升。 管理階層為了創造公司的最大價值，必須在公司成長、報酬與相關風險中取得最適平衡，決定可以接受的不確定性之程度，並有效處理相關風險與機會；而公司風險管理可以協助管理階層訂定策略及目標，有效分配資源，強化風險回應決策，降低非預期的營運風險與損失，以達成公司的營運目標。 費雪‧布萊克(Fischer Black)曾說：「有了衍生性商品，你幾乎可以擁有任何想要的報酬型態。只要你可以把它畫在紙上，或者以語言文字描述出來，就有人可以為你設計出，任何你想要的報酬型態的衍生性商品。」 因此，公司如何妥善運用衍生性金融商品，達成公司的營運目標，便成為值得探討的課題。所以，本文探討衍生性商品的交易策略與風險管理，期待能有效處理相關風險與機會，使公司在可接受的風險下，達成公司的營運目標。

本研究應用雲端分散式的架構來建置與佈署一個處理大量使用者交易需求的高頻交易投資策略服務平台，此平台有以下特色： 1. 系統後端採用雲端SOA架構，將整個龐大的交易系統切割佈署到雲端叢集之上，並提供單一的Façade介面供外部使用者呼叫；系統前端畫面的設計遵循Yahoo UI嚴格的MVC架構規範，並保證前端的View與Model與後端的資料達成同步。 2. 不斷接收來自外部的即時報價訊息，並產生海量的即時市場狀態資訊，包含多種技術分析指標、買賣規則…等，以供高頻交易的策略作為買賣的依據。 3. 利用Java Message Service將大量的即時市場狀態資訊快速、非同步的派送給分佈在雲端叢集各節點的系統模組，並採取Publisher-Subscriber的模式來維持分散後各系統模組之間的鬆散關係。 4. 多樣化的統計演算法模型可供使用者作為產生優良的個人化投資策略之依據。產生的新策略可馬上投入即時的模擬交易環境下監控與評估其策略績效。

在本篇文章中我們希望能建構一個以NDF貨幣為主的利差交易最適交易策略，並將以往使UIP無法成立的各種因素利用羅吉斯迴歸模型及線性迴歸模型融合成一個平倉指標，用以適時地結清部位甚至反向操作，並審視各種變數進入平倉指標對於報酬的預測能力，以期此交易策略能夠達到更高的報酬表現。 而實證結果顯示反映資本控制程度的受拋補利差(Covered Interest Differential)與市場流動性風險指標之一的泰德價差(TED Spread)能有效捕捉重大虧損的發生，投資組合利差(Carry)對於報酬也有顯著影響但程度不如受拋補利差。此外也發現使用多頭策略(Long-Netural)相對於多空策略(Long-Short)能到更高的夏普值，而利用所選變數在每周針對逐一貨幣篩選也會比單純判斷每周是否進行利差交易得到更好的夏普值。

可轉債套利，為避險基金常用的操作技巧。其操作方式，為買進一可轉債，賣出若干標的股票。若是放空標的股數計算正確的話，未來不論標的股價上漲或下跌，投資組合都會有獲利，而本文目的為計算出所需放空的標的股數。 本文使用CRR(1979) 和Derman(1994) 模型，在經過路徑相依條約調整後，使用OAS參數做校準，以求得所需放空標的股數。在實證方面，本研究選取鴻海一(23171)、聯強一(23471)、佳能一(23741)做研究，結果顯示經校準過後所計算出的避險參數值，效果可用於可轉債套利操作所需，且兩個模型的效果並沒有顯著的差異。此外，可轉債的流動性對於模型計算避險比率的精準度，也沒有顯著的影響。