摘要 本文是利用1998年底以前券商發行的15支認購權證為研究標的，試圖說明不同波動度的估計方法，會使得認購權證的理論價與市價產生不同的誤差，藉以提供券商在評價認購權證上作一參考。本文的實證結果發現：（1）在波動度的參數估計上，各模型均有波動度群集效果，但是訊息不對稱的效果各模型卻無一致性的結果；（2）在各模型的預測能力比較上，ARCH-M(1,1)模型都比ARCH(1,1)的預測能力佳。歷史波動度對於標的股的波動度小具有較佳的預測能力，而EGARCH-M(1,1)模型與GJR-GARCH-M(1,1)模型在預測波動度較大的標的股時具有較佳的預測結果；（3）以預測誤差百分比來比較各模型在預測認購權證上何者具有較小的誤差，結果發現：不論有無考慮交易成本及間斷性避險，預測能力最差的是歷史波動度，而預測能力最佳的則是隱含波動度模型，此乃因為台灣認購權證市場只有認購權證而無認售權證所致；（4）以市場溢價來比較那一支認購權證較值得投資者購買，結果發現：若權證處於價外，會使得市場溢價過高，而不利投資者購買；相反，若權證價格處於價內，則使得市場溢價較低，投資者購買較有利；（5）利用Delta法及Delta-Gamma法來計算大華01可發現：不同波動度的估計方法會影響該權證的涉險值，由於隱含波動度明顯高於其他方法所估算的值，故以隱含波動度計算的涉險值也就高於其他模型之涉險值。 目錄 謝辭 摘要 第一章 緒論 第一節 研究背景與動機 ………………………………………….1-1 第二節 研究問題與目的 ………………………………………….1-4 第三節 論文架構與流程 ………………………………………….1-5 第二章 文獻回顧 第一節 隨機波動度模型 ……………………………………….2-1 壹 Hull & White（1987）模型 …………………………..2-1 貳 Wiggins（1987）模型 ………………………………..2-3 參 Johnson & Shanno（1987）模型 …………………….2-4 肆 Scott（1987）模型 …………………………………...2-5 伍 Stein & Stein（1991）模型 …………………………..2-6 陸 Heston（1993）模型 …………………………………2-8 第二節 GARCH體系---波動度估計之方法 ……………………2-10 壹 GARCH模型 …………………………………………2-10 貳 EGARCH模型 ………………………………………..2-10 參 GJR-GARCH模型 ……………………………………2-11 肆 N-GARCH模型 ………………………………………2-12 伍 T-GARCH模型 ………………………………………2-12 第三章 研究方法 第一節 波動度之估計方法 ……………………………………….3-1 壹 歷史波動度 ……………………………………………3-1 貳 GARCH(1,1)模型 ……………………………………..3-2 參 EGARCH(1,1)模型 …………………………………..3-3 肆 GJR-GARCH（1,1）模型 …………………………...3-5 伍 ARCH-M（1,1）模型 ………………………………..3-7 陸 隱含波動度模型（Implied Volatility） ………………3-8 第二節 選擇權評價公式之探討 ………………………………….3-24 壹 Black & Scholes的選擇權評價模型 ………………...3-24 貳 考慮交易成本極間斷性避險下的選擇權評價模型 ...3-25 第四章 實證結果與分析 第一節 波動度的估計與預測能力 ………………………………4-1 第二節 選擇權評價理論的實證結果 …………………………4-18 第三節 認購權證涉險值（VAR）之衡量與應用 ………………4-53 第五章 結論與建議 ……………………………………………….5-1 附錄 …………………………………………………………附-1 參考文獻 …………………………………………………………Ⅰ

本文提出一個動態隱含波動度函數模型，以改善一般隱含波動度函數難以隨時間的經過而調整波動度曲線且無法描述資料的時間序列特性等缺點。本文模型為兩階段隱含波動度函數模型，分別配適隱含波動度函數的時間穩定(time-invariant)部分與時間不穩定(time-variant)部分。 本文模型在波動度的時間不穩定部分配適非對稱GARCH(1,1)過程，以描述隱含波動度的時間序列特性。本文使用的非對稱GARCH(1,1)過程將標的資產的正報酬與負報酬對價平隱含波動度的影響分別估計，並將蘊含於歷史價平隱含波動度中的訊息及標的資產報酬率與波動度之間的關連性藉由價平隱含波動度過程納入隱含波動度函數中，使隱含波動度函數能納入波動度的時間序列特性及資產報酬與波動度的相關性，藉此納入最近期的市場資訊，以增加隱含波動度模型的解釋及預測能力。時間穩定部分則根據Pena et al.(1999)的研究結果，取不對稱二次函數形式以配適實證上發現的笑狀波幅現象。時間穩定部分並導入相對價內外程度做為變數，以之描述價內外程度、距到期時間、及價平隱含波動度三者的交互關係；並以相對隱含波動度作為被解釋變數，使隱含波動度函數模型除理論上包含了比先前文獻提出的模型更多的訊息及彈性外，還能描繪「隱含波動度函數隨波動度的高低水準而變動」、「越接近到期日，隱含波動度對價內外程度的曲線越彎曲」、「隱含波動度函數為非對稱的曲線」、「波動度和資產價格有很高的相關性」等實證上常發現的現象。 本文以統計測度及交易策略之獲利能力檢定模型的解釋能力及預測能力是否具有統計與經濟上的顯著性。本文歸納之前文獻提出的不同隱含波動度函數模型，並以之與本文提出的模型做比較。本文以台指選擇權五分鐘交易頻率的成交價作為實證標的，以2003年1月1日~2006年12月31日作為樣本期間，並將模型解釋力及AIC作為模型樣本內配適能力之比較標準，我們發現本文提出的模型具有最佳的資料解釋能力。本文以2006年7月1日~2006年12月31日作為隱含波動度模型預測期間，以統計誤差及delta投資策略檢定模型的預測能力是否具有統計及經濟上的顯著性。實證結果指出，本文提出的模型對於預測下一期的隱含波動度及下一期的選擇權價格，皆有相當良好的表現。關於統計顯著性方面，我們發現本文提出的動態隱含波動度函數模型對於未來的隱含波動度及選擇權價格的預測偏誤約為其他隱含波動度函數模型的五分之一，而預測方向正確頻率亦高於預測錯誤的頻率且超過50%。關於經濟顯著性方面，本文使用delta投資組合進行經濟顯著性檢定，結果發現在不考慮交易成本下，本文提出的模型具有顯著的獲利能力。顯示去除標的資產價格變動對選擇權造成的影響後，選擇權波動度的預測準確性確實能經由delta投資組合捕捉；在考慮交易成本後，各模型皆無法獲得超額報酬。最後，本文提出的動態隱含波動度函數模型在考量非同步交易問題、30分鐘及60分鐘等不同的資料頻率、不同的投資組合交易策略後，整體的結論依然不變。 / This paper proposes a new implied volatility function to facilitate implied volatility forecasting and option pricing. This function specifically takes the time variation in the option implied volatility into account. Our model considers the time-variant part and fits it with an asymmetric GARCH(1,1) model, so that our model contains the information in the returns of spot asset and contains the relationship of the returns and the volatility of spot asset. This function also takes the time invariant in the option implied volatility into account. Our model fits the time invariant part with an asymmetric quadratic functional form to model the smile on the volatility. Our model describes the phenomena often found in the literature, such as the implied volatility level increases as time to maturity decreases, the curvature of the dependence of implied volatility on moneyness increases as options near maturity, the implied volatility curve changes as the volatility level changes, and the implied volatility function is an asymmetric curve. For the empirical results, we used a sample of 5 minutes transaction prices for Taiwan stock index options. For the in-sample period January 1, 2003–June 30, 2006, our model has the highest adjusted- and lowest AIC. For the out-of-sample period July 1, 2006–December 31, 2006, the statistical significance shows that our model substantially improves the forecasting ability and reduces the out-of-sample valuation errors in comparison with previous implied volatility functions. We conjecture that such good performance may be due to the ability of the GARCH model to simultaneously capture the correlation of volatility with spot returns and the path dependence in volatility. To test the economic significance of our model, we examine the profitability of the delta-hedged trading strategy based on various volatility models. We find that although these strategies are able to generate profits without transaction costs, their profits disappear quickly when the transaction costs are taken into consideration. Our conclusions were unchanged when we considered the non-synchronization problem or when we test various data frequency and different strategies.

本研究主要探討幾個廣受市場投資人所使用的波動度預測模型，如歷史波動度法、指數加權移動平均法、GARCH、EGARCH以及隱含波度，另外再考慮近年才被學者提出的RLS模型與A-RLS模型，一同比較它們對於台灣市場波動度的預估能力，並擇一最優者，作為從事波動度交易的訊號依據。本文在進行波動度交易之實證，主要是利用選擇權與期貨組合、選擇權與delta期貨組合、跨式交易策略與勒式交易策略等四種廣為波動度交易者使用之波動度交易策略，進而比較它們在樣本外的交易績效。本波動度預測的實證發現，樣本內的預測能力，是以GARCH和RLS模型最佳，而樣本外的預估能力，則是GARCH表現最好。另外，波動度交易的驗證結果顯示，若持有至次一交易日即平倉，勒式交易策略於買進波動度時會有最高的績效，而當放空波動度時，則是跨式交易策略會有最佳的表現。

本文介紹匯率選擇權在OTC市場實務上波動度的交易策略 及利用隱含相關係數方法求算波動度的報價。分別介紹波動度的 三種交易策略—Risk Reversal﹙R/R﹚、Strangle、Butterfly﹙Fly﹚ 如何運作並採用UBS報價，自2000年1月1日至2004年3 月31日美金對歐元﹙USD/EUR﹚，美金對日幣﹙USD/JPY﹚ 、歐元對日幣﹙EUR/JPY﹚的即期匯率及選擇權隱含波動度實 際日資料來計算USD/EUR及USD/JPY之相關係數。利用餘弦 定理﹙cosine rule﹚推導出EUR/JPY的隱含波動度作為報價， 以供實務上交易員及風險管理者的參考。

隱含波動度不對稱效果對選擇權市場參與者是很重要的，因為隱含波動度變大可增加選擇權買方的報酬相對的會減少選擇權賣方的報酬，並且對選擇權避險者來說是一種額外的風險。過去許多文獻皆已證實股票報酬波動度具有不對稱效果，所謂不對稱效果一般是指負向衝擊對報酬波動度增加的影響較正向衝擊大。然而多數研究是以條件變異數作為波動度的衡量，本研究則打算以選擇權之隱含波動度作為波動度的衡量。研究對象為歐洲期貨交易所交易之二十四家德國公司個股選擇權，利用EGARCH模型探討股票價格變動對個股選擇權之隱含波動度不對稱效果，研究期間從2000年2月14日至2001年12月31日。在不對稱效果成立之下，進而探討公司財務槓桿及公司規模對隱含波動度不對稱程度之影響。除以最小平方法模型分析並與Koutmos and Saidi(1995)對照外，更進一步以Panel Data模型加入公司效果或時間效果作為本研究最終目的的分析依據，研究期間從2000年至2001年。 本研究實證結果如下： 1.大多數公司股票選擇權之隱含波動度具有不對稱效果，也就是負向價格變動對隱含波動度增加的影響較正向價格變動大，只有兩家公司例外。 2.以最小平方法模型分析公司財務槓桿對隱含波動度不對稱程度的影響，實證結果與Koutmos and Saidi(1995)不一致，且不能支持Black（1976）所提出槓桿效果能用以解釋隱含波動度不對稱效果之假說，產生遺漏變數偏誤。 3.以Panel Data模型加入公司效果或時間效果之考量，分析公司財務槓桿對隱含波動不對稱程度的影響。實證發現隱含波動度不對稱效果可歸因於財務槓桿假說，此外證實存在時間效果但不存在公司效果。 4.公司規模會影響隱含波動度不對稱程度，兩者呈現正向關係。也就是說規模較大的公司對負向衝擊的反應較規模較小的公司敏感，實證結果與Koutmos and Saidi(1995)一致。

過去文獻在探究利率波動行為時多採用現貨市場利率做為研究對象，思及期貨市場交易成本較低且流動性也較高使其對新資訊的反應更為迅速下，本文改以短期利率期貨，三個月期歐洲美元定存利率期貨、三個月歐元存款利率期貨以及三十天期商業本票利率期貨的隱含利率作為樣本資料，進而探討美國、歐洲及台灣的利率波動行為。研究方法以Gray(1996)提出的一般化狀態轉換模型為基礎並加入可以反應不對稱性的Dispersion設定，此設定有二個優點，其一為當面臨極大衝擊時，可減少衝擊所造成的變異數持續性而產生波動度均數復歸的現象，此設計乃考量到樣本期間一半時期均處於高峰度狀態的情形不常見，當波動度處於高峰時，預期市場波動度會反轉成近似常態水準；其二為易於Student’s t分配之狀態轉換模型下自由度的參數化設定，使峰態可隨狀態轉換。另外亦加入槓桿效果設定來反應市場上正負消息對資產報酬波動度所造成的不對稱影響。 由AIC模型配適度選擇準則下，適合描述美國、歐洲以及台灣的利率模型分別為RS-GARCH-L-DF, RS-GJR-GARCH-L-DF與RS-GJR-GARCH模型，這三個模型在DM預測力檢定下亦顯示具較佳模型預測力，本文進一步透過此些模型來探測歷年來重大經濟事件與央行利率政策對利率波動度的影響與關聯性。 研究結果顯示美國、歐洲及台灣的利率波動行為均具有顯著的高低兩波動狀態，台灣與歐洲的利率處於高低波動期間的機率較平均，但台灣處於高波動度狀態的機率遠高於歐洲，相形之下，美國普遍處於低波動度狀態；三者的利率長期皆會回歸於某一均衡水準，且顯著存在波動度叢聚的現象，其中，台灣利率的波動最為劇烈，而美國與歐洲的利率行為則具有波動度長期會回歸某一均衡水準的現象。當利率水準較高時，可清楚窺知歐洲的利率波動度也會較大，此現象亦存在於美國的高波動時期，但不適用於台灣利率動態行為上的描述。

期望波動度在投資組合的選擇、避險策略、資產管理，以及金融資產的評價上是關鍵性因素，因此，在波動度變化甚巨的金融市場中，找出具有良好預測波動度能力的模型，是絕對必要的。過去從事資產價格行為的相關研究都假設資產的價格過程是隨機的，且呈對數常態分配、變異數固定。然而實證結果一再顯示：變異數是隨時間而變動的（如 Mandelbrot(1963)、 Fama(1965)）。為預測波動度（或變異數），Eagle(1982)首先提出了 ARCH 模型，允許預期條件變異數作為過去殘差的函數，因此變異數能隨時間而改變。此後 Bollerslve(1986)提出 GARCH 模型，修正ARCH 模型線性遞減遞延結構，將過去的殘差及變異數同時納入條件變異數方程式中。 Nelson(1991)則提出 EGARCH 模型以改進 GARCH 模型的三大缺點，此模型對具有高度波動性的金融資產提供更成功的另一估計模式。除上列之 ARCH-type 模型外，Hull and White(1987)提出連續型隨機波動模型(continuous time stochastic volatility model)，用以評價股價選擇權，此模型不僅將過去的變異數納入條件變異數的方程式中，同時該條件變異數也會因隨機噪音(random noise)而變動。近年來，上述模型均被廣泛運用在模擬金融資產的波動性，均是相當實用的模型。 本文以隨機漫步(random walk)、GARCH(1,1)、EGARCH(1,1)及隨機波動模型(stochastic volatility)進行不同期間下，股價指數與外匯波動度之預測，並以實證結果判斷上述四種模型在預測外匯及股價指數波動度的能力表現。實證結果顯示：隨機波動模型不論在股價指數或外匯、長期或短期的波動度預測上，都是最佳的波動度預測模型，因此建議各大金融機構可採隨機波動模型預測金融資產未來的波動度。 / Volatility forecast is extremely important factor in portfolio chice, hedging strategies, asset management, asset pricing and option pricing. Identifying a good forecast model of volatility is absolutely necessary, especially for the highly volatile Taiwan stock marek. Due to increasing attention to the impact of marke risk on asset returns, academic researchers and practicians have developed ways to control risk and methodologies to forecast return volatility. Past researches on asset price behavior usually assumed that asset price behavior follows random walk, and its probability distribution is a log-normal distribution with a constant variance (or constant volatility). This assumption is in fact in violation of empirical evidence showing that volatility tends to vary over time (e.g., Mandelbrot﹝1963﹞ and Fama﹝1965﹞). To forecast volatility (or variance), Engle(1982) is the first scholar to propose a forecast model, now well-known as ARCH, whose conditional variance is a funtion of past squared returns residuals. Accordingly, the forecast variance(or volatility) varies over time. Bollerslev(1986) proposed a generalized model, called GARCH, which allows the current conditional variance depends not only on past squared residuals, but also on past conditional variances. However, Nelson(1991) has recently proposed a new model, called EGARCH, which attempts to remove the weakness of the GARCH model. The EGARCH model has been shown to be successful to forecast volatility and to describe successful stock price behavior. In addition, Hull and white(1987) employed a continuous-time stochastic volatility model to develop in option pricing model. Their stochastic volatility model not only admits the past variance, but also depends on random noise of volatility. The above-mentioned models have been widely implemented in practice to simulate and to forecast asset return volatility. This thesis investigates whether random walk, GARCH(1,1), EGARCH(1,1) and stochastic volatility model differ in their ability to predict the volatility of stock index and currency returns over short-term and long-term horizons. The results strongly support that the best volatility predictions are generated by the stochasic volatility model. Therefore, it is recommended that financial institutions may adopt stochastic volatility model to predict asset return volatility.

本文主要針對隔夜情緒影響的不對稱性進行研究，本研究以今日開盤的波動率指數(VIX)與昨日收盤的VIX相減代表隔夜資訊，而波動率指數又稱為恐慌指數，就理論上而言，當市場出現恐慌時，波動率指數亦會上升，本文將以區分市場在恐慌普通與樂觀情緒下，波動度與成交量的關係是否有變化，其中成交量又細分為Total volume, Expected volume與Unexpected volume，此成交量分類的概念源自Illueca and Lafuente (2007)，而波動度與交易量的關係則是參考Darrat et al.(2007)中VAR 的方法來探討。本文以台灣股價指數期貨與台灣股價指數作為研究標的。本文的實證結果顯示在不同的情況下，各種成交量與波動度的因果關係及影響方向均有變化，在隔夜有重要資訊發生時(恐慌或樂觀)，開盤時的預期成交量與未預期成交量和波動度的因果關係會發生變化，若是普通情緒下，則各種成交量與波動度之間皆有雙向的因果關係，惟影響方向不同。開盤時段下，預期成交量除了在樂觀情緒下，會預期成交量使得波動度增加，恐慌與普通情緒下，預期成交量會使得波動度減少，類似提供流動性的角色，但極端情緒下，波動度卻無法對未預期成交量產生影響，代表在極端情緒下，波動度是由未預期成交量所導致，表示未預期成交量為波動的製造者，此與本研究推測未預期成交量帶有較大資訊含量相符。

CBOE於2006年2月推出了VIX選擇權，本論文利用2006年2月24日至2010年6月30日的VIX選擇權資料，計算出其隱含波動度，結果發現VIX選擇權的隱含波動度具有以下性質：(1)隱含波動度隨著價內外程度的提高而上升，故其笑狀波幅大致呈現由左下至右上的型態；(2)隱含波動度隨著到期時間的減少而上升，愈長期的合約平均來說隱含波動度愈低；(3)隨著到期時間的減少，笑狀波幅的斜率更為增加，即隨著到期日的接近，微笑波幅更為陡峭，價內和價外選擇權的隱含波動度的差距加大；(4)VIX和VIX的波動度具有正向的不對稱關係，即VIX的上漲將使VIX波動度上升，且VIX上漲使VIX波動度上升的幅度大於VIX下跌使VIX波動度下降的幅度。 VIX選擇權中，除了價內外程度，到期時間也扮演著相當重要的角色。不論是從樣本內的配適度或是從評價結果來看，加入到期時間因子後，誤差都有大幅的改善，顯示到期時間對於評價選擇權價格很重要，以價內外程度和到期時間作為解釋變數的模型在評價上擁有最高的準確度，而且評價誤差相當穩定，在各個年度當中並沒有明顯的落差。 而本文最佳的模型與Wang ＆ Daigler (2011)使用過去各個模型得到的評價誤差作比較，即便和Wang認為最佳的Whaley模型相比，誤差仍然勝過Whaley模型，因此我們可以推論市場上的交易者或許仍然是採用較簡單的方式來評價選擇權，而非透過類似Lin ＆ Chang此類複雜的模型。

過去文獻在探究股市報酬率波動行為時，多採用GARCH/ARCH等傳統時間序列模型，但這些模型不能解決波動度的高持續性(persistence)。本文以Gray(1996)提出的一般化狀態轉換模型(GRS-GARCH)為基礎並加入Dueker(1997)所提出的Dispersion設定，建立GRS-GARCH-K以及GRS-GRACH-DF模型來預測股市報酬率波動行為。GRS-GARCH-K模型設定最大的優點是加入Student’s t分配之自由度可隨狀態轉換，使峰態亦可隨狀態轉換，另外GRS-GRACH-DF模型除了擁有GRS-GARCH-K的特性外，還擁有均數復歸的特色。本文以單一狀態下的GARCH-N、GARCH-t模型，以及雙狀態下的GRS-GARCH、GRS-GARCH-K以及GRS-GARCH-DF模型做研究，並以台灣股價加權股價指數為研究樣本，探討並預測股價日報酬率的波動度，最後將波動度代入Black-Scholes選擇權訂價模型，探討模型之其評價效果。 研究顯示，在樣本內以AIC和SBC檢定法則下，GRS-GARCH-DF有最好的配適能力，樣本外的預測能力在MAE、MASE、MAPE三種誤差比較法下，GRS-GARCH-DF相較於GARCH-N、GARCH-t、GRS-GARCH和GRS-GARCH-K四種模型，在訂價方面與市場價格誤差最小，並以DM檢定法證實其統計上的顯著性。因此擁有均數復歸特色的GRS-GARCH-DF在波動度的估計上相較於其他模型來的優異。