論文名稱：波動聚集考慮與否下之風險值衡量 校所別：國立政治大學國際貿易研究所 指導教授：饒秀華博士、翁久幸博士 研究生：丘至平 關鍵字：風險值、波動聚集、厚尾、混合常態分配、Laplace分配 論文提要內容： 眾多文獻指出金融資產報酬具有厚尾(Fat-Tail)及波動聚集(Volatility Clustering)的現象。而在尾端風險的衡量方面，究竟此一非齊質變異數應否考慮亦為各方所爭論。本文之研究擬以非條件分配（即Mixture Normal、Laplace及Normal三種分配）和條件分配（即一般常用之Garch(1，1)模式加上Mixture Normal及Laplace分配）等五種方式對台灣加權股價指數及開放式一般股票型基金日報酬率資料估計風險值，輔以回溯測試決定適用之分配。 在實證結果方面，Laplace分配優於混合常態分配之風險值估計，其原因是不論台灣加權股價指數報酬率或基金報酬率的資料並未分成"左右"兩群，而是類似單一分配，因此在用實際資料配適此分配時，混合常態分配僅能區別出平均數近似，而數異數不同的兩個常態分配。而Laplace分配較混合常態分配為厚尾，故混合常態分配表現劣於Laplace分配。 就台灣加權股價指數報酬率而言，除了在1%的顯著水準及250天的估計期間，Garch(1，1)-Laplace所得之漏損率為最接近者外，其餘均是以Laplace分配所求得之漏損率最佳。 就開放式一般股票型基金報酬率而言，不論估計期間為何（250或500天），在1%的顯著水準下，Laplace分配對風險值估計較佳；在5%的顯著水準下，以Garch(1，1)-Laplace得到良好的風險值估計。或許如Danielsson and de Vries(2000)所說，縱使就一般資產報酬有波動聚集的情況，然就極端事件(α=l%)而言並不具有此一現象，故以非條件之Laplace分配求算尾端風險即可。

Hamilton (1989)發展出馬可夫轉換模型(Markov-switching Model)，由於該模型允許母體參數在不同時期，具有間斷性跳動性質，且跳動次數並不限定為一，並利用馬可夫鏈(Markov chain)的機制來掌控狀態間切換，解決混合分配模型狀態跳動毫無規則的問題，將可適可掌握金融與經濟變數所面臨的結構改變，以及解決在計測風險值(valued at risk)過程中，所存在報酬分配的高峰厚尾問題。 本文非僅是嘗試另一種方法，而是我們在探討股市報酬波動與景氣循環變數行為後，推判它較能夠捕捉實際的報酬波動與景氣循環行為。我們除作過去文獻較未顧及的，系統性地分析各種潛在風險值計測方法所適用與不適用報酬率變異情境，並嘗試使用允許參數來自不同波動狀態，對傳統ARCH模型加以修正之SWARCH模型，希對股市報酬波動提供更佳的分析。在景氣循環探討，針對馬可夫轉換模型加以修正，掌握台灣與南韓經濟結構與美國及日本等國迥異的問題。此外，我們也回溯、討論各種處理財經變數結構問題之實證模型差異，分析馬可夫轉換模型相對優、劣點。