本篇論文利用計量經濟之共整合模型來進行台灣股票市場的股票配對交易可行性分析，主要方法是界定目標資產與模擬資產，並當目標資產與模擬資產間偏離長期均衡關係時，即買進低估的資產，放空高估之資產，靜待它們回到長期之均衡關係，並藉此賺取兩者資產價格收斂的報酬。 本論文研究對象為台灣五十指數成份股，經Engle-Granger共整合檢定及篩選β值兩步驟之結果，共計6組配對股票符合篩選標準。資料區間參數經檢定為20天及240天資料較為穩定，並截取2003年1月至2006年5月之間6組配對股票每日收盤資料進行績效回測，其結果如下：經扣除交易成本後，20天資料之投資報酬率普遍較低，有3組配對平均年報酬率為負值，最佳配對為台達電/鴻海，平均年報酬率6.36%。另外一組240天資料投資報酬率較高；有4組平均年報酬率在2%以上，最佳配對為仁寶/廣達，平均年報酬率高達14.58%。若將6組配對平均分配投入資金組成投資組合，分析發現20天資料之平均年報酬率為0.78%，240天資料之平均年報酬率為2.44%。顯示短天期20天資料回測結果較不具投資吸引力。 依據本研究之實證結果，針對改善套利績效有以下幾點建議： (一) 持有配對股票庫存高之法人機構或自然人可降低投入資金，適合發展股票配對交易以提高統計套利之報酬率。 (二) 深入探討進出場之門檻策略，尋找最佳化參數。 (三) 挑選夏普指標值高者以減少投資組合的配對組數改善整體績效。 (四) 利用槓桿交易提高報酬率，並留意風險控管以免過度擴張信用。 此種統計套利策略屬於市場中立(market neutral)策略，可以為專業投資機構發展出績效穩定但相對風險較低的投資方式，在未來若國內法規允許的情況下，統計套利將適合產壽險公司、政府基金、私募基金、校務基金等許多專業機構將此策略納入其投資策略之一環。

本文主要是為了瞭解統計套利中的配對交易策略是否可運用於台灣股票市場，並驗證此策略在台灣股市之獲利性及可行性，統計套利的優點很多，可以降低投資風險及提高投資交易獲利的機會，是一個能獲取超額絕對報酬率的交易策略。本研究並不考慮兩檔配對股票的任何基本因素變化或事件因素導向所產生的套利機會，只使用統計模型且考慮如股票間投資報酬率之相關性係數等研究方法，並扣除交易成本。 在實證部份，台灣五十成分股之金融產業表現都能達到不錯的結果。電子產業部分，其長期來看是會回到均衡的，所以績效表現也都能如預期般有良好的表現。電信業三雄不管任兩組配對也都能獲得穩定之報酬。最後，傳產業中部分表現差強人意，未來或許可利用其他模型來找尋其適合配對之模型。

配對交易策略為一被廣為使用的交易策略，其特性為使用數個關聯性高的資產同時建立多空部位，藉此消除大部分的市場風險，賺取與市場趨勢無關聯性的報酬；本研究欲探討共整合法配對交易策略應用於兩類標的資產上之可行性及其功效:台灣證券交易所掛牌的6檔陸股ETF、以及COMEX黃金期貨與CME日幣期貨之組合。本研究使用之配對交易策略應用於6檔陸股ETF大部分參數設定下可獲得正報酬，獲利性卻不如預期，且共整合性質較佳之配對無法保證其交易績效亦較佳；COMEX黃金期貨及CME日幣期貨雖相對共整合性質不佳，仍以原策略測試可獲得較優秀的績效，此結果顯示共整合法配對交易策略於兩類資產上可行性皆不高，而配對交易策略於黃金、日幣組合上可能仍有其功效，尚須以不同方法進行驗證。 / Pairs trading strategy is one kind of market neutral strategy which take both long and short positions in two or more highly correlated assets. By doing this pairs trading strategy can eliminate market risk and make profits which are not correlated with market trends. This paper aims to figure out if pairs trading strategy work well on China ETFs listed in TWSE and the COMEX gold-CME yen future pair. We use the cointegration approach to test and simulate trading performance on the securities mentioned. The result shows that pairs trading strategy profit on China ETFs under most of the parameters, but the returns are insufficient. Furthermore, good cointegration property in the input periods can’t guarantee better performances in the outputs periods. For COMEX gold future and CME yen future, cointegration property in the input periods are worse than China ETFs, but using the same strategy we find a more profitable outcome. The empirical result indicate that pairs trading strategy might still work on gold and yen, but the cointegration approach is not suitable for these two groups of assets.

本文以在中國大陸證券市場上交易量最大，流動性最好的兩隻指數型ETF——華夏上證50ETF（SH510050）和華泰柏瑞滬深300ETF（SH510300）,為一個配對組合，進行統計套利。本文先簡要配對交易的實質和常用方法，以及這一策略目前在全球市場和中國大陸市場上的應用和研究狀況。而後又介紹了這兩隻ETF的標的物——上證50指數和滬深300指數，並闡明為何選取這兩個指數相關的ETF作為統計套利的原因。 接著，分析了華夏上證50ETF和華泰柏瑞滬深300ETF的相關性，從這兩隻ETF的相關性出發，建立共振合模型，並建立一階誤差修正模型對兩隻ETF的短期非均衡狀態進行補充。在此基礎上設定交易規則進行模擬交易。同時我們還在文中後續探討了交易成本和止損點的設置情況。 經過模擬交易，我們發現在一個標準差為開倉閾值的情況下出現的套利機會非常少且收益率較低。因此我們修改交易規則，來探討模型存在的問題，發現當將開倉閾值設為價差序列兩個標準差時，交易次數沒有增加，但收益率有所好轉。當將開倉閾值設為移動平均數和移動標準差，交易次數明顯增加，但收益率並沒有好轉。為進一步驗證上述結論，我們通過樣本外資料進行測試，發現與上述結果一致。此外，我們還通過延長時間序列的方式增加樣本量，得到結果也與上述一致。在用高頻資料交易結果不理想的情況下，我們採用了兩隻ETF的日收盤價格序列建立統計模型和模擬交易，發現在這種情況下，存在套利空間，但第一和第二種策略的套利機會較少，第三種策略套利機會相較前兩種策略要多得多。 分析上述結果產生的原因，主要原因有二：第一，在採用高頻資料的時候，模型的殘差項標準差較小，也就意味著該模型的偏離程度不高，因此套利空間較小。第二，這一配對組合所建立的模型其ECM項係數均非常小，也就意味著模型的長期穩定對時間序列的短期波動影響很小，因此出現的套利機會非常少。 此外，在此說明的是本文所採用的樣本資料為華夏上證50ETF和華泰柏瑞滬深300ETF在2016年7月1日到2016年10月31日每十分鐘的高頻交易價格資料，資料來源為中國大陸的WIND資料庫。 / This essay uses Huaxia SSE50 ETF (Code: SH510050) and Huataiborui CSI300 ETF (Code: SH510300), the two ETFs with the largest trading volume and the best liquidity in the China’s security market, as a pair for statistical arbitrage. Firstly, we introduce the definition of the strategy—pair trading, and its current application in the global and China’s mainland stock market. Then, the essay presents the underlying assets of the two ETFs, SSE50 Index and CSI300 Index, and explains why we choose the two ETFs for statistical arbitrage. Secondly, we analyze the correlation between Huaxia SSE50 ETF and Huataiborui CSI300 ETF, and build the co-integration model based on the correlation. Meanwhile, we establish the first-order error correction model to supplement the short-term imbalance of the two ETFs. On this basis, we set trading rules for simulated transaction. Moreover, we consider trading costs and stop-loss points in this article. After simulated trading, we find that both the trading time and the return are not good enough when we set a standard deviation as the threshold. So we modify trading rules, using the two standard deviations and moving standard deviation as thresholds, but it still doesn’t work. In order to further verify the above conclusion, we change the sample data by adding two times of the original and using the daily closing price, and it reveals that when we use the daily closing price to trade, the yield is better than the high-frequency trading price. There are two reasons for this conclusion. First, the standard deviation of the model’s residual is so little that the arbitrage space is small. Second, the coefficients of ECM is too little, which means the long-term stability of the model has little effect on the short-term volatility of the time series, thus leading to fewer arbitrage chances. In addition, the data used in the article are from the Wind Database in China.