以風險組成因子估計'預測及分析實際股票報酬波動之研究

摘 要 股票報酬為一混合的型態，由各來源成分組成。報酬的組成成分各自波動程度不一，也因此對報酬波動的影響不一。本研究首先由不同角度建立股票期望報酬模型，而後參考VaRC法轉為由風險因子加總組成的報酬波動拆解模型，並以S&P 500股票指數報酬波動作為實証研究對象，以風險來源的加總來估計、預測及分析實際報酬波動的情況。 實証結果顯示，相同的風險因子放在不同的報酬波動模型中，仍會對整體波動有相同的比重影響，因此模型估計效力的差異在於各個風險因子的選擇加總後所產生的誤差大小。本研究並以ARIMA及GARCH模型作預測，預測結果並顯示，以短期高頻的資料預測要比以長期低頻的資料作預測來得好，顯示報酬波動並沒有太長久的記憶性。另一方面，以不同期間來看，各風險因子佔整體報酬波動的比重會有變化，在各期間對報酬波動的影響力不一，而各因子佔報酬的成分比重與佔波動的比重迥異，因此我們無法僅以某因子佔報酬的比重來斷言其對波動的影響，兩者並無絕對關係。 相同的方法亦可應用於其它的金融商品或市場，以分析投資標的的風險結構。瞭解報酬波動的風險來源與結構，可提高投資時避險的效率，也可提供主管機關或企業在決策及風險控管時的有效參考。Stock return is garbled and composed of its many origins. Factors of stock return have their own degrees of volatility and make different contributions to total return volatility. We first construct expected stock return models under different circumstances and then transfer them to volatility models by referring to VaRC method. This study focuses on the US S&P 500 stock total return index and sums risk origin factors up to estimate, forecast, and analyze real stock return volatility. The result shows that the same risk factors will have the same weights of total volatility no matter in other different models. The estimate effectiveness is due to the errors caused by summing other risk factors up. We use ARIMA and GARCH (1,1) models to forecast volatility and find that it would be better using short-term high frequency time series data to forecast than using long-term low frequency data. The forecast result shows that return volatility dose not have long-term memory. On the other hand, each factor has different weights of total volatility during various periods. The weights of each factor to return differ from them to volatility. There is no absolute relationship between weights to return and weights to volatility. Analyzing the componential contributions of each stock risk factor can let us know the risk structure and help us to make fine decisions when hedging. Also, this method can be utilized to analyze other financial instruments and offer some suggestions to practitioners and regulators.目 錄 謝詞………………………………………………………..….I 中文摘要…………………………………………………...II 英文摘要............................................................III 目錄……………………………………………….……………IV 表次…………………………………………………………….VI 圖次.............................................................................VIII 第一章 緒論 .1 第二章 模型設計與資料選擇 .4 第一節 股票期望報酬率模型…………………………………………. 4 一、RRF-Based Model 4 二、EPS-Based Model 6 三、GDP-Based Model 8 第二節 以風險因子組成報酬波動模型 9 一、VaR及VaRC方法介紹 9 二、報酬波動性拆解模型 12 第三節 資料選擇與來源 .14 第三章 模型效力檢定 16 第一節 模型估計效力 16 第二節 波動長期趨勢預測 17 一、單根檢定 18 二、配適各模型之ARIMA模型 22 三、以GARCH(1,1)作預測模型 24 第三節 各年度波動預測 32 第四章 風險因子與報酬及報酬波動分析 39 第一節 風險因子選擇與模型效力分析 39 第二節 不同期間下風險因子對報酬波動之影響 40 第三節 風險因子對報酬及報酬波動影響比較 45 第五章 結論與建議 49 第一節 結論 49 第二節 研究限制及後續建議 50 參考文獻 52 附錄一 RRf-Based模型風險因子各年度SDC與估計波動值 54 附錄二 EPS-Based模型風險因子各年度SDC與估計波動值 56 附錄三 GDP-Based模型風險因子各年度SDC與估計波動值 58 附錄四 驗證RRf之SDC值 60 附錄五 驗證gREPS之SDC值 62 附錄六 驗證gP/E之SDC值 64 附錄七 驗證gRGDP之SDC值 66 表 次 表2.1 各變數敘述統計量 15 表3.1 各模型估計波動值與實際波動值之t檢定 16 表3.2 三模型波動序列單根檢定結果 19 表3.3 RRf-Based模型ARIMA(p,d,q)模型配適結果 23 表3.4 EPS-Based模型ARIMA(p,d,q)模型配適結果 23 表3.5 GDP-Based模型ARIMA(p,d,q)模型配適結果 24 表3.6 RRf-Based模型殘差異質變異檢定-LM Test 25 表3.7 EPS-Based模型殘差異質變異檢定-LM Test 25 表3.8 GDP-Based模型殘差異質變異檢定-LM Test 26 表3.9 原始迴歸模型與GARCH(1,1)修正後迴歸模型 28 表3.10 RRf-Based模型波動長期趨勢預測結果 29 表3.11 EPS-Based模型波動長期趨勢預測結果 29 表3.12 GDP-Based模型波動長期趨勢預測結果 30 表3.13 模型預測效力比較 33 表3.14 三模型各年度波動預測結果 37 表4.1 RRf-Based模型不同期間內各風險因子SDC值 42 表4.2 RRf-Based模型不同期間內各風險因子佔整體波動 報酬比重 42 表4.3 EPS-Based模型不同期間內各風險因子SDC值 43 表4.4 EPS-Based模型不同期間內各風險因子佔整體波動 報酬比重 43 表4.5 GDP-Based模型不同期間內各風險因子SDC值 44 表4.6 GDP-Based模型不同期間內各風險因子佔整體波動 報酬比重 44 表4.7 RRf-Based模型各風險因子佔報酬及波動比重 46 表4.8 EPS-Based模型各風險因子佔報酬及波動比重 46 表4.9 GDP-Based模型各風險因子佔報酬及波動比重 47 圖 次 圖3.1 估計與實際報酬波動走勢圖 20 圖3.2 三模型之ACF及PACF圖 21 圖3.3 原始迴歸模型AR(1)殘差圖 26 圖3.4 GARCH(1,1)修正後之殘差圖 30 圖3.5 RRf-Based模型波動長期趨勢預測圖 31 圖3.6 EPS-Based模型波動長期趨勢預測圖 31 圖3.7 GDP-Based模型波動長期趨勢預測圖 32 圖3.8 RRf-Based模型各年度預測走勢圖 35 圖3.9 EPS-Based模型各年度預測走勢圖 35 圖3.10 GDP-Based模型各年度預測走勢圖 3