在資本市場中，除了傳統的股票、匯率、債券等資產外，近年來，不動產投資信託掀起了一股投資熱潮，已成為市場參與者關注的投資標的。然而，當市場參與者將資金投入REITs商品時，除了關注其所預期之報酬以外，應當對其持有部位所面臨的風險加以控管。
本文利用風險值的概念，探討當市場呈現空頭狀態時，市場參與者對於不動產投資信託指數商品所應承受的最大損失報酬率。在模型上使用J.P. Morgan（1996）所提出的RiskMetrics模型及Chan and Maheu（2002）所提出的ARJI模型估算風險值。此外，為了解決傳統模型常態分配假設所無法捕捉到的厚尾現象，亦可修正一般文獻多使用t分配來解釋厚尾問題所產生的低峰態缺點，本文假設誤差項服從Politis（2004）所提出的厚尾分配，將此分配導入RiskMetrics模型及ARJI模型做修正。實證結果顯示，當模型導入厚尾分配的假設，確實能有效改善風險值模型預測能力，而以資金使用效率角度來說明，則以ARJI-HT模型優於其他模型；此外，不論模型是否導入厚尾分配假設，由於ARJI模型可捕捉到波動群聚的效果外，還加上了跳動的變異，因此在模型預測能力以及資金使用效率方面優於J.P. Morgan所提出的RiskMetrics模型。

Beside the traditional assets, like stocks, exchange rate, and bonds in the capital market, there is the Real Estate Investment Trusts, becomes the most popular investment underlying. However, when the market investors put their capital into Real Estate Investment Trusts, they have to manage the risk they meet, beside they concern about the expected return.
This paper adopts the conception of the Value at Risk to investigate the extreme loss the investors sustain when they put their capital into the Real Estate Investment Trusts in the bear market. It takes the RiskMetrics model proposed by J.P. Morgan（1996）and the ARJI model proposed by Chan and Maheu（2002）in this paper. In order to solve some problem that the traditional model with normal distribution assumption could not capture the heavy tail phenomenon, and modify the shortcoming of general reference with t distribution assumption, it use the heavy tail distribution assumption proposed by Politis（2004）, and apply the heavy tail distribution to RiskMetrics model and ARJI model. The result shows that it could improve the ability to predict the Value at Risk, when it apply the heavy tail distribution assumption to the model. From the efficiency of capital usage point, the ARJI-HT model is better than the others. Furthermore, no matter the model with the heavy tail distribution assumption, the ARJI model is better than RiskMetrics model, because it could capture the volatility clustering and jump factor.

目錄
第一章 　緒論
第一節  　 研究動機 .....................................1 
第二節     研究目的 .....................................4
第三節     研究架構 .....................................5
第四節     研究流程 .....................................6
第二章	理論基礎與文獻回顧
第一節     不動產投資信託 ...............................7
第二節     風險值的意義及概念 ..........................10
第三節     常見之風險值模型及其估算方法 ................13
第四節     探討風險值估計方法及特性之相關文獻 ..........20
第三章   研究方法
第一節     研究程序 ....................................32
第二節     資料檢驗 ....................................33
第三節     風險值的估算及使用模型 ......................38
第四節     風險值預測模型 ..............................40
第五節     風險值的評價方式與預測績效 ..................46
第四章   實證結果分析
第一節     資料來源與處理 ..............................48
第二節     基本統計量特性分析 ..........................49
第三節     單根檢定與ARCH效果檢定 ......................51
第四節     RiskMetrics模型與ARJI模型估計 ...............55
第五節     風險值估算與預測績效 ........................61
第五章   結論 ..........................................71
參考文獻 ...............................................73
表目錄
【表2.1.1】不動產投資信託投資內涵比較表 .................8
【表2.1.2】不動產投資信託組織方式比較表 .................9
【表2.3.1】四種估算風險值方法特性 ......................19
【表3.2.1】國外相關文獻整理 ............................23
【表3.2.2】國內相關文獻整理 ............................30
【表3.5.1】Kupiec（1995）檢定法之臨界值 ................46
【表4.2.1】REITs指數報酬率基本統計特性 .................50
【表4.3.1】ADF及PP單根檢定（水準項）....................53
【表4.3.2】ADF及PP單根檢定（差分項）....................53
【表4.3.3】LM檢定與Q檢定 ...............................55
【表4.4.1】RiskMetrics模型參數估計結果 .................57
【表4.4.2】RiskMetrics-HT模型參數估計結果 ..............57
【表4.4.3】ARJI模型參數估計結果 ........................58
【表4.4.4】厚尾ARJI模型參數估計結果 ....................59
【表4.5.1】99%信賴水準下各模型回溯測試之失誤率檢定與均方誤差 .......62
【表4.5.2】95%信賴水準下各模型回溯測試之失誤率檢定與均方誤差 .......63
【表4.5.3】90%信賴水準下各模型回溯測試之失誤率檢定與均方誤差 .......64
圖目錄
【圖1.3.1】研究流程圖 ...................................6
【圖2.1.1】不動產投資信託分類架構圖 .....................8
【圖2.2.1】風險值示意圖 ................................12
【圖4.2.1】各國REITs指數原始時間序列圖 .................50
【圖4.2.2】各國REITs指數報酬率序列圖 ...................51
【圖4.4.1】估計期間(1000天)與預測風險值(1天)之移動視窗方法 .........60
【圖4.5.1】US-REITs指數估計風險值與實際報酬的比較 ......65
【圖4.5.2】NL-REITs指數估計風險值與實際報酬的比較 ......66
【圖4.5.3】AU-REITs指數估計風險值與實際報酬的比較 ......67
【圖4.5.4】WD-REITs指數估計風險值與實際報酬的比較 ......68
【圖4.5.5】標準常態分配與 機率密度函數分配圖比較 .......70

1.李吉元（2003），「風險值限制下最適資產配置」，國立成功大學財務金融研究所碩士論文。
2.李進生、謝文良、林允永、蔣炤坪、陳達新、盧陽正（2001），「風險管理-風險值（VaR）理論與應用」，清蔚科技出版事業部。 
3.沈大白、柯瓊鳳、鄒武哲，（1998），「風險值衡量模式之探討 －以台灣上市公司權益證券為例」，東吳經濟商學學報，第二十二期，頁57-76。
4.周忠賢（2000），「風險值衡量方法的比較—匯率之實證研究」，輔仁大學金融研究所碩士論文。 
5.林柏青（2004），「跳躍模型之風險值估計」，淡江大學財務金融研究所碩士論文。
6.洪瑞成（2002），「風險值之探討-對稱與不對稱波動GARCH模型之應用」，淡江大學財務金融研究所碩士論文。
7.洪瑞成、劉洪鈞（2006），「厚尾GARCH模型之波動性預測績效」，計量管理期刊，第三卷第二期，頁161-174。
8.翁勝彬（1998），「認購權證發行人市場風險值之衡量與評估」，東吳大學經濟學研究所碩士論文。
9.許傑翔（2004），「多變量財務時間數列模型之風險值計算」，東吳大學商用數學系碩士論文。
10.許鈞雄（2003），「比較跳躍擴散隨機過程及極端值分配下風險值估計模型」，銘傳大學財務金融研究所碩士論文。
11.彭華櫻（2003），「風險值的衡量與驗證-匯率的實證研究」，淡江大學財務金融研究所在職專班碩士論文。
12.廖丁輝（2004），「風險值估計-跳躍模型的應用-以道瓊工業指數與S&P 500指數為例」，淡江大學財務金融研究所在職專班碩士論文。
13.Alexander, C. O., and Leigh, C. T.,（1997）, “On the Covariance Matrices Used in Value at Risk Models,” Journal of Derivatives, Spring, pp.50-62.
14.Bates, D. S.,（1991）, “The Crash of ’87: Was it Expected? The Evidence from the Options Markets, ” Journal of Finance, Vol. 46, pp.1009-1044.
15.Bollerslev, T.,（1986）,“Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics, Vol. 31, pp.307-327.
16.Burns, P.,（2002）, “The Quality of Value at Risk via Univariate GARCH,” Burns Statistics, pp.1-19, October.
17.Campbell, R., H. Huisman, and K. Kees,（2001）, “Optimal Portfolio Selection in a Value-at-Risk Framework,” Journal of Banking and Finance, Vol. 25, pp.1789-1804.
18.Chan, W. H. and Maheu, J. M.,（2002）, “Conditional Jump Dynamics in Stock Market Return.” Journal of Business & Economic Statistics, Vol.20, No.3, pp 377-389.
19.Consigli, G.,（2002）, “Tail Estimation and Mean-VaR Portfolio Selection in Markets Subject to Financial Instability,” Journal of Banking and Finance, Vol. 26, pp.1355-1382.
20.Das, S. R.,（1998）, “Poisson-Gaussian Processes and the Bond Markets,” NBER Working Paper No. 6631, National Bureau of Economic Research.
21.Dickey, D. and W. Fuller,（1979）, “Distribution of the Estimators for Autoregressive Time Series with a Unit Root,” Journal of the American Statistical Association, Vol. 74, No. 366, pp.427-431.
22.Dickey, D. A and W. A. Fuller,（1981）, “Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root,” Econometrica, Vol.49, No.4, pp.1057-1072.
23.Engle, R. F. and B. Yoo.,（1987）, “Forecasting and Testing in Cointegrated Systems,” Journal of Econometrics, Vol. 35, pp.143-159.
24.Engle, R. F.,（1982）, “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of United Kingdom Inflation,” Econometrica, Vol.50, No.4, pp. 987-1007.
25.Eraker, B., Johannes, M. S. and Polson, N. G.,（1999） “Return Dynamics in Continuous-Time With Jumps to Volatility and Returns.” Working Paper, University of Chicago, Graduate School of Business.
26.F. Longin,（2000）, “From Value at Risk to stress testing: the Extreme Value approach,” Journal of Banking and Finance, Vol24, pp. 1097–1130.
27.Fortune, P.,（1999）, “Are Stock Returns Different Over Weekends? A Jump Diffusion Analysis of the Weekend Effect.” New England Economic Review, September/October, pp.3-19.
28.Goorbergh, R.V.D. and P. Vlaar,（1999）, “Value-at-Risk： Analysis of Stock Returns Historical Simulation, Variance Techniques or Tail Index Estimation？,” working paper.
29.Granger, C. W. J. and P. Newbold,（1974）, “Spurious Regressions in Econometrics,” Journal of Econometrics, Vol. 2, No.2, pp.111-120.
30.Hendricks, D.,（1996）, “Evaluation of Value-at-Risk Models Using Historical Data,” Federal Reserve Bank of New York, Economic Policy Review, pp.39-69, April.
31.Hill, B.,（1975）, “A Simple General Approach to Inference about the Tail of a Distribution,” Annals of Statistics, Vol.3, pp.1163-1174.
32.J.P. Morgan ,（1996）, “RiskMetrics Technical Document,” Fourth Edition.
33.Jorion, P.,（1996）, “Risk：Measuring the Risk in Value-at-Risk,” Financial Analysts Journal, Vol. 52, pp.47-56.
34.Markowitz, H.,（1952）, “Portfolio Selection,” Journal of Finance, Vol.7(1), pp. 77-91.
35.McNeil A.J. and Frey R.,（2000）, “Estimation of Tail-Related Risk Measures for Heteroscedastic Financial Time Series: An Extreme Value Approach,” Journal of Empirical Finance, Vol. 7, pp.271-300.
36.Phillips, P. and P. Perron,（1988）, “Testing for a Unit Root in Time Series Regression,” Biometrika, Vol. 75, No.2, pp.335-346.
37.Perron, P.,（1990）, “Testing for a Unit Root in a Time Series with a Changing Mean,” Journal of Business and Economic Statistics, Vol. 8, pp.153-162.
38.Politis, N. Dimitris,（2004）, “A Heavy-tailed Distribution for ARCH Residuals with Application to Volatility Prediction. ” Annals of Economics and Finance, Vol.5, pp.283-298.
39.Said, S. and D. Dickey,（1984）, “Testing for Unit Roots in Autoregressive Moving Average Models of Unknown Order, ”Biometrika, Vol. 71, pp.599-607.