本文訴求重點在於以波動擇時策略探討股票、債券及黃金混合型ETF最適投資組合績效，在資產配置中股票與債券兩種資產經常呈現負相關，單一投資都不盡完美，可是二者相加卻是相對完美的投資組合。股、債分立單獨投資猶如單翼的天使，兩者彼此擁抱結合才能展翅高飛！ 
本研究以連結SPDR標普500指數股票ETF(SPY)、iShares 7-10年期美國公債ETF(IEF)及SPDR黃金ETF(GLD)混合的ETF投資組合並採取波動擇時的投資策略，運用以指數權重的滾動方法估計資產報酬的波動度(簡稱為FKO模型)及DCC-GJR-GARCH模型，建構最佳資產配置並衡量波動擇時策略之績效 (夏普比率、經濟價值)。實證結果顯示採波動擇時策略之DCC-GJR-GARCH經濟價值明顯優於FKO；而FKO模型則優於靜態模型。由此可證明股、債混合的ETF最適投資組合波動擇時策略，除了可以使資產配置穩健成長外並能從波動擇時策略中獲得最大之績效。
國際金融市場瞬息萬變，衍生性金融商品工具和操作日趨繁瑣與複雜，但太過於複雜的投資工具多數投資人很難駕馭，本文借重風險分散的被動式ETF簡單投資組合「以簡馭繁」，或可建立大巧若拙、大智若愚之良好績效，創造其經濟價值。

The paper study investigates the performance of the proposed alternative investment portfolio based on the combined use of SPDR Standard Poor’s 500 Indexed Stocks ETF (SPY), iShares 7-10 year U.S. Government Bond ETF (IEF), cash, and SPDR Gold ETF (GLD). In addition, this study employs the weighted rolling method to estimate the volatility of asset return; that is, FKO model. Moreover, a DCC-GJR-GARCH model is constructed to achieve the optimal mean and variance values of the asset allocation, as well as measure the performance of the volatility strategy (e.g. Sharp ratio and economic value). The findings of this study show that the economic value of DCC-GJR-GARCH in the adopted volatility timing strategy is significantly higher than that of FKO, followed by the static model. One major implication is that the combined ETF based on the mixed use of stocks and bonds is the most applicable to the investment portfolio volatility timing strategy. This strategy can not only ensure stable growth of asset allocation, but also realize the optimal performance in the volatility timing strategy. 
The increasing volatility of international financial is complicating the decision-making process for an investor to choose right financial derivatives. This study tries to simplify the process and diversify investment risks based on the passive ETF investment portfolio strategy.

目錄
中文摘要	I
英文摘要	II
中文目錄	III
圖目錄  	V
表目錄  	VII
第一章  緒  論	1
第一節 研究背景與動機	1
第二節 研究架構及流程	3
第二章 文獻回顧	5
第一節 ETF之沿革與發展	5
第二節 波動模型相關文獻	21
第三章 研究方法	25
第一節 資料來源	25
第二節 研究假設	32
第三節 波動預測模型	35
第四節 波動擇時策略	37
第五節 衡量波動策略之績效	39
第四章 實證結果分析	41
第一節 資料處理與基本統計量分析	41
第二節 模型估計結果	44
第三節 波動擇時策略之績效評估	49
第五章 結論	55
參考文獻	57
中文文獻	57
英文文獻	59
圖目錄
圖1.1  研究流程圖	4
圖2.1  次級市場交易流程圖	10
圖2.2  初級市場交易流程圖	10
圖3.1  S&P 500 ETF (SPY)十年股價走勢圖	26
圖3.2  iShares 7-10年期美國公債ETF (IEF)十年股價走勢圖	26
圖3.3  SPDR黃金ETF (GLD)十年股價走勢圖	26
圖3.4  SPY持股產業分佈圖	28
圖4.1  股票、債券與黃金ETF價格之時間序列圖	43
圖4.2  股票、債券與黃金ETF報酬率之條件波動度(FKO模型)	47
圖4.3  股票、債券與黃金ETF報酬率之條件相關係數(FKO模型)	47
圖4.4  ETF報酬率之條件波動度(DCC-GJR-GARCH模型)	48
圖4.5  ETF報酬率之條件相關係數(DCC-GJR-GARCH模型)	48
圖4.6  目標報酬5%之最小化風險策略投資權重(靜態模型)	52
圖4.7  目標報酬10%之最小化風險策略投資權重(靜態模型)	52
圖4.8  目標報酬15%之最小化風險策略投資權重(靜態模型)	52
圖4.9  目標報酬5%之最小化風險策略投資權重(FKO模型)	53
圖4.10 目標報酬10%之最小化風險策略投資權重(FKO模型)	53
圖4.11 目標報酬15%之最小化風險策略投資權重(FKO模型)	53
圖4.12 目標報酬5%之最小化風險策略投資權重(DCC-GJR-GARCH)	54
圖4.13 目標報酬10%之最小化風險策略投資權重(DCC-GJR-GARCH)	54
圖4.14 目標報酬15%之最小化風險策略投資權重(DCC-GJR-GARCH)	54
表目錄
表2.1  ETF歷史沿革發展	6
表2.2  被動式投資及主動式投資之差異	12
表2.3  黃金ETF類型	18
表2.4  債券型ETF類型	20
表3.1  S&P 500 ETF (SPY)樣本資料	27
表3.2  SPY持股前十大公司投資比例	28
表3.3  iShares 7-10年期美國公債ETF(IEF)樣本資料	29
表3.4  SPDR黃金ETF(GLD)樣本資料	30
表3.5  ETF樣本期間及樣本日資料數	31
表4.1  股票、債券與黃金ETF報酬率之基本統計量	42
表4.2  模型參數估計結果(全樣本)	46
表4.3  各波動預測模型在極小化風險下之績效評估	51
       (分析期間2010~2016年)

一、  中文文獻
1. 李命志、陳志偉、黃小菁 (2006)，DCC多變量GARCH模型之風險值計算－G7及臺灣等八國股市投資組合之實證研究，貨幣市場，第10卷，第1期，頁9-37。
2. 李春安、類惠貞 (2009)，正向回饋交易與股市崩盤，中華管理評論國際學報，5月第十二卷二期，頁1-28。
3. 沈育展、洪瑞成、邱建良、李命志 (2004)，日經225指數期貨之避險績效與最適避險策略之探討，輔仁管理評論，第11卷第1期，頁153-180。
4. 林淑瑜、莊鴻鳴、徐守德 (2011)，正向回饋交易行為對台灣指數期貨報酬之短期動態的影響，管理與系統期刋，第十八卷第二期，頁267-294。
5. 邱建良、魏志良、吳佩珊（2004），TAIFE與MSCI台股指數期貨與直接現貨直接避險策略之研究，商管科技季刊，第5卷，第3期，頁169-184。
6. 徐清俊、吳柏炘(2003)，ETF 的價格發現與訊息傳遞—以美國證交所上市之iShare EWT 為例，運籌研究集刊，第4期，頁21-36。
7. 梁信舜，An Economic Evaluation of Range-based Covariance between Stock and Bond Returns with Dynamic Copulas，元智大學財務金融所，民國99年。
8. 程羽旋，跳躍波動擇時策略之經濟價值：以台灣股票型投資組合為例，淡江大學財務金融學係碩士班，民國101年。
9. 楊南星，波動性擇時的經濟價值，交通大學財務金融所，民國95年。
二、  英文文獻
1. Bannouh, K. van Dijk, D. and Martens, M. (2009), “ Range-based covariance estimating using high-frequency data: the realized co-range. ” Journal of Financial Econometrics 7(4), 341-372.
2. Bollerslev, T. (1986), “Generalized Autoregressive Conditional Heteroskedasticity”, Journal of Econometrics 31, 307-327.
3. Bollerslev, T. (1990), “Modeling the Coherence in Short-Run Nominal Exchange Rate Generalized ARCH, ” Review of Economics and Statistics 70, 498-505.
4. Chou, R. Y. and Liu, N. (2010), “The Economic Value of Volatility Timing Using a Range-Based Volatility Model,” Journal of Economic Dynamics and Control 34(11), 2288-2301.
5. Corte, P. D., Sarno, L. and Tsiakas, I. (2009), “An Economic Evaluation of Empirical Exchange Rate Models,” Review of Financial Studies 22(9), 3491-3530.
6. Dickey, D. and Fuller, W. (1979), “Distribution of the Estimators for Autoregressive Time Series with a Unit Root,” Journal of the American Statistical Association 74, 427-431.
7. Engle, R. F. and Ng, V. K. (1993), Measuring and Testing the Impact of News on Volatility, Journal of Finance 48(5), 1749-1778.
8. Engle, R. F. (2002), “Dynamic Conditional Correlation:A Sample Class of Multivariate Generalized Autoregressive Conditional Heteroskedasticity Models, ”Journal of business and Economic Statistics 20(3), 339-350.
9. Engle, R. F. and Colacito, R. (2006), “Testing and Valuing Dynamic Correlations for Asset Allocation,”Journal of Business & Economic Statistics 24(2), 238-253.
10. Engle, R. F. and Granger, C. W. J. (1987), “Co-Integration and Error-Correction: Representation, Estimation and Testing,” Econometrica 55, 251-276.
11. Fleming, J., Kirby, C. and Ostdiek, B. (2001), “The Economic Value of Volatility Timing,” Journal of Finance 56, 329-352.
12. Fleming, J., Kirby, C. and Ostdiek, B. (2003), “The Economic Value of Volatility Timing Using “Realized” Volatility,” Journal of Financial Economics 67, 473-509.
13. Glosten, L. R., Jagannathan, R.and Runkle, D. E. (1993),“On the relation between the expected value and the volatility of the nominal excess return on stocks.” 
Journal of Finance 48, 1779-1801.
14. Granger, C.W.J. (1986), “Developments in the Study of Cointegrated Economic Variables,” Oxford Bulletin of Economics and Statistics 48, 213-228.
15. Han, Y. (2006), “Asset Allocation with a High Dimensional Latent Factor Stochastic Volatility Model ,” The Review of Financial Studies 19(1) , 237-271.
16. Markowitz, H. (1952), “Portfolio Selection,” Journal of Finance 7(1), 77-91.
17. Marquering, W. and Verbeek, M. (2004), “The Economic Value of Predicting Stock Returns and Volatility,” Journal of Financial and Quantitative Analysis 39, 407-429.
18. Nawrocki D. N., and Evensky, H. (2003), “Dynamic Asset Allocation During Different Inflation Scenarios,” Journal of Financial Planning 16(10), 42-50.
19. Nelson, D. B. (1991). “ Conditional heteroskedasticity in asset returns: a new approach. ” Econometrica 59, 347-370.
20. Said, S. E. and. Dickey, D. A. (1984), “Testing for Unit Roots in Autoressive-Moving Average Models of Unknown Order,” Biometrica 71 599-608.
21. Sharpe, W. F. (1966), “Mutual Fund Performance,” Journal of Business 34,119-138.
22. West, K. D., Edison, H. J. and Cho, D. (1993), “A Utility-Based Comparison of some Models of Exchange Rate Volatility,” Journal of International Economics 35, 23-45