本文應用GARCH-Copula模型來評估東南亞國協投資組合風險值，並利用穿透率和Kupiec（1995）提出的概似比檢定，評估模型對風險值估計的準確性。希冀找出一個合適估計描述東協五國投資組合的風險值與區間，以利投資組合的市場風險評估、控管和規劃。
    研究結果顯示，GARCH-Copula模型在顯著水準5%下，無論在全樣本或金融海嘯後，所估計算出來的風險值皆為有效，且優於傳統模型變異數-共變異數法。因為投資組合報酬為非常態與非線性，與傳統模型的線性結構相比，非線性的模型較符合。且在金融海嘯後，各國間相關性皆有增加，唯東協五國投資組合相關性高，投資於此避險的效果將降低，因無法完全分散風險。

The study applies GARCH-Copula Model to evaluate Value at Risk for portfolios of ASEAN-5. Then use penetration ratio and Likelihood Ratio Test which Kupiec （1995） proposed to evaluate the accuracy of VaR model.Hoping to find a suitable estimate of Value at Risk for portfolios of ASEAN-5. In order to facilitate Portfolio market risk assessment、control and planning. 
The results of study, GARCH-Copula model at the 5% significance level, both in the full sample or after the financial tsunami, the estimated of Value at Risk are effectively, and better than the traditional model of the variance - covariance method. Because the portfolio return are non-normality and nonlinear, compared with the traditional model of linear structures, nonlinear model is more fits our portfolio. And after the financial tsunami, individually correlation between countries is increase. Only ASEAN-5 portfolio correlation is high, the effect of hedge will be reduced. Because it can’t fully diversify risk.

目錄
表目錄	VI
圖目錄	VIII
第一章　緒論	1
第一節 研究背景與動機	1
第二節 研究目的	5
第三節 研究架構與流程	6
第二章　理論與相關文獻	7
第一節  Copula 相關文獻	7
第二節  風險值介紹與相關文獻	11
第三章　研究方法	15
第一節  研究資料與來源	15
第二節  研究流程	17
第三節  Copula定義與相關概念	17
第四節  GARCH 模型	23
第五節  風險值實證模型	25
第六節  風險值模型回溯測試	25
第四章　實證結果與分析	28
第一節　研究資料敘述統計分析	28
第二節　風險值估計結果	36
第三節　金融海嘯後風險值探討	42
第五章　結論與建議	47
第一節　結論	47
第二節　建議	48
參考文獻	49
一、　中文文獻	49
二、　英文文獻	49
三、　相關網站	54
附錄	55
一、全樣本期間，各國間的四種靜態Copula 配適結果	55
二、全樣本期間，各種Copula風險值穿透率結果	57
三、金融海嘯後，各國間的四種靜態Copula 配適結果	59
四、金融海嘯後，各種Copula風險值穿透率結果	62

表目錄
表 1東協五國股價指數及幣別介紹	16
表 2 COPULA函數與相關係數KENDALL’S Τ	22
表 3東協五國股價指數報酬率敘述統計表	28
表 4各指數投資組合最適權重	34
表 5東協五國投資組合報酬敘述統計表	35
表 6不同模型及顯著水準下的VAR(全樣本)	36
表 7 VAR-COV 穿透率結果	37
表 8印尼與泰國之五種靜態COPULA 配適結果	38
表 9靜態COPULA 之風險值	38
表 10 NORMAL-COPULA-VAR 穿透率結果	39
表 11 TVN-COPULA相關係數矩陣	39
表 12 SJC-COPULA相關係數矩陣	40
表 13 動態COPULA 之風險值	40
表 14 TVN-COPULA VAR 穿透率結果	40
表 15 SJC-COPULA VAR 穿透率結果	41
表 16 LR檢定結果	41
表 17 印尼與泰國之五種靜態COPULA 配適結果	42
表 18靜態COPULA 之風險值	43
表 19 NORMAL-COPULA-VAR 穿透率結果	43
表 20 TVN-COPULA相關係數矩陣	44
表 21 SJC-COPULA相關係數矩陣	44
表 22動態COPULA 之風險值	45
表 23 TVN-COPULA VAR 穿透率結果	45
表 24 SJC-COPULA VAR 穿透率結果	45
表 25 LR檢定結果(金融海嘯後)	46
附表 1印尼與馬來西亞之四種靜態Copula 配適結果  55
附表 2印尼與菲律賓之四種靜態COPULA 配適結果	55
附表 3印尼與新加坡之四種靜態COPULA 配適結果	55
附表 4泰國與馬來西亞之四種靜態COPULA 配適結果	55
附表 5泰國與菲律賓之四種靜態COPULA 配適結果	56
附表 6泰國與新加坡之四種靜態COPULA 配適結果	56
附表 7馬來西亞與菲律賓之四種靜態COPULA 配適結果	56
附表 8馬來西亞與新加坡之四種靜態COPULA 配適結果	56
附表 9菲律賓與新加坡之四種靜態COPULA 配適結果	57
附表 10 STUDENT-T-COPULA-VAR 穿透率結果	58
附表 11 CLAYTON-COPULA-VAR 穿透率結果	58
附表 12 GUMBEL-COPULA-VAR 穿透率結果	59
附表 13 印尼與馬來西亞靜態COPULA 配適結果(金融海嘯後)	59
附表 14 印尼與菲律賓靜態COPULA 配適結果(金融海嘯後)	60
附表 15 印尼與新加坡靜態COPULA 配適結果(金融海嘯後)	60
附表 16 泰國與馬來西亞靜態COPULA 配適結果(金融海嘯後)	60
附表 17 泰國與菲律賓靜態COPULA 配適結果(金融海嘯後)	60
附表 18 泰國與新加坡靜態COPULA 配適結果(金融海嘯後)	61
附表 19 馬來西亞與菲律賓靜態COPULA 配適結果(金融海嘯後)	61
附表 20 馬來西亞與新加坡靜態COPULA 配適結果(金融海嘯後)	61
附表 21 菲律賓與新加坡靜態COPULA 配適結果(金融海嘯後)	61
附表 22 STUDENT-T-COPULA-VAR 穿透率結果(金融海嘯後)	62
附表 23 CLAYTON-COPULA-VAR 穿透率結果(金融海嘯後)	62
附表 24 GUMBEL-COPULA-VAR 穿透率結果(金融海嘯後)	62

圖目錄
圖 1研究流程圖	6
圖 2印尼證交所指數常態檢定圖	29
圖 3泰國曼谷50股價指數常態檢定圖	30
圖 4馬來西亞吉隆坡綜合指數常態檢定圖	31
圖 5菲律賓綜合指數常態檢定圖	32
圖 6新加坡時報指數常態檢定圖	33
圖 7東協五國投資組合報酬之時間序列圖	34
圖 8東協五國投資組合酬率常態檢定圖	35
圖 9變異共變異數法風險值與報酬時間序列圖	36
附圖 1 Normal Copula和Students-T Copula模型風險值與報酬時間序列圖……57
附圖 2 CLAYTON COPULA和GUMBEL COPULA模型風險值與報酬時間序列圖	58
附圖 3 TVN-COPULA和SJC-COPULA模型風險值與報酬時間序列圖	59
附圖 4 NORMAL COPULA和STUDENTS-T COPULA模型風險值與報酬時間序列圖(金 融海嘯後)	63
附圖 5 CLAYTON COPULA和GUMBEL COPULA模型風險值與報酬時間序列圖(金融海嘯後)	63
附圖 6 TVN-COPULA和SJC-COPULA模型風險值與報酬時間序列圖(金融海嘯後)	64

參考文獻
一、　中文文獻
1.	王冠尊(2011)，台灣股價指數與總體經濟關聯性結構之研究- Copula模型之應用，淡江大學財務金融所碩士班碩士論文。
2.	沈青孺(2013)，美國總體經濟變數與通貨膨脹關聯性結構探討－Copula 模型之應用，淡江大學財務金融所碩士班碩士論文。
3.	李美杏、丁聖祐(2011)，「關聯結構與最適投資組合-Copula 模型的應用」，統計與資訊評論，第13卷，頁69-100。
4.	許晉雄、鄒慶士、葉柏緯(2010)，「不同風險衡量下效率投資組合之比較分析」，東吳經濟商學學報，第70期，頁29-56。
5.	黃泰源(2013)，應用COPULA函數於金磚五國投資組合相關性及風險值評估，淡江大學財務金融所碩士班碩士論文。
二、　英文文獻
1.	Angelovska, J., (2012), “Managing Market Risk with VaR (Value at Risk),” Journal of Contemporary Management Issues, Vol.18, No. 2, pp. 81-96.
2.	Arditti, F., (1967), “Risk and The Required Return on Equity,” Journal of Finance, Vol. 22, pp. 19–36.
3.	Bollerslev, T., (1986), “Generalized Autogressive Conditional Heteroskedasticity,” Journal of Econometrics, Vol.31, Issue 3, pp.307-327.
4.	Braun, V. and A. Hackethal, (2013), “Portfolio risk forecasting,” Journal of Risk, Vol. 16, NO.1 , pp. 35–68.
5.	Christoffersen, P. and D. Pelletier, (2004), “Backtesting Value-at-Risk: A Duration-Based Approach,” Journal of Financial Econometrics, Vol.2, Issue 1, pp.84-108.
6.	Doman, M. and D. Doman, (2013), “Dynamic Linkages Between Stock Markets: The Effects of Crises and Globalization,” Portuguese Economic Journal, Vol. 12, pp. 87–112.
7.	Dowd, K., (1998), Beyond Value at Risk: The New Science of Risk Management, John Wiley and Sons, London.
8.	Engle, R. F., (1982), “Autoregressive Conditional Heteroskedasticity with Estimates of The Variance of U.K. Inflation,” Econometrica, Vol.50, No.4, pp.987-1007.
9.	Gencay, R. and F. Selcuk,(2004), “Extreme Value Theory and Value-at-Risk: Relative Performance in Emerging Markets,” International Journal of Forecasting, Vol.20, pp. 287– 303.
10.	Glosten, L. R., R. Jagannathan and D. E. Runkle, (1993), “On the Relation between the Expected Value and the Volatility on the Nominal Excess Returns on Stocks,” Journal of Finance, Vol.48, No.5, pp.1779-1801.
11.	Hotta, L. K., E. C. Lucas and H. P. Palaro, (2008), “Estimation of VaR Using Copula and Extreme Value Theory,” Multinational Finance Journal, Vol.12, No. 3/4, pp.205-218.
12.	Hurlimann, W., (2004), “Fitting Bivariate Cumulative Returns with Copulas.” Computational Statistics and Data Analysis, Vol.45, pp. 355–372.
13.	Huang, J. J., K. J. Lee, H. M. Liang, and W. F. Lin, (2009), “Estimating Value-at-Risk of Portfolio by Conditional Copula - GARCH Method,” Insurance: Mathematics and Economics, Vol.45, Issue 3, pp.315-324. 
14.	Hsu, C. P., C. W. Huang, and W. J. Chiou, (2012), “Effectiveness of Copula-Extreme Value Theory in Estimating Value-at-Risk: Empirical Evidence from Asian Emerging Markets,” Review of Quantitative Finance and Accounting, Vol.39, Issue 4, pp.447-468.
15.	Jondeau, E., and M. Rockinger, (2006), “The Copula-GARCH Model of Conditional Dependencies: An International Stock Market Application” Journal of International Money and Finance, Vol. 25, pp. 827–853.
16.	Jorion, P., (1997), Value at Risk: The New Benchmark for Controlling Market Risk, Irwin, Chicago.
17.	Jorion, P., (2000), Value at Risk: The New Benchmark for Managing Financial Risk (2nd ed.), McGraw Hill, New York.
18.	Kraus, A.,and R. Litzenberger , (1976), “Skewness Preference and The Valuation of Risk Assets,” Journal of Finance, Vol.31, No4, pp. 1085–1100.
19.	Kupiec, P., (1995), “Techniques for Verifying The Accuracy of Risk Measurement Models,” Journal of Derivatives, Vol.3, No.2, pp.73-84.
20.	Lee, H. A, K. P. Lim, and V. K. S. Liew, (2009), “Any International Diversification Benefits in ASEAN Stock Markets?' Economics Bulletin, Vol. 29, No.1, pp. 392-406.
21.	Mandelbrot B, (1963) “The Variation of Certain Speculative Prices,” Journal of Business, Vol.36, pp. 394–419.
22.	Manganelli, S., and R.F. Engle, (2004), “A Comparison of Value at Risk in Finance,” Risk Measures for the 21st Century, Wiley Finance Series, Chapter 9.
23.	McNeil, A. J., and R. Frey, (2000), “Estimation of Tail-Related Risk Measures for Heteroscedastic Financial Time Series: An Extreme Value Approach,” Journal of Empirical Finance, Vol.7, Issue 3-4, pp.271-300.
24.	Parasuraman N. R., (2011), “Value at Risk Analysis: NIFTY Index Portfolio,” Journal of Indian Management, Vol.8, No. 1, pp. 67-72.
25.	Riccetti, L., (2013), “A Copula–GARCH Model for Macro Asset Allocation of A Portfolio with Commodities-An Out-of-Sample Analysis,” Empirical Economics, Vol. 44, pp. 1315–1336.
26.	Schwettzer, B., and E. Wolff, (1981), “On Nonparametric Measures of Dependence for Random Variables,” Annals of Statistics, Vol.9, No.4, pp.879-885.
27.	Scott, R., and P. Horvath, (1980), “On The Direction of Preference for Moments of Higher Order Than The Variance,” Journal of Finance, Vol. XXXV, No4, pp. 915–919.
28.	Simkowitz, M., and W. Beedles, (1978), “Diversification in A Threemoment World,” Journal of Financ Quant Anal, Vol. 13, pp. 927–941.
29.	Sklar, A., (1959), “Fonctions De Repartition An Dimensions Et Leurs Marges,” Publications Inst. Statist. Univ. Paris, Vol.8, pp.229-231.
30.	Weis, G. N. F., (2013), “Copula-GARCH Versus Dynamic Conditional Correlation: An Empirical Study on VaR and ES Forecasting Accuracy,” Review of Quantitative Finance and Accounting, Vol. 41, pp. 179–202.
31.	Winker, P., and D. Maringer, (2007), “The Hidden Risks of Optimizing Bond Portfolios Under VaR,” Journal of Risk, Vol.9, No. 4, pp. 1-9.
32.	Zhang, C., H. Pan, and W. Chen, (2013), “Asymmetric Influence Detection and Forecasting of Global Stock Markets Based on The Copula Theory,” Management Science and Engineering, Vol. 7, pp. 123-134.
三、　相關網站
1. http://zh.wikipedia.org/wiki/Wikipedia/ 維基百科
2. http://www.stockq.org/ StockQ
3. http://www.tej.com.tw/twsite/ 台灣經濟新報(TEJ)