本文以美國道瓊工業指數之股價指數期貨與現貨為主要研究對象，研究期間取自2001年1月1日至2009年12月31日止。運用不同避險績效的衡量方法，包括變異數(Variance) 、半變異數(semi-variance) 與效用函數(Utility function)來評估Naive、OLS、CCC-GARCH、DCC-GARCH、EWMA、Hybrid EWMA等避險模型之樣本外避險績效。在周雨田(2005)文獻中探討以變幅為基礎之避險模型優於以報酬為基礎之避險模型，本文試著重新檢視以變幅為基礎之Hybrid EWMA模型優於以報酬為基礎之EWMA模型。實證結果發現:1.本文將Hybrid EWMA做敏感度分析，實証發現λ=0.98之避險績較佳。2.本文利用六大避險模型及三種避險績效評估道瓊股價指數期、現貨樣本外期間之避險績效，整體而言以Hybrid EWMA避險模型效果較佳。3.若僅比較EWMA及Hybrid EWMA模型，用Hybrid EWMA 模型做為波動性預測指標的動態模型，比EWMA 模型做為波動性預測指標的動態模型估計更準確。

Building on the earlier results of Parkinson (1980) and Garman and Klass (1980)show that intraday range is more efficient than the squared return. Chou (2005) develops a conditional autoregressive range(CARR) estimator, the range-based GARCH estimators generate more accurate volatility forecasts than the return-based model.
There are a number of well-established approaches to estimating the variance-covariance matrix, including the EWMA and GARCH model. Hybrid EWMA offers an improvement over the standard EWMA estimator, in terms of forecasting accuracy and yielding superior hedge performance.

目      錄                                     
第一章  緒  論	            1
第一節  研究背景與動機         1
第二節  研究目的	            3
    第三節  研究架構	                               5
第二章  期貨理論及避險理論	7
第一節  期貨理論	             7
第二節  避險理論    	10
第三節  國內外文獻回顧	17
一、波動性文獻探討  	17
二、使用變幅預測波動性之文獻19
第三章  研究方法與理論模型	24
第一節  單根檢定	         24
第二節  ARCH效果檢定	29
第三節  GARCH效果檢定	31
第四節  實證模型       	34
一、天真避險模型(Naive hedge)34
二、傳統(OLS)避險模型	34
三、CCC-GARCH避險模型	34
四、DCC-GARCH避險模型	35
五、EWMA避險模型	         38
六、Hybrid EWMA模型	40
第五節  避險績效的衡量	43
一、變異數(Variance)	43
二、半變異數(semi-variance)	44
三、效用函數(Utility Function)45
第四章  實證結果與分析	47
第一節 資料來源與變數定義	47
第二節 樣本資料的基本統計量	50
第三節 單根檢定	         53
第四節 ARCH效果檢定	54
第五節 模型參數之估計	55
第六節 實證模型之結果分析	56
第五章  結論	60
參考文獻	                  62
一、國外文獻	62
二、國內文獻	66
表   目   錄
【表4-2-1】以道瓊股價指數期貨及現貨報酬率之樣本內基本統計量 50
【表4-2-2】以道瓊股價指數期貨及現貨報酬率之樣本外基本統計量 51
【表4-2-3】以道瓊股價指數期貨及現貨變幅之樣本內基本統計量   52
【表4-2-4】以道瓊股價指數期貨及現貨變幅之樣本外基本統計量   52
【表4-3-1】以道瓊股價指數期貨及現貨報酬率之單根檢定	        53
【表4-4-1】以道瓊股價指數期貨及現貨報酬率平方之ARCH效果檢54
【表4-5-1】美國Dow Jones指數之參數估計值	                55
【表4-6-1】Hybrid EWMA敏感度分析	                        57
【表4-6-2】六大避險模型及三大衡量方法之樣本外避險績效	    58
【表4-6-3】以天真避險法為基礎比較各模型之樣本外避險績效     59	
圖    目   錄
【圖1-1-1】  研究流程圖	                                    5
【圖4-1-1-1】道瓊期貨及現貨全樣本期間股價走勢圖	           47
【圖4-1-2-1】道瓊股價指數期貨及已實現變幅之波動	           49
【圖4-1-2-2】道瓊股價指數現貨及已實現變幅之波動	           49

參考文獻
1.	Alizadeh, S., M. Brandt, and F. Diebold (2002) “Range-Based Estimation of Stochastic Volatility Models.” Journal of Finance, 57, 1047-1091.
2.	Becker, S. (1983) “Variance of Security Price Return Based on High, Low, and Closing Prices.”Journal of Business, 56, 97-112.
3.	Brandt, M. and S .Jones (2006) “Volatility Forecasting with Ranged-Based   EGARCH Model.” Journal of Business and Economic Statistics, 24, 470-487.
4. Bollerslev, T. (1986) “Generalized Autoregressive conditional Heteroskedasticity.” Journal of Econometrics, 31, 307-327.
5.	Chou, R. Y. (2005) “Forecasting Financial Volatilities with Extreme Values: The Conditional Autoregressive Range (CARR) Model.” Journal of Money Credit and Banking, 37, 561-582.
6.	Chou, R. Y., C. C Wu and N. Liu (2009) “Forecasting time-varying covariance with a range-based dynamic conditional correlation model.” Review of Quantitative Finance and Accounting, 33, 327-345.
7.	Ederington, L. H. (1979) “The Hedging Performance of the New futures Market.” Journal of Finance, 34, 157-170.
8.	Efron, B. (1979) “Bootstrap Methods: Another Look at the Jackknife.” Annals of Statistics 7, 1-26.
 9. Engle, R. F. (1982) “Autoregressive conditional heteroscedasticity with estimates of the variance of U.K. inflation.” Econometrica, 50, 987-1008.
10. Engle, R. (2002) Dynamic Conditional Correlation: “A simple class of multivariate generalized autoregressive conditional heteroscedasticity models.” Journal of Business and Economic Statistics, 12, 339-350.
11. Fleming, J., C. Kirby, and B. Ostdiek (2003) “The Economic Value of Volatility Timing Using Realized Volatility.” Journal of Financial Economics, 67, 473-509.
12. Figlewski, S. (1984) “Hedging Performance and Basis Risk in Stock Index Futures.” Journal of Finance, 39, 657-669.
13. Garman, M. and M. Klass (1980) “On the Estimation of Security Price volatility from Historical Data.” Journal of Business, 53, 67-68.
14. Granger, C. W. J. and P. Newbold, (1974) “Spurious Regressions in conometrics.” Journal of Econometrics, 2, 111-120.
15. JP Morgan (1996) “RiskMetricsTM, Technical document.” 4th ed. New York.
16. Johnson, L. (1960) “The Theory of Hedging and Speculation in Commodity Futures.” Review of Economic Studies, 27, 139-151.
17. Bannouh K., D. Van Duk, and M. Martens (2009) “Range-Based covariance Estimation Using High-Frequancy Data: The Realized Co-Range,” Journal of Financial Econometrics, 7, 341-372.
18. Mandelbrot, B. (1963) “The variation of certain speculative prices.” Journal of Business, 36, 394-419.
19. Martens, M., and D. Van Dijk (2007) “Measuring Volatility with the Realized Range.” Journal of Econometrics 138,181-207.
20. Markowitz, H. (1952) “Portfolio Selection.” Journal of Finance, 7, 77- 91.
21. Nelson, C. R. and C. I. Plosser (1982) “Trends and Random Walks in Macroeconomic Time Series: Some Evidence and Implications.” Journal of Monetary Economics, 10, 139-162.
22. Parkinson, M. (1980) “The Extreme Value Method for Estimating the Variance of the Rate of Return.” Journal of Business, 53, 61-65.

23. Phillips, P. and P. Perron (1988) “Testing for a Unit Root in Time Series Regression.” Biometrika, 75, 335-346.
24. Harris, R. and F. Yilmaz (2010) “Estimation of the conditional variance-covariance matrix of returns using the intraday range.” International Journal of Forecasting, 26, 180-194.
25. Stein, J. L. (1961) “The Simultaneous Determination of Spot and Futures Prices.” American Economic Review, 51, 1012-1025.
26. Wiggins, J.B. (1991) “Empirical tests of the bias and efficiency of the extreme-value variance estimator of common stocks.” Journal of Business, 64, 417-432.
27. Working, H. (1953) “Futures Trading and Hedging.” American Economic Review, 43, 314-334.
28. Yang, D., and Q. Zhang (2000) “Drift-independent volatility estimation based on high, low, open, and close prices.” Journal of Business, 73, 477–491.

二、國內文獻	
1. 李沃牆、張克群（2006），比較不同波動率模型下台灣股票選擇權之評估績
   效，真理財經學報，第十四期，頁71-96。  
2. 李命志、洪瑞成、劉洪鈞（2007），厚尾GARCH 模型之波動性預測能力比
   較，輔仁管理評論，第十四卷第二期，頁47-72。
3. 李命志，賴曉萍，(2009)，「台灣50 ETF(TTT)避險策略研究」，淡江大學財
   務金融學系碩士在職班。
4. 邱建良，洪瑞成，章育瑄，(2009)，「波動度預測與變幅模型之比較」，淡江
  大學財務金融學系碩士班。
5. 邱建良，洪瑞成，黃薇之，(2010)，「DCC-CARR MODEL HEDGING
   PERFORMANCE」，淡江大學財務金融學系碩士在職班。
6. 邱建良，洪瑞成，鄭佩芳(2009)，基差與變幅波動之資訊內涵對避險績效之
   影響」，淡江大學財務金融學系碩士班。
7. 邱建良，陳玉瓏，王怡文，(2007)，「西德州與布蘭特原油避險策略」，淡江大學財務金融學系碩士班。
8.	陳昱宏，周雨田與史綱，(2005)，「利用DCC-CARR及DCC-GARCH模型求算
   商品期貨最適避險比率」，國立中央大學財務金融學系碩士論文。
9. 劉炳麟 (2008)，「多變量變幅波動模型的理論與應用」，交通大學財務金融
   研究所博士論文。
10. 劉炳麟，周雨田與周賓凰，(2005)，「CARR 模型之實證研究-以台股指數為
   例」，國立中央大學財務金融學系碩士論文。