金融市場瞬息萬變，若能更確切地捕捉資產價格波動的特性，將有助於投資組合配置的最適化，進而能有效地控制風險，帶給投資人更多的助益。目前在波動性預測模型中被應用最廣泛的是ARCH/GARCH族，而且在實證上也獲得相當不錯的成效。本文採用Chou(2005)CARR模型驗證在黃金現貨價格及那斯達克股價指數上是否改善波動性的預測能力。
    第一部份以黃金現貨價格、那斯達克股價指數為研究對象，分別進行CARR模型和GARCH模型樣本外波動性預測能力之比較。第二部份以有平均數的GARCH模型、AR(1)-GARCH模型及GARCH-M(GARCH in Mean)模型進行比較，檢視何者為最佳波動性預測模型。實證結果顯示，以那斯達克股價指數為研究標的時，CARR模型的樣本外預測能力較佳。

Volatility plays an important role in finance. If we can capture the characteristics of the motions of assets precisely, we could make good portfolios and control risks efficiently. GARCH models have been used in the forecast of volatilities generally, and performed well in many empirical studies. However, Chou(2005) proposed the CARR model and compared in the CARR model and traditional GARCH model based on the data of S&P 500 index. CARR is better in the volatility forecasting. This paper tests and verifies the forecasting power of the CARR model based on the Gold price and the stock price index of NASDAQ.
    We choose the Gold price and the stock price index of NASDAQ to compare the CARR and GARCH models in out-of-sample forecast. And then we apply GARCH, GARCH-M and AR(1)-GARCH models to test which model is the best. Our empirical results show that the CARR model is preferable to the GARCH model only in the data of NASDAQ.

目錄	
		頁數
摘要		I

Abstract		II

謝誌		III

目錄		IV

表次		VI

圖次		VII

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	  研究架構與流程	4
第二章	文獻探討	6
    第一節	  波動性預測模型簡介	6
    第二節	  波動性模型發展	6
    第三節	  波動性模型預測能力比較之文獻	12
第三章	研究方法	15
    第一節	  ARIMA模型	15
    第二節	  ARCH模型、GARCH模型及其擴充模型	16
一、	   ARCH	16
   二、	   GARCH	17
三、	   EGARCH	18
四、	   GARCH-M	19
五、	   AR(1)-GARCH	20
    第三節	  CARR模型	21
    第四節	  預測能力的比較	25
第四章	實證分析	30
    第一節	  資料分析	30
    第二節	  ECARR模型與WCARR模型的參數估計	35
一、	   ECARR模型的參數估計	35
二、	   WCARR模型的參數估計	37
    第三節	  ECARR模型與GARCH模型樣本外預測能力的比較	40
一、	   以那斯達克股價指數週資料為研究標的	40
二、	   以黃金價格日資料為研究標的	43
    第四節	  GARCH族模型的實證比較	47
第五章	結論	51
參考文獻	  	52


	                     表次	
		頁數
表4-1	那斯達克週資料之變幅、報酬率與絕對報酬的基本統計量	31
表4-2	黃金現貨價格日資料之變幅、報酬率與絕對報酬的基本統計量	33
表4-3	ECARR模型的參數估計(那斯達克股價指數)	35
表4-4	ECARR模型的參數估計(黃金現貨價格)	37
表4-5	WCARR模型的參數估計(那斯達克股價指數)	38
表4-6	WCARR模型的參數估計(黃金現貨價格)	39
表4-7	ECARR與GARCH之樣本外預測(那斯達克股價指數)	42
表4-8	ECARR與GARCH在那斯達克股價指數週資料的樣本外預測能力比較	44
表4-9	ECARR與GARCH之樣本外預測(黃金現貨價格)	45
表4-10	ECARR與GARCH在黃金價格日資料的樣本外預測能力比較	46
表4-11	GARCH、GARCH-M與AR(1)-GARCH之樣本外預測(黃金價格)	48
表4-12	GARCH、GARCH-M、AR(1)-GARCH樣本外預測能力比較(黃金價格)	50
	                     圖次	
		頁數
圖1-1	研究流程	5
圖4-1	那斯達克股價指數Range與Return的走勢圖	32
圖4-2	黃金現貨價格Range與Return的走勢圖	34
圖4-3	那斯達克股價指數之ECARR(1,1)與WCARR(1,1)的殘差機率密度圖	40
圖4-4	黃金現貨價格之ECARR(1,1)與WCARR(1,1)的殘差機率密度圖	40

參考文獻
一、中文部份：

1.	王甡，「報酬衝擊對條件波動所造成之不對稱效果-台灣股票市場之實證分析」，證券市場發展季刊，第七卷，第一期，民國八十四年一月。

2.	李憲杰，「 一般化自迴歸條件異質性變異數模型參數之選定、估計與檢定」，國立成功大學工業管理研究所，民國八十三年。

3.	李進生、鍾惠民和陳煒朋，「不同波動性模型預測能力之比較：台灣與香港認購權證市場實證」，證券市場發展季刊，第十一卷，第四期，頁57-90，民國八十九年一月。

4.	李命志，趙其琳，「波動性預測能力比較-台灣認購權證之實證研究」，臺灣銀行季刊，第五十二卷，第二期，頁101-127，民國九十年六月。

5.	林楚雄，劉維琪，吳欽杉，「台灣股票市場報酬的期望值與條件波動之關係」，交大管理學報，第十七卷，第三期，頁103-124，民國八十六年。

6.	邱建良，李命志，徐泰瑋，「臺灣股市報酬率波動性行為之探討」，臺灣經濟金融月刊，第三十五卷，第六期，頁43-53，民國八十八年六月。

7.	周雨田，巫春洲，劉炳麟，「動態波動模型預測能力之比較與實證」，財務金融學刊(TSSCI)，第十二卷，第一期，頁1-25，民國九十三年四月。

8.	周恆志和陳勝源（2004），「 期貨價格漲跌幅限制與極值理論於保證金設定之應用」，風險管理學報，第六卷，第二期，頁207-228。

9.	莊益源，張鍾霖，王祝三，「波動率模型預測能力的比較-以台指選擇權為例」，台灣金融財務季刊，第四輯，第二期，民國九十二年六月，頁41-63。

10.	郭祥兆，李憲杰，「一般化自迴歸條件異質性變異數模型參數之選定、
估計與檢定-以台灣加權股價指數為例」，成功大學學報，第三十卷，人文社會篇，頁53-71，民國八十四年。

11.	張景瑋，「期貨的極端價格行為與保證金設定：CARR模型與極端值理論之應用」，銘傳大學財務金融研究所碩士論文，民國九十四年。

12.	鄭亦妏，「在Black-Scholes評價模型下台指選擇權最是波動性估計方法之研究」，淡江大學管理科學研究所碩士論文，民國九十二年。

13.	薛吉延，「隱含波動性預測品質之解析：台灣及美國市場之實證」，淡江大學財務金融研究所碩士論文，民國八十八年。








二、英文部分：

1.	Akgiray, V. ( 1989 ),Conditional heteroscedasticity in time series of stock returns：evidence and forecasts, Journal of Business, v.62, p55-80.

2.	Black, F. ( 1976 ),Studies in stock price volatility changes, Proceedings of the Business and Economics Statistics. Section. American Statistical Association, p177–181.

3.	Bollerslev, T. (1986 ),Generalized autoregressive conditional heteroscedasticity, Journal of Econometrics, v.31, p307-327.

4.	Brandt, Michael, and Christofer Jones (2002),Volatility forecasting with range-based EGARCH models, Manuscript, Wharton School, University of Pennsylvania.

5.	Chou, Ray Yeu-Tien(2005),Forecasting Financial Volatilities with Extreme Values: The Conditional Autoregressive Range (CARR) Model, Journal of Money, Credit, and Banking, v.37, p561-582.

6.	Christie, A. A. (1982),The stochastic behavior of common stock variances, Journal of Financial Economics,v.10, p407-432.

7.	Davidian, M. and Carroll, R. J. (1987),Variance function estimation., Journal of the American Statistical Association ,v.82, p1079–1091.

8.	Day, TE and CM Lewis (1992), Stock market volatility and the information content of stock index options, Journal of Econometrics, v.52, p267–287.

9.	Engle, R.F. (1982), Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation, Econometrica, v.50, p987-1008.

10.	Engle, R., and J. Russell(1998), Autoregressive conditional duration: a new model for irregular spaced transaction data, Econometrica, v.66, p1127-1162.

11.	Fama, E. F.(1965),The behavior of stock market prices, Journal of Business, v.38, p34-105.

12.	French, KR, GW Schwert, RF Stambaugh (1987), Expected stock returns and volatility, Journal of Financial Economics, v.19, p3-29.

13.	Heynen, Ronald C. and Harry M. Kat. (1994) ,Volatility prediction: A comparison of the stochastic volatility, GARCH(1,1) and EGARCH(1,1) models, Journal of Derivatives, v2, p50-65.

14.	Mandelbrot, B. (1963), The variation of certain speculative prices, Journal of Business, v.26, p394-419.

15.	Morgan, I. G. (1976), Stock prices and heteroscedasticity, Journal of Business, v.49, p496-508.


16.	Nelson, D. B.(1991), Conditional Heteroskedasticity in Asset Returns: A New Approach., Econometrica,v.59, p347-370.

17.	Parkinson, M. (1980),The extreme value method for estimating the variance of the rate of return, Journal of Business, v.53, p61-65.

18.	Schwert, GW. (1990),Heteroscedasticity in stock returns, Journal of Finance,  v.45, p1129-1155.

19.	Taylor, Stephen (1986),Modelling financial time series, Chichester, UK: John Wiley and Sons.