隨著近年世界各國頻傳的金融危機中不難發現，當初被設計出來當作分散風險的金融商品，卻被不當的操作來增加獲利，而這背後隱藏的就是必須承擔過高槓桿比例的風險，例如：寶鹼公司 (P&G) 也因超額風險承擔導致破產和瑞士聯合銀行 (UBS) 因衍生性商品訂價錯誤遭受損失。這些因為忽略了操作金融商品上風險估計的重要性，而導致大規模的損失，使得金融機構對風險管理日益重視。因此於1996年國際清算銀行巴賽爾銀行監理委員提出了了巴賽爾協議 (Basle Accord) 之修正案，便讓風險值的觀念便廣為市場上所運用。
在近期的財務金融文獻中，包括Morgan (1976)、Engle (1982)、Bollerslev (1986)、Engle and Manganelli (2000)…等，普遍同意波動性的變化具有因時間而異且有叢聚的特性，因此本文採用最能描繪自我相關條件異質變異(Autoregressive conditional heteroskedasticity model)的GARCH族模型進行匯率報酬率之風險值估計，樣本的則取用2003至2010間的匯率日資料，然後採用視窗滾動法(Rolling)並使用半年、一年、三年、五年四種不同的視窗長度來預測樣本外的觀察值，藉以觀察不同的視窗長度對於風險值模型的績效結果影響。
本研究於績效評估上，是依據Engel and Gizycki (1999)所提出三個評估準則—準確性、保守性及效率性，以藉由不同的角度衡量各風險值模型之優缺。以往大部分文獻皆直接比較評估模型何者較具準確性，而本文較為不同的是鎖定同一視窗長度，比較各模型的績效，或鎖定同一模型，比較視窗長度對風險值模型的績效影響，以期望使用交叉方式能發現較明確的結果。

none

目錄

口試委員會審定書…………………………………………………………….………i
誌謝……………………………………………………………………………………ii
中文摘要………………………………………………………………………...……iii
圖目錄……………………………………………………………………………….. v
表目錄………………………………………………………………………….......….vi
第一章 前言……………………………………………………………………...…...1
1.1 研究背景與動機………………………………………………...………1
1.2 研究目的與問題………………………………………………………...2
1.3 研究架構與流程………………………………………………………...3
第二章 文獻探討……………………………………………………………………..5
2.1 風險值的定義……………………………………………………………5
2.2 風險值的估計法…………………………………………………………6
2.3 風險值的驗證方法………………………………………………………9
第三章 理論模型與研究方法………………………………………………………12
3.1 理論模型………………………………………………………………..12
3.2 評估風險值之方法……………………………………………………..16
第四章 實證結果與分析……………………………………………………………18
4.1 樣本說明與限制………………………………………………………..18
4.2 樣本敘述統計量………………………………………………………..19
4.3 實證步驟………………………………………………………………..20
4.4 估計結果………………………………………………………………..23
4.5 實證分析………………………………………………………………..26
第五章 結論與建議…………………………………………………………………43
5.1 結論……………………………………………………………………..43
5.2 建議…………………………………………………………………......44
參考文獻……………………………………………………………………………..45
附錄…………………………………………………………………………………..48
 
圖目錄
圖1.1 研究流程圖……………………………………………………………………4
圖2.1 風險值定義圖…………………………………………………………………5
圖2.2 回溯測試示意圖……………………………………………………………….9
圖4.1 樣本外觀察值示意圖…………………………………………………………19
圖4.2 視窗長度1750 天的匯率與報酬率走勢圖………………………………….50
圖4.3 以GARCH-M 估計之日幣風險值與實際報酬率對照…………………….26
圖4.4 以GARCH-M 估計之澳幣風險值與實際報酬率對照…………………….27
圖4.5 以GARCH-M 估計之加幣風險值與實際報酬率對照…………………….27
圖4.6 以GARCH-M 估計之人民幣風險值與實際報酬率對照………………….28
圖4.7 以GARCH-M 估計之歐元風險值與實際報酬率對照…………………….28
圖4.8 以GARCH-M 估計之英鎊風險值與實際報酬率對照…………………….29
圖4.9 以GARCH-M 估計之港幣風險值與實際報酬率對照…………………….29
圖4.10 以GARCH-M 估計之韓圜風險值與實際報酬率對照……………………30
圖4.11 以GARCH-M 估計之泰銖風險值與實際報酬率對照……………………30
圖4.12 以EGARCH 估計之澳幣風險值與實際報酬率對照…………………….31
圖4.13 以EGARCH 估計之加幣風險值與實際報酬率對照…………………….31
圖4.14 以EGARCH 估計之歐元風險值與實際報酬率對照…………………….32
圖4.15 以EGARCH 估計之英鎊風險值與實際報酬率對照…………………….32
圖4.16 以EGARCH 估計之人民幣風險值與實際報酬率對照………………….33
圖4.17 以EGARCH 估計之港幣風險值與實際報酬率對照…………………….33
圖4.18 以EGARCH 估計之日幣風險值與實際報酬率對照…………………….34
圖4.19 以EGARCH 估計之韓圜風險值與實際報酬率對照…………………….34
圖4.20 以EGARCH 估計之泰銖風險值與實際報酬率對照…………………….35
圖4.21 以GARCH 估計之澳幣風險值與實際報酬率對照………………………35
圖4.22 以GARCH 估計之加幣風險值與實際報酬率對照………………………36
圖4.23 以GARCH 估計之歐元風險值與實際報酬率對照………………………36
圖4.24 以GARCH 估計之英鎊風險值與實際報酬率對照………………………37
圖4.25 以GARCH 估計之人民幣風險值與實際報酬率對照……………………37
圖4.26 以GARCH 估計之港幣風險值與實際報酬率對照………………………38
圖4.27 以GARCH 估計之日幣風險值與實際報酬率對照………………………38
圖4.28 以GARCH 估計之韓圜風險值與實際報酬率對照………………………39
圖4.29 以GARCH 估計之泰銖風險值與實際報酬率對照………………………39

表目錄
表4.1 視窗長度250天之匯率敘述統計量……………………………………...…51
表4.2 視窗長度500天之匯率敘述統計量………………………………………...53
表4.3 視窗長度750天之匯率敘述統計量………………………………………...55
表4.4 視窗長度1000天之匯率敘述統計量……………………………………….57
表4.5 視窗長度1250天之匯率敘述統計量……………………………………….59
表4.6 視窗長度1500天之匯率敘述統計量……………………………………….61
表4.7 視窗長度1750天之匯率敘述統計量……………………………………….63
表4.8 視窗長度250天之匯率報酬率敘述統計量………………………………...65
表4.9 視窗長度500天之匯率報酬率敘述統計量………………………………...67
表4.10 視窗長度750天之匯率報酬率敘述統計量……………………………….69
表4.11 視窗長度1000天之匯率報酬率敘述統計量………………………………71
表4.12 視窗長度1250天之匯率報酬率敘述統計量……………………………...73
表4.13 視窗長度1500天之匯率報酬率敘述統計量……………………………...75
表4.14 視窗長度1750天之匯率報酬率敘述統計量……………………………...77
表4.15 視窗長度1000天之模型選擇準則AIC值與SBC值…………………….21
表4.16 匯率報酬率之ARCH-LM檢定量………………………………………….22
表4.17 視窗長度1000天匯率報酬率之AR(1)-GARCH(p,q)模型估計值………79
表4.18 視窗長度250天匯率報酬率之GARCH模型參數估計值………………82
表4.19 視窗長度500天匯率報酬率之GARCH模型參數估計值………………85
表4.20 視窗長度750天匯率報酬率之GARCH模型參數估計值………………88
表4.21 視窗長度1000天匯率報酬率之GARCH模型參數估計值……………..91
表4.22 視窗長度1250天匯率報酬率之GARCH模型參數估計值……………..94
表4.23 視窗長度1500天匯率報酬率之GARCH模型參數估計值……………..97
表4.24 視窗長度1750天匯率報酬率之GARCH模型參數估計值……………..100
表4.25 回溯測試法之風險值的穿越次數表……………………………………..103
表4.26 LR檢定不同視窗下的各種模型估計之準確性…………………………...40
表4.27 模型配適度整理表…………………………………………………………23
表4.28 報酬率在不同視窗長度下於各模型的估計結果整理表…………………25

參考文獻
【中文部分】
林建甫(1996)，「ARCH族模型估計與檢定的問題」，《經濟論文叢刊》，第24卷第3期，頁339-355。
李存修與陳若鈺(2000)，「台灣股匯市風險值(VaR)模型之估計、比較與測試」，《金融財務》，第5期，頁51-75。
林建甫(2000)，「因應金融風暴之風險控管」，瞭望公元2000年焦點研究，國家發展文教基金會。
周業熙(2002)，「GARCH-type 模型在VaR之應用」，東吳大學經濟研究所碩士論文。
劉美纓(2003)，「銀行風險值模型之回顧測試與壓力測試—保守性、準確度及效率性」，2003「商情資料庫分析與建置之研究」成果發表會。
周雨田(2004)，「動態波動模型預測能力之比較與實證」，《財金論文叢刊》，2004年6月第一期，頁1-23。
林曉菁(2006)，「市場風險值模型之驗證與比較分析」，《貨幣觀測與信用評等》，2006年3月。
林楚雄(2006)，「三種修正歷史模擬法估計風險值模型之比較」，《風險管理學報》，第七卷第二期，頁183-201。
陳旭昇(2007)，《時間序列分析》，台北：東華書局，頁273-281。
易丹輝(2008)，《數據分析與EViews應用》，北京：中國人民大學出版社，頁363-376。
張簡彰程(2008)，「風險矩陣波動修正之風險值估計」，《輔仁管理評論》，第15卷第2期，頁61-82。
楊奕農(2009)，《時間序列分析》，台北：雙葉書廊，頁167-191。

 
【英文部分】
Alexander, C. O. & C. T. Leigh (1997), On the Covariance Matrices Used in Value at Risk Models. Journal of Derivatives 4(3) : 50-62.
Bollerslev, T. (1986), “Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics, 31, 307-327.
Computational Time, Journal of Financial Services Research, 12, 3, 201-243.
Christoffersen, P. (1998), “Evaluation Interval Forecasts.” International Economic Review, 39 : 841-62.
Danielsson, J. and De Vries, C. G. (1997a), “Value at Risk and extreme returns,” Working Paper.
Danielsson, J and De Vries, C. G. (1997b), “Tail Index and Quantile Estimation with Very High Frequency Data,” Journal of Empirical Finance, 4, 241-257.
Duffie, D and Pan, J. (1997), “An Overview of Value at Risk,” Journal of Derivatives, 4(3), 7-49.
Economic Policy Review, Federal Reserved Bank of New York Economic Policy Review, 2, 39-69.
Engle, R. F. (1982), “Autoregressive Conditional Heteroskedasticity with Estimates of the Variance of the United Kingdom Inflation,” Econometrical, 50, 987-1007
Engel, J. & M. Gizycki, 1999. Conservatism, Accuracy & Efficiency: Comparing Value-at-Risk Models. Working Paper 2, Australian Prudential Regulation Authority.
Engle, R. F. and S. Manganelli (2000), “CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles.” Working Paper, NBER.
Hendricks, D. (1996), “Evaluation of Value at Risk Model Using Historical data,” Economic Policy Review, Federal Reserved Bank of New York Economic Policy Review, 2, 39-69.
Hopper, G. P. (1996), “Value at risk: A New Methodology for Mwasuring Portfolio Risk”, Business Review, Federal Reserve Bank of Philadelphia, July-August, pp.19-31.
Hull, J. and White, A. (1998), “Value at Risk When Daily Changes in Market Variables Are Not Normally Distributed,” Journal of Derivatives, 5, 9-19.
Jackson, P., Maude, D. and Perraudin, W. (1997), “Bank Capital Value at Risk,”
J.P. Morgan (1996), “RiskMetrics Technical Document” Fourth Edition, http://www.jpmorgan.com.
Jorion, P. (2000), Value at Risk: The New Benchmark for Controlling Market Risk. Chicago: Irwin.
Kupiec, P. H. (1995), “Techniques for Verifying the Accuracy of Risk Measurement Models,” Journal of Derivatives, 2, 73-84.
Pritsker, M. (1997), Evaluation Value at Risk Methodologies: Accuracy versus
Journal of Derivatives, 4, 73-89.
Venkataraman, S. (1997), “Value at Risk for a Mixture of Normal Distributions: The use of Quasi-Bayesian Estimation Techniques,” Federal Reserved Bank of Chicago Economics Perspectives, 21(2), 2-13.