最佳投資組合研究-以台股為例

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：14

、訪客IP：3.17.183.24

姓名

黃致翔(Chih-Hsiang Huang) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

最佳投資組合研究-以台股為例

相關論文

★ 群集二元資料下的同質性檢定	★ 回溯性抽樣下羅吉斯迴歸模型的適合度檢定
★ 利用EM演算法分析公元2000年總統大選民調資料	★ 用統計方法看兩千年總統大選選舉策略的效應
★ Case-Control 資料下羅吉斯迴歸模型的統計推論	★ 病例－對照研究之貝氏分析
★ 美式選擇權定價調整法-利用拔靴法	★ 利用高斯數值方法估計美式賣權價格
★ 最佳投資組合研究-以台灣50指數為例	★ A Market Model for Stochastic Implied Volatility and Volatility swap
★ 傳遞-不平衡相關檢定在錯誤基因型資料之表現	★ 隱含波動率之模型及預測：以台灣市場為例
★ 病例－對照分析之基因研究	★ KMV and Maximum Likelihood Methods for Structural Credit Risk Models: Evidence from Taiwan Market
★ 多重基因－疾病關聯性檢定之研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

摘要
過去應用Markowitz的投資組合模型之相關研究，通常是根據過去的歷史資料分析投資工具的期望報酬與標準差，而計算出效率前緣之投資組合。但事實上，過去的金融與經濟環境不一定能持續到未來，所以最佳資產配置的選擇雖可參考過去的經驗，但仍應對未來金融資產的報酬率、標準差、共變異數做預測，並進行調整以降低資產配置決策錯誤的可能性。本文利用時間序列的AR模型、ARIMA模型、ARCH模型分別對各個股票未來的報酬率、共變異數、變異數先行預測，再利用每一週的預測結果計算最佳資產配置。除此之外，也用常態分配模型和混合常態分配模型對過去的歷史資料作配適，得到了新的模型。實證結果顯示，在沒有賣空機制和有賣空機制下，用時間序列配置的模型明顯優於傳統MV模型和用常態分配模型和混合常態分配模型所建立的資產配置。

關鍵字(中)

★ 資產配置
★ 時間序列模型
★ 混合常態分配模型

關鍵字(英)

★ Markowitz
★ ARMA
★ EM-algorithm
★ ARCH

論文目次

目錄
第一章緒論 1
第二章Markowitz的MV模型 6
2.1資產配置最適化模型 6
2.2無賣空機制下的Markowitz MV模型 6
2.3有賣空機制下的Markowitz MV模型 7
第三章時間序列模型 10
3.1 AR(p)模型 11
3.2 MA(q)模型 15
3.3 ARMA(p,q)模型 17
3.4 ARIMA(p,d,q)模型 17
3.5 ARCH模型 20
第四章參數估計方法 26
4.1 EM演算法 26
4.2最大概似法(MLE) 28
第五章實證分析
5.1無賣空機制下計算投資組合 30
5.1.1用歷史資料求出的投資組合 30
5.1.2用AR(0)/ARCH(0)時間序列模型求出的投資組合 34
5.1.3用AR(1)/ARCH(0)時間序列模型求出的投資組合 41
5.1.4用常態分配和混合常態分配模型求出的投資組合 43
5.2有賣空機制下計算投資組合 47
第六章結論 51
參考文獻 52
附表1 54
附圖1~30 56

參考文獻

參考文獻
[1] Akaike, H., (1973). Information Theory and an Extension of the Maximum Likelihood Principle, in B.N. Petrov and F.Csaki, 2nd ed International Symposium on Information Theory,267-281.Akademia
Kiado:Budapest.
[2] Black, F. and R. Litterman, (1991). “Asset Allocation : Combing Investors’ View with Market Equilibrium”, Journal of Fixed Income, 1,7-18.
[3] Bollerslev, T., (1986). “Generalized Autoregressive Conditional
Heteroskedasticity”, Journal of Econometrics, 31,307-327.
[4] Bollerslev, T., Chou, R. and K. Kroner (1992). “ARCH Modeling in Finance : A Review of The Theory and Empirical Evidence”, Journal of Econometrics, 52,5-59.
[5] Box, G. E. P., Jenkins, G. M. and Reinsel, G. C., Time Series Analysis: Forecasting and Control, 3rd edition, Prentice Hall:Englewood Cliffs, New Jersey.
[6] Casella, G. and Diebolt, J. (2001). Statistical Inference, 2nd
ed, Duxbury.
[7] Chopra,V. K. and W. T. Ziemba, (1993). “The Effect of Errors in Means, Variance, and Covariances on Optimal Portfolio Choice”, Journal of Portfolio Management, 19,6-11.
[8] Engle, R.F. (1982). “Autoregressive Conditional Heteroskedasticity with Estimates of The Variance of UK Inflation”, Econometrica, 50, 987-1008.
[9] Kallberg, J. G. and W. T. Ziemba, (1984). “MIS-Specification in Portfolio Selection Problem”, Lecture Notes in Economics and Mathematical System, 227,74-87.
[10] K. M. Leytham, (1984). “Maximum Likelihood Estimates for the Parameters of Mixture Distributions”, WATER RESOURCES RESEARCH, 20,896-902.
[11] Koskosidis, Y. A. and A. M. Duarte, (1997). “A Scenario-Based Approach to Active Asset Allocation”, Journal of PortfolioManagement, 23,74-85.
[12] Ljung, G. and Box, G. E. P., (1978). On a Measure of Lack of Fit in Time Series Models, Biometrica, 66,394-419.
[13] Markowitz, Harry M. (1952). “Portfolio Selection”, The Journal of Finance, 7,71-91.
[14] Schwarz, G. (1978). “Estimating the Dimension of a Model”, The Annals of Statistics, 6,461-464.

指導教授

鄭光甫(Kuang-Fu Cheng)

審核日期

2004-6-17

推文