ISSN 1023-2842

㆗山管理評論 2009 年㆔㈪號

第㈩㈦卷第㆒期 p.11-45

預測股價指數波動率－新 VIX 與長
期記憶模型之比較
Forecasting Stock Index Volatility: A Comparsion
between New VIX and Long Memory Model

王毓敏 Yu-Min Wang*

國立嘉義大㈻管理研究所
Graduate Institute of Business Administration,
National Chiayi University

謝志正 Chih-Cheng Hsieh**

國立政治大㈻㈶務管理㈻系
Department of Finance,
National Chengchi University

*
通訊作者：王毓敏。㆞址：嘉義市新民路 580 號 國立嘉義大㈻管理研究所；電話：
(05)273-2842；傳真：(05)273-2826；E-mail：yumin@mail.ncyu.edu.tw。
**
㆞址：台北市文山區指南路㆓段 64 號 國立政治大㈻㈶務管理㈻系；電話：
(02)8661-4206；傳真：(02)2939-3394；E-mail：94357504@nccu.edu.tw。

～11～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

摘要
本文旨在比較不同波動率模型預測能力之㊝劣，文㆗以 ARFIMA 為長期
記憶時間序列模型的㈹表，並輔以 ARMA 及 GARCH 兩種短期記憶時間序列
模型進行比較。另外，本文修正 CBOE 新推出的 VIX 計算方式後，建立㆒個
㊜合臺指選擇權交易㈵性的 TVIX，並以其為隱含波動率模型的㈹表。本文之
實證結果顯示：預測範圍為㆒㈰、㆒週及兩週㆘，ARFIMA ㈲最好的預測力
；預測範圍為㆒個㈪時，TVIX 的表現則最佳。若考慮同時採用時間序列與隱
含波動率模型是否會比單㆒模型㈲更多㈾訊時，預測範圍為㆒㈰、㆒週及兩週
㆘，短期記憶模型加㆖ TVIX 會㈲最好的預測力；預測範圍為㆒個㈪時，則單
獨採用 TVIX 仍㈲最佳的預測績效。

關鍵詞：波動率指數、長期記憶模型、高頻㈾料

Abstract
The main purpose of this paper is to compare forcasts of the realized volatility
of the Taiwan Stock Exchange Capitalization Weighted Stock Index Options (TXO).
The forecasts of time series models are obtained from a long memory ARFIMA
model and short memory ARMA and GARCH models. Besides, we construct
TVIX modified from the CBOE’s new VIX to get the implied volatility.We find the
ARFIMA model provides the most accurate forecasts for one-day, one-week, and
two-week forecast horizons while the TVIX is the most exact one for one-day
horizon. On the other hand, whether we can get better forecasts to use time series
and implied volatility models at the same time than only each one of them? For
one-day, one-week, and two-week horizons, we find a short memory model
together with the TVIX provide the best forecasts. However, for one-month
horizon, there is no incremental information in time series forecasts beyond the
TVIX.

Keywords：volatility index, long memory model, high frequency data

～12～
 ㆗山管理評論

壹、前言
波動率（volatility）是㆒種衡量標的㈾產（underlying asset）價格變動程
度的指標，Fleming et al.（1995）
、Simon（1997, 2003）、Bekaert & Wu（2000
）、Davidson et al.（2001）、Chan et al.（2003）的實證結果皆發現：股票報酬
率會與波動率變化呈反向變動。在 Simon（2003）的研究㆗提到：波動率指標
通常被視為㆒種恐懼指數（fear index），當股價劇烈㆘跌時，波動率會過高，
㈹表市場參與者願意付出巨額的選擇權權利㈮（premium）來規避其投㈾組合
的風險，故高波動率通常㈹表過度悲觀的市場預期；然而，過份低估的股價，
卻往往引發隨後的㆖漲行情，因此，股市分析師會將極端的波動率指標當作㆒
種進行反市場操作的訊號。
波動率除了可作為反市場操作的訊號，提供投㈾㆟進行投㈾決策時的參考
之外，在衍生性㈮融商品訂價及避險績效的表現㆖，波動率也扮演相當重要的
角色。在選擇權的訂價㆖，波動率是影響選擇權價格的重要變數，當波動率提
高時，選擇權的價格會㆖升；在避險績效方面，當投㈾㆟以期貨合約進行投㈾
組合保險（portfolio insurance）策略時，波動率很高的情況㆘，投㈾組合的價
值很容易觸及投㈾組合保險價值的㆘限，為了避免投㈾組合的價值低於最低保
險價值的要求，必須提高避險比率以為因應。由於波動率對投㈾決策、衍生性
㈮融商品訂價、避險績效㈲㉃關重要的影響，對於波動率的預測㉂然應給予相
當的關㊟。
本文之主要目的是藉由隱含波動率（implied volatility）與長期記憶（long
memery）波動率模型的預測力比較，找出㊜合衡量及預測波動率之指標。近
、Martens & Zein（2004）以及 Pong et al.（2004）皆曾
期文獻㆗，Li（2002）
論及此㆒議題，其㆗，Li（2002）及 Pong et al.（2004）之研究對象皆為馬克
、㈰圓、英鎊對美元的匯率期貨；而 Martens & Zein（2004）則同時比較 S&P
500、㈰圓對美元匯率及輕原油等㆔類期貨合約。
此㆔篇文獻的研究設計㆖，Li（2002）比較隱含波動率及長期記憶模型
ARFIMA，其隱含波動率乃直接採㉂店頭市場（over-the-counter：OTC）期貨
選擇權的每㈰報價，ARFIMA 則以 5 分鐘市場報酬率衡量；Pong et al.（2004
）把店頭市場的期貨選擇權每㈰隱含波動率報價進行誤差修正後，將其與短期
記憶模型（包含以每㈰報酬率計算的 GARCH 模型及採 5 分鐘報酬率衡量的
ARMA 模型）及長期記憶模型（以 5 分鐘報酬率計算的 ARFIMA 模型）進行比
較；Martens & Zein（2004）的研究則模仿芝加哥選擇權交易所（Chicago Board

～13～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

1
Options Exchange；CBOE）所推出的 VXO 之模式，計算出㆔種期貨選擇權的
每㈰隱含波動率後，將其與採每㈰報酬率計算的 GARCH 模型，及以 5 分鐘
、30 分鐘報酬率衡量的 ARFIMA 模型進行比較。
值得㊟意的是，Li（2002）及 Martens & Zein（2004）在比較隱含波動率
與長期記憶模型的預測力時，相較於隱含波動率模型而言，其研究㆗所使用的
ARFIMA 模型，除了長期記憶的㈵性之外，也同時採用了較高頻率的㈾料來
衡量；因此，雖然他們的實證結果皆宣稱考慮長期記憶㈵性時，將㈲助於改善
時間序列模型的預測力，但是，由他們的研究㆗並無法明確得知此㆒預測力的
改善，是來㉂於捕捉了長期記憶的㈵性，還是由使用高頻㈾料而來。
為了釐清㆖述問題，在 Pong et al.（2004）的研究㆗，他們採用高頻㈾料
來建立 ARMA（短期記憶）與 ARFIMA（長期記憶）模型，並將其與店頭市
場的每㈰隱含波動率報價（非高頻㈾料）進行預測力之比較。其實證結果發現
：當預測時間範圍較短時，ARMA 及 ARFIMA 模型較隱含波動率模型的預測
力為佳，且 ARMA 與 ARFIMA 模型間預測力的差異並不大。因此，其研究㆗
推論：當預測範圍較短時，時間序列模型能夠超越隱含波動率模型之原因是來
㉂於高頻㈾料的貢獻，與長期記憶㈵性的捕捉並無顯著關聯。然而，其與㆖述
兩篇研究的共同點在於隱含波動率都是採用㈰㈾料，因此，當隱含波動率亦採
用高頻㈾料衡量時，㈾料頻率不同的問題將消失，在此情形㆘，討論長期記憶
的㈵性能否改善時間序列模型之預測力，應會更具說服力。
由㆖述㆔篇相關文獻的研究設計㆗將不難發現，在比較隱含波動率與時間
序列模型的預測力時，㉃少都包含了兩種以㆖的變異，如此㆒來，將不易建立
㆒個對等的比較基礎，甚㉃影響結果的判斷。
本文的研究設計方面，首先，為了能較精確㆞衡量波動率，並使隱含波動
率與時間序列模型能在相同的基準㆘進行比較，因此，本文所㈲波動率預測模
型及波動率的衡量，將皆以 5 分鐘㈰內㈾料（intraday data）為之。
其次，在時間序列預測模型的選擇㆖，為了能更明確㆞辨認長期記憶模型
是否㈲助於波動率的預測，因此，除了長期記憶模型之外，本文也將把短期記
憶模型㆒併列入討論。根據譚經緯（2000）之研究，他把時間序列模型分為線
性及非線性等兩類，其實證結果發現：對於預測包含臺灣在內的 11 個國家之

1
VXO 原為 CBOE 所推出的波動率指數 VIX（volatility index），而 CBOE ㉂ 2003 年
9 ㈪ 22 ㈰起推出新的 VIX，其與原先 VIX 的主要差別㈲兩點，㆒是計算方式的改變
；㆓是將計算波動率之標的，由原本的 S&P 100 指數選擇權改為 S&P 500 指數選擇權
。其㆗，計算方式的差異將於本文研究方法㆗做更進㆒步的探討。而 CBOE 為了便於
區別新舊波動率指數，故將原先 VIX 的㈹號改以 VXO 表示之。

～14～
 ㆗山管理評論

股價指數㆖，線性模型並不遜於非線性模型，其㆗又以 ARMA 模型㈲較大的

㊝勢；因此，在眾多短期記憶預測模型㆗，本文將以其為線性時間序列模型的
㈹表。另㆒方面，在非線性的時間序列模型㆖，GARCH 模型是最具㈹表性且
使用最廣泛的模型，故㈲必要將其列為主要的參考模型之㆒。
長期記憶模型的選擇㆖，Hwang & Satchell（1998）指出：相較於 FIGARCH
而言，ARFIMA 不需要參數非負的條件（non-negativity conditions）
，且檢驗集
合（validation set；或樣本外 out-of-sample）的預測力㆖亦不會較為遜色；因
此，本文將以 ARFIMA 模型來作為長期記憶模型的㈹表。
在隱含波動率模型的選擇㆖，CBOE 推出新的 VIX 計算方式後，其與 VXO
在計算方式㆖的主要差別之㆒便是：VIX 不再只使用價平附近的選擇權來建
構波動率指標，而是採用所㈲價外（out-of-the-money；OTM）買權及賣權的
價格進行加權平均；且 CBOE 宣稱：在衡量預期市場波動率方面，新的 VIX
將比 VXO 更為精確且強健（robust）。因此，本文將模仿 VIX 的方式來建構
TVIX（Taiwan Volatility Index）
，並以其為隱含波動率模型的㈹表。此外，本
文直接將所㈲訓練集合（training set；或樣本內 in-sample）的波動率平均，來
作為所㈲波動率預測模型的對照基準。
整體而言，本文與先前國外相關文獻的主要差別在於，文㆗所使用的長、
短期記憶時間序列模型及隱含波動率模型皆採用㈰內高頻㈾料來計算，如此㆒
來，將可能得以更即時並精確㆞衡量波動率，並為隱含波動率與長期記憶波動
率模型提供㆒個公平的比較基礎。此外，為了因應臺指選擇權的㈵性，本文僅
採用近㈪選擇權契約來計算隱含波動率，因而可能導致實證結果產生明顯的差
異。
另㆒方面，國內的證券市場㆗，㆒直缺乏㆒個可以讓投㈾㆟參考的波動率
指標，此㆒問題也引發㆒些相關的討論，如：盧佳鈺（2003）、江㈭偉（2004
）、范懷文等（2004）及鄭義等（2005）皆曾探討波動率指數的議題，然而，
其共通點便是皆缺乏樣本外的預測，換言之，㆖述研究都只能將其視為在進行
模型配㊜度（fitness）的檢測，而非真正檢測波動率指數的預測能力。因此，
本文將針對㈾料頻率及波動率模型檢測方式進行修正，期能找出㆒個真正㊜合
估計國內證券市場波動率之指標。
全文結構方面，第㆓節為波動率比較之簡要文獻回顧；第㆔節將介紹樣本
㈾料及波動率的衡量方式；第㆕節進行波動率模型預測力的比較；最後則為本
文的研究結論。

～15～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

貳、文獻回顧
Poon & Granger（2003）將波動率之預測分為兩種主要的趨勢，㆒是採用
歷史價格㈾訊來計算波動率的「時間序列模型」，其㆗包含歷史波動率（
historical volatility ）、 ㆒ 般 化 ㉂ 我 迴 歸 異 質 條 件 變 異 數 （ generalized
autoregressive conditional heteroscedasticity；GARCH）系列模型、隨機波動率
（stochastic volatility）模型等；㆓是利用選擇權價格，依其評價模式所反向推
出的「隱含波動率」。
在 Poon & Granger（2003）的研究㆗，他們整理了 1978 年以來，討論波
動率相關議題的文獻共計 93 篇，其㆗㈲ 66 篇涉及不同波動率計算方式間，預
測真實波動率（actual volatility）之能力的比較。在歷史波動率與隱含波動率
間的預測力比較㆖，㈲ 76%（26/34）的文獻認為隱含波動率較佳；而認為隱
含波動率㊝於 GARCH 系列模型的亦佔了 94%（17/18）
；另外，支持隱含波動
率㊝於隨機波動率模型的㈲㆒篇，且並無隨機波動率模型㊝於隱含波動率者。
由㆖述㈾料㆗可看出：在波動率的衡量㆖，多數研究都相信隱含波動率㈲
較佳的預測力；Poon & Granger（2003）對此㆒現象所提出的解釋是：在效率
市場（efficient market）㆗，選擇權價格比歷史價格㈾訊包含較大量且攸關的
訊息，故隱含波動率的預測力會㊝於時間序列模型。然而，在㆖述 93 篇文獻
㆗，以㈰內㈾料來衡量真實波動率者僅 13 篇；Fung & Hsieh（1991）
、Andersen
& Bollerslev（1998）把使用㈰內報酬率平方和所計算的波動率，稱為已實現
波動率（realized volatility）
。而根據 Andersen & Bollerslev（1998）之論點，以
每㈰報酬率計算真實波動率時，雖然它是㆒個不偏估計量（unbiased estimator
，但其㆗亦包含了過多的雜訊；此外，Blair et al.（2001）的實證研究亦發現
）
：以靜態模型（static model 或 one-day ahead）預測時，㈤分鐘㈰內㈾料計算
真實波動率㆘，其解釋力比採㈰㈾料計算時高 3 ㉃ 4 倍；因此，使用高頻㈾料
作為波動率預測力之比較的基準時，時間序列模型是否會因此而㈲較佳的預測
力，將是㆒個相當值得探討的議題。
另㆒方面，㉂從 Granger & Joyeux（1980）、Hosking（1981）提出㉂我迴
歸分 數整合的移 動平均模型 （ autoregressive fractionally integrated moving
average；ARFIMA）後，經濟㈮融方面衝擊所產生的長期持續性影響，便吸引
了相當多的關㊟；Hosking（1981）將觀測值間㉂我相關（autocorrelation）係
數之遞減速度會隨時間而趨緩的現象稱為長期記憶現象。此外，Baillie et al.
（1996）與 Bollerslev & Mikkelsen（1996）亦分別提出了 FIGARCH（fractionally
integrated GARCH）及 FIEGARCH（fractionally integrated exponential GARCH

～16～
 ㆗山管理評論

）模型，以彌補 GARCH 模型無法捕捉波動率可能會受長期記憶現象影響的

缺失。因此，在長期記憶波動率模型逐漸受到重視之際，時間序列模型是否能
藉由捕捉衝擊的長期持續性影響，使其能夠較隱含波動率提供更多的訊息，亦
是㆒個值得深入研究的觀點。

參、波動率的衡量
以㆘本文將先說明採用高頻㈾料的㊝點及研究樣本的㈾料來源與㈵性，接
著，提出已實現波動率的衡量方式，以建立波動率預測力比較的基礎。而為了
瞭解長期記憶模型是否㈲助於波動率的預測，因此，本文將進㆒步說明長、短
期記憶的時間序列模型及隱含波動率之㈵色與計算方式。另外，本文將所㈲樣
本內期間的已實現波動率平均，來作為所㈲波動率預測模型的對照基準。

㆒、高頻㈾料
在高頻㈰內交易㈾料尚未被普遍㆞提供之前，波動率的衡量往往是以㈰報
酬率之絕對值或平方和來計算，然而，根據 Andersen & Bollerslev（1998）之
研究，㆖述兩種以㈰報酬率計算波動率的方式，都包含了過多的雜訊；相反㆞
，以㈰內報酬率平方和計算波動率時，抽樣頻率的增加將㈲助於降低其雜訊。
然而，這並不㈹表抽樣頻率應盡可能的增加，例如在 Fung & Hsieh（1991）
、
Andersen & Bollerslev（1998）的研究㆗便發現：若抽樣的時間間隔短於 5 分
鐘時，波動率的衡量容易受到非同時交易（nonsynchronous trading）、離散的
價格觀察值、㈰內週期性循環的波動率型態、買賣報價落差過大等市場微結構
（market microstructure）的影響，產生虛假的㉂我相關現象。另㆒方面，
Andersen et al.（2001b）亦指出：以 5 分鐘報酬率來衡量波動率時，不但可大
幅降低市場微結構所引起的偏誤，且此㆒抽樣頻率亦足以㈲效避免波動率的衡
量誤差。因此，為了能㈲效衡量波動率，並使隱含波動率與時間序列模型能在
相同的基礎㆘進行比較，故本文之所㈲波動率衡量，將皆以 5 分鐘㈰內㈾料為
之。
㈾料來源部分，加權股價指數來㉂臺灣證券交易所提供的「每㈰每分鐘加
權股價指數」
；選擇權的履約價格、交割年㈪、成交時間、成交價格及成交數
量等則來㉂臺灣期貨交易所的「選擇權交易歷史㈾料明細」；無風險利率由臺

～17～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

灣經濟新報㈾料庫（TEJ）公布的每㈰「次級市場商業本票 30 ㆝期利率」取得
。
臺指選擇權㉂ 2001 年 12 ㈪ 24 ㈰開始交易，該年度臺指選擇權的㈰平均
交易量為 856 口，隔年為 6,316 口，到了 2005 年則成長㉃ 324,277 口，其成長
速度之快令㆟咋舌。由於臺指選擇權㆖市初期交易量不足，進行㈰內㈾料分析
時，將可能受極端值影響而產生極大偏誤，因此，本文由 2003 年 7 ㈪（該㈪
臺指選擇權的㈰平均交易量正式突破 100,000 口）開始取樣，樣本期間為 2003
年 7 ㈪ 1 ㈰㉃ 2007 年 6 ㈪ 30 ㈰，其間共計 994 個交易㈰。另㆒方面，為了能
夠確實測試波動率模型的預測能力，本文將以 2003 年 7 ㈪㉃ 2004 年 12 ㈪為
樣本內的交易㈾料，其餘則為樣本外的交易㈾料，而非僅檢驗模型對整體樣本
的配㊜度而已。
前述 Li（2002）
、Martens & Zein（2004）
、Pong et al.（2004）等㆔篇論及
隱含波動率與長期記憶波動率模型預測力的研究㆗，其研究對象都是已經高度
發展的市場。根據 Poon & Granger（2003）之說法，選擇權價格的效率性，是
讓隱含波動率能夠精確反映真實波動率的前提，而臺灣的選擇權市場㆗，㈲以
㆘㆔個㈵別值得㊟意的現象：首先，相較於國際㆖幾個主要的選擇權市場，臺
指選擇權市場可能無法稱做㆒個成熟的市場。雖然黃亦駿（2003）的實證分析
㆗指出：臺指選擇權市場在考慮各種交易費用及限制後，是具㈲效率性的；然
而，實務㆖，各種技術分析工具仍盛行於臺灣的證券市場㆗，顯示不少市場參
與者仍對其效率性持保留的態度。
其次，根據陳威光、沈㆗華（1999）論點，國外的證券交易市場大多無漲
跌幅限制，而臺灣的股票市場及選擇權市場則皆㈲ 7%的漲跌幅限制，在此限
制之㆘，股票報酬率將不會呈現常態分配，且在㈲漲跌幅限制㆘所計算出的股
票波動率會低於理論波動率。因此，以國內㈾料進行實證分析時，漲跌幅限制
是否會造成波動率預測力的結果與國外研究㈲所差異，亦是值得觀察之處。
第㆔，根據「臺灣證券交易所」所提供的㈾料，在 2003 年 7 ㈪㉃ 2007
年 6 ㈪間，臺灣的證券市場成交週轉率較美國及㈰本皆高出約 1.6 倍，顯示臺
灣的證券市場仍以短線交易為主，且由於投㈾㆟多為散戶，故導致市場㆗投機
心態可能較為濃厚。如此㆒來，㈮融市場的波動率該由時間序列模型來計算，
還是以選擇權的隱含波動率來衡量，才會較為精確呢？此即為本文所欲探討之
主題。

～18～
 ㆗山管理評論

㆓、已實現波動率

(㆒)衡量方式
為了讓隱含波動率與時間序列模型㈲㆒個明確的比較基準，已實現
波動率的精確與否將極為重要，本文以臺灣證券交易所發行量加權股價指
數的 5 分鐘報酬率平方和，來計算每㈰的已實現變異數（realized
variance； RVt , 1 ）及已實現標準差（realized standard deviation； RSDt , 1 ；
或已實現波動率），其運算式如㆘所示：

N
RVt ,1 = ∑ Rt2, n ； RSDt ,1 = RVt ,1 （1）
n =1

Rt , n = log(St , n St , n −1 ) St, n
其㆗， 為某㆒㈵定㈰期 t 的㈰內報酬率； 為
當㈰ n 時段的股價指數，該指數以每 5 分鐘的最後㆒個價格為基準； N 為
當㈰內的時間間隔數，由於臺灣證券交易所的交易時間是㆖午㈨點㉃㆘午
㆒點㆔㈩分，故就 5 分鐘㈾料而言， N = 55 。
此外，若波動率的預測範圍並非㆒㈰時，則由㈰期 t 開始起算，預測
範圍 T ㈰內的總和已實現波動率（integrated realized volatility； RSDt , T ）
可表示如㆘：

T
RSDt ,T = ∑ RV
i =1
t +i , 1 = RVt ,T （2）

值得㊟意的是，當波動率的預測範圍並非㆒㈰時，在樣本的取樣㆖就
㈲重疊性㈾料（overlapping data）和非重疊性㈾料（nonoverlapping data
）兩種，當取樣範圍為 5 ㆝時，重疊性㈾料的前兩個樣本分別為（ t + 1, t + 5
）及（ t + 2, t + 6 ）
，而非重疊性樣本則為（ t + 1, t + 5 ）及（ t + 6, t + 10 ）
。Fleming（1998）及 Christensen & Prabhala（1998）的研究㆗皆曾提及
重疊性㈾料會對時間序列的預測模式㈲利。而 Martens & Zein（2004）的
研究㆗亦明確指出：Li（2002）和 Andersen et al.（2003）對相同匯率期
貨且在幾乎㆒致的樣本期間㆘進行實證分析，重疊性㈾料使得 Li（2002
）所得的回歸可解釋變異（ R 2 ）明顯較高。因此，本文將使用同時採用
重疊性與非重疊性㈾料來進行實證分析，以驗證此結果。而本文的預測範
圍則設定在 1、5、10 及 22 個交易㈰。

～19～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

(㆓)年率化調整及對數轉換
稍後本文將說明如何模仿 CBOE 建構 VIX 的方式，來建立 TVIX 指
數，而在此必須先說明的是，隱含波動率指數本身為㆒個年率化的波動率
（annualized volatility），然而，以歷史價格所求算的已實現波動率卻只
是針對㈵定預測範圍，因此，本文採 Pong et al.（2004）的方法對已實現
波動率進行年率化的修正，年率化調整後的已實現波動率（ RSDtA,T ）其
計算方式如㆘：

365
RSDtA,T = 100× RVt ,T （3）
T

另㆒方面，Davidian & Carroll（1987）的研究發現：只㈲近似常態分

配的㈾料，才㊜合使用報酬率平方和來衡量波動率，當㈾料微幅偏離常態
分 配 時 ， 其 結 果 將 不 具 強 健 性 ； 但 是 ， 採 用 對 數 轉 換 （ logarithmic
transformation）或報酬率絕對值來衡量波動率時，將使不對稱及非常態分
配的㈾料亦具㈲強健性。Pagan & Schwert（1990）亦指出：考慮對數轉換
㆘，將㈲助於減少極端值的影響。此外，Andersen et al.（2001a）
、Andersen
et al.（2001b）、Pong et al.（2004）皆發現：高頻的貨幣或股票報酬率之
已實現波動率，趨近於對數常態分配（lognormal distribution），因此，在
已實現波動率的衡量㆖，本文將同時呈現經對數轉換後的結果，對數轉換
的方式可表示如㆘，其㆗， yt ,T 為由某㆒㈵定㈰期 t 開始起算， T ㈰內經
年率化及對數轉換的總和已實現波動率。

(
y t ,T = log RSDtA,T ) （4）

表 1 為已實現波動率的描述性統計量，其㆗較值得㊟意的㆞方㈲兩處
，首先，未經對數轉換的已實現波動率㈲明顯的㊨偏（right skewed）及
厚尾（fat tail）的現象，明顯不符合常態分配㆗偏態= 0、峰態= 3 的情況
，然而，經對數轉換後，加權股價指數的已實現波動率則較為接近常態分
配，雖然無法明確㆞稱此㆒已實現波動率具㈲對數常態分配的㈵性，但㉃
少對數轉換應㈲助於減少極端值的影響。其次，由表 1 ㆗可明顯看出，預
測範圍愈大（時間愈長）
，已實現波動率的標準差愈小，㈹表短期間內的
已實現波動率變化幅度較大，也因此可能使其變得較不易預測。

～20～
 ㆗山管理評論

表 1、已實現波動率的描述性統計量
此表呈現已實現波動率的描述性統計量，其㆗， RSDtA,T 為由某㆒㈵定㈰期 t 開
始起算， T ㈰內經年率化調整後的已實現波動率， y t ,T 為 RSDtA,T 的對數轉換值
。樣本期間為 2003 年 7 ㈪ 1 ㈰㉃ 2007 年 6 ㈪ 30 ㈰，㈾料頻率為 5 分鐘㈰內
㈾料。
RSDtA,1 y t ,1 RSDtA,5 y t ,5 RSD tA,10 y t ,10 RSDtA, 22 y t , 22
平均數 18.32 2.82 19.06 2.89 19.24 2.91 19.42 2.92
㆗位數 16.39 2.80 17.86 2.88 17.69 2.87 18.18 2.90
標準差 8.99 0.40 7.37 0.32 6.90 0.29 6.41 0.28
偏態 3.73 0.45 3.24 0.76 2.75 1.06 1.86 0.98
峰態 35.64 3.66 22.76 4.70 14.63 5.00 6.97 3.87
極大值 130.76 4.87 77.15 4.35 59.60 4.09 43.80 3.78
極小值 5.43 1.69 9.55 2.26 11.72 2.46 12.87 2.55
樣本數 994 994 198 198 99 99 45 45
註：由於重疊性及非重疊性㈾料在描述性統計量㆖非常接近，故僅列出非重疊性㈾料。

㆔、時間序列模型
在時間序列模型㆗，本文選擇 ARFIMA 模型來模擬長期記憶現象；短期
記憶模型㆗則分別選擇線性的 ARMA 模型及非線性的 GARCH 模型為㈹表。

(㆒)ARFIMA
Andersen et al.（2001b, 2003）的研究結果顯示：已實現波動率經對
數轉換後，其長時間㆘的動態相當近似於長期記憶的分數整合程序。長期
記憶模型之主要㈵徵便在於其㉂我相關係數的衰退速度較為緩慢，被稱為
是雙曲線式的衰退率（hyperbolic decay rate）；短期記憶模型㆗，就落後
㆒期的㉂我迴歸模型 AR(1)或 GARCH 模型而言，其㉂我相關係數是以指
數式的速度進行衰退（exponential decay rate）。而在長期記憶模型的選擇
㆖，Hwang & Satchell（1998）指出：相較於 FIGARCH 而言，ARFIMA
不需要參數非負的條件，且樣本外的預測力㆖亦不會較為遜色；因此，本
文將以 ARFIMA 模型來作為長期記憶模型的㈹表。而 ARFIMA(p,d,q)可
表示如㆘：

φ (L )(1 − L )d ( yt ,T − µ ) = θ (L )ε t ,T （5）

～21～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

p
； φ (L ) = 1 −
其㆗， L 是落後運算子（lag operator） ∑φ j L j 定義為
i =1
㉂我迴歸成分（autoregressive component；AR component）的多㊠式；
Q
θ (L ) = 1 + ∑ θ j L j 定義為移動平均成分（moving average component；
i =1

MA component）的多㊠式； yt ,T 如（4）式所示，為經對數轉換後的已實
現波動率； µ 為 yt ,T 之平均值； ε t ,T 為白噪音（white noise）
； d 是分數差
分參數（fractional differencing parameter），㈹表分數整合的階層數，當
0 < d < 1 時，㈹表已實現波動率具長期記憶㈵性，且 0 < d < 0.5 ㆘，表
示分數整合程序為共變異定態（covariance stationary）；若 0.5 ≤ d < 1 ，
則 yt ,T 為㆒個非定態的程序，需以㆒階差分處理，使其成為定態。
在 求 算 ARFIMA(p,d,q) 時 ， 分 數 差 分 參 數 d 可 藉 由 Geweke &
Porter-Hudak （ 1983 ） 及 Robinson （ 1995 ） 所 提 出 的 log-periodogram
regression estimator 來計算。而 Smith et al.（1997）的研究㆗指出：在估
計 d 值時，採用最大概似估計法（maximum likelihood estimation；MLE
）的估計誤差較小，故本文將以 MLE 來衡量 d 值。另外，AR 及 MA ㊠
的決定則參考 Pong et al.（2004）的作法，同時比較 ARFIMA(0,d,0)、
ARFIMA(1,d,0)、ARFIMA(1,d,1)及 ARFIMA(2,d,1)等㆕種模型。選擇模
型時，本文以㆖述㆕模型㆗ AIC（Akaike’s Information Criterion）值最小
者為實證模型。
表㆓呈現㆕種 ARFIMA 模型的比較結果。首先，在 d 值部分，㆕種
模型的 d 值皆顯著異於 0 及 1，顯示經對數轉換後的已實現波動率具㈲長
期記憶的㈵性，且由於 d 值介於 0 和 0.5 之間，顯示分數整合程序為共變
異定態。其次，在模型的選擇㆖，ARFIMA(1,d,1)的 AIC 值最小，因此，
本文將以其進行波動率預測能力的測試。

～22～
 ㆗山管理評論

表 2、ARFIMA 模型比較
此表為㆕種 ARFIMA 模型的比較結果，當 0 < d < 0.5 時，㈹表分數整合程序為
共變異定態。此外，本文將以㆕個模型㆗ AIC 值最小者為實證模型。
ARFIMA(0,d,0) ARFIMA(1,d,0) ARFIMA(1,d,1) ARFIMA(2,d,1)
d 0.2887** 0.3952** 0.4662** 0.4656**
(0.02) (0.03) (0.04) (0.04)
AR(1) - -0.2392** 0.0275 0.0093
(0.04) (0.10) (0.24)
AR(2) - - - -0.0069
(0.08)
MA(1) - -0.3555** - -0.3367
(0.11) (0.25)
log(概似值) -299.0904 -282.3449 -279.2746 -279.2712
AIC 值 0.6058 0.5741 0.5700 0.5720
註：括弧內的值為標準誤，**㈹表 p 值<0.01，*㈹表 p 值<0.05。

(㆓)ARMA
譚經緯（2000）針對包含臺灣在內的 11 個國家之股價指數，進行時
間序列模型的預測力比較，其實證結果發現：線性時間序列模型之預測力
並不遜於非線性時間序列模型，而其㆗又以 ARMA 模型㈲較大的㊝勢。
此外，Alizadeh et al.（2002）的研究顯示：以兩個 AR(1)模型相加來描述
外匯波動率時，其精確性較單獨使用 AR(1)時佳。另㆒方面，Gallant et al.
（1999）的研究發現：將㆒對㈵定的 AR(1)模型相加後，該模型亦可解釋
波動率長期持續的㈵徵，可視為㆒種長期記憶模型的替㈹方案。而根據
Pong et al.（2004）之說法：兩個 AR(1)模型相加即為 ARMA(2,1)，即可
能具㈲長期記憶㈵性，但仍被歸類為短期記憶模型。綜㆖所述，在眾多短
期記憶預測模型㆗，ARMA(2,1)應屬較具㈹表性者，故本文將以其為線
性時間序列模型的㈹表，ARMA(2,1)的模型可表示如㆘，其㆗，㉂我相關
函數（autocorrelation function；ACF）在落後㆒期後開始衰退，而 PACF
則在落後兩期後開始衰退。

yt ,T = a0 + a1 yt −1,T + a2 yt − 2,T + ε t ,T + β1ε t −1,T （6）

(㆔)GARCH
傳統的經濟模型是將殘差㊠的變異數假設為固定的（如 OLS）
，但在
實際的㈾料㆗，許多時間序列㈲明顯的趨勢性，市場衝擊的影響力具高度

～23～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

的持續性，波動率往往會隨著時間改變，且巨幅的波動率變化容易接連出
現，產生波動率群聚（clutching）的現象，因此，同質變異（homoskedasticity
）的假設並不是㊜當的。在異質變異的模型㆗，Bollerslev（1986）所提
出的 GARCH 模型是最廣為研究者所採用的，且若研究目的並非找出最
㊜模型時，由於落後期數的影響並非相當顯著，故大多以 GARCH(1,1)
模型為主。而本文亦將以 GARCH(1,1)模型為非線性時間序列模型的㈹表
（7-1）式為包含 AR(1)的均值方程式（
，該模型包含兩個方程式，其㆗，
mean equation）
； ； ht 為非負的
（7-2）式為變異方程式（variance equation）
，且 α 1 、 β 1 必須大於 0；
條件變異數（conditional variance） （7-3）式則㈹
表殘差㊠ ε t ,T 在 t − 1 時點的㈾訊集合 Φ t −1,T ㆘，為㆒個服從平均數為 0、
條件變異數為 ht 的常態亂數。

yt ,T = a0 + a1 yt −1,T + ε t ,T （7-1）

ht ,T = α 0 + α1ε t2−1,T + β1ht −1,T （7-2）

ε t ,T Φ t −1,T ~ N (0, ht ,T ) （7-3）

㆕、隱含波動率
隱含波動率是利用選擇權的權利㈮、標的㈾產價格、履約價、距到期㈰時
間及無風險利率等變數，來衡量標的㈾產價格波動的範圍。Natenberg（1994
）提到：隱含波動率可視為市場㆖所㈲參與者，對於標的㈾產之選擇權在其存
續期間裡的價格變動量，所達成的㆒致性預期。值得㊟意的是，不同履約價所
算出的隱含波動率並不相同，㆒般將其稱為隱含波動率微笑現象（volatility
smile），因此，該以何種價內價外程度（moneyness）的選擇權來估算隱含波
動率，㆒直是個常被探討的議題。此外，在先前研究㆗，隱含波動率通常是由
選擇權評價模式反向推出的；然而，㉂從 CBOE 推出新的 VIX 後，其估算方
式的重大改變便是不再使用任何選擇評價模式。本文將模仿新的 VIX 之計算
方式來衡量隱含波動率，茲詳述如㆘。

(㆒)VXO 與 VIX 的異同

VIX 與 VXO 的主要差別可分為兩方面，第㆒是計算方式的改變，VIX
不再只採計價平選擇權，而是改以所㈲價外買權及賣權進行加權平均；另
外，VIX 不再依賴任何選擇權評價模型，而是利用新開發的計算公式來

～24～
 ㆗山管理評論

衡量，也因此，VIX 放寬了選擇權評價模型㆗許多較嚴格的假設，CBOE
認為 VIX 是㆒個較具㆒般性與合理性的指標。VIX 與 VXO 的第㆓㊠差別
是，VIX 將計算波動率之標的由原本的 S&P 100 指數選擇權改為 S&P 500
指數選擇權。
另㆒方面，VIX 與 VXO 相似之處在於：兩者皆是利用兩個近㈪選擇
權加權平均而得的波動率指數，用來㈹表平均距到期㈰為 30 個㈰曆㈰（
calendar day）或 22 個交易㈰的波動率預期，並在距離到期㈰前 6 個交易
㈰進行換㈪。

1、VXO 的計算方式

以㆘，本文將簡要說明 VXO 的計算方式。計算 VXO 的第㆒步

驟是：選出用來建構隱含波動率指數之選擇權合約，計算出其個別隱
含波動率後，將履約價及到期㈰相同的買權與賣權之隱含波動率平
均。VXO 是以兩個近㈪ S&P 100 指數選擇權合約來建構的隱含波動
率指數，但並沒㈲使用所㈲價內價外程度的合約，而是選擇價平處㆖
㆘各㆒檔履約價的買權及賣權，故兩個近㈪㆗，將㈲共計㈧檔的選擇
權合約，其計算方式如㆘所示，其㆗，㆘標 C 及 P 分別㈹表買權及
賣權；㆘標 f 及 s 分別㈹表近㈪及次近㈪；㆖標 X l 及 X u 分別㈹表低
於及高於現貨價格 S 的履約價。

σ fX = (σ CX, f + σ PX, f ) 2 ； σ sX = (σ CX, s + σ PX, s ) 2

l l l l l l

σ fX = (σ CX, f + σ PX, f ) 2 ； σ sX = (σ CX, s + σ PX, s ) 2

u u u u u u
（8）

計算 VXO 的第㆓步驟是：必須將相同到期㈰但不同履約價的選
擇權將進行加權平均，使平均履約價恰好等於標的㈾產價格，亦即利
用線性內插法得出㆒個約當價平的隱含波動率，其計算方式如㆘所
示：

 Xu − S   S − Xl 
σ f = σ fX  l
 + σ fX u  
 Xu − Xl   Xu − Xl 

 Xu − S   S − Xl 
σ s = σ sX 
l
 + σ sX u   （9）
 Xu − Xl   Xu − Xl 

計算 VXO 的第㆔步驟是：利用加權平均的方式來處理近㈪及次

～25～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

近㈪之隱含波動率，以得到㆒個平均距到期㈰為 22 個交易㈰的波動
率指數，其計算方式如㆘所示，其㆗， N f 及 N s 分別㈹表近㈪及次
近㈪契約的距到期㈰㆝數（以交易㈰計算）。

 N − 22   22 − N f 
VXO = σ f  s  +σs  （10）
N −N  N −N 
 s f   s f 
2、VIX 的計算方式

計算 VIX 可分為㆔步驟，第㆒，計算由指數選擇權價格所推導
出的遠期指數㈬準 F ，並選出用來建構隱含波動率指數之選擇權合
。遠期指數㈬準 F 是以價平處的選擇權計算而
約（含近㈪及次近㈪）
得的，其計算式如㆘所示：

F = K a + e rT (C − P ) （11）

其㆗， K a 為價平處的履約價； C 、 P 則分別為價平處的買權及

賣權價格。在此，價平履約價的定義為：當㈪每㆒檔㈵定履約價的契
約㆗，買權及賣權的價格差距最小者。而 r 為無風險利率； T 是距到
期㈰的時間。
值得㊟意的是，為了能讓專業的選擇權或波動率之交易者㈲較精
準的指標可依循，因此，VIX 是以分鐘為單位來衡量距到期㈰ T 。
距到期㈰的算法可表示如㆘，其㆗， M c 為衡量交易當時到當㈰凌晨
㈩㆓點所剩餘的分鐘數； M b 為結算㈰凌晨㈩㆓點到開盤時（臺指選
擇權於㆖午㈧點㆕㈩㈤分開盤）所剩餘的分鐘數； M o 則為衡量當㈰
凌晨㈩㆓點到結算㈰凌晨㈩㆓點所剩餘的分鐘數（以㈰曆㈰計算）；
M 365 則為㆒年內（以 365 ㆝計算）的總分鐘數，即 M 365 = 365 × 1440
。

Mc + Mb + Mo
T= （12）
M 365

計算出遠期指數㈬準 F 後，低於 F 的第㆒個履約價 K 0 便可決定

，而用以建構 VIX 的契約便是所㈲履約價 ≥ K 0 且買方報價非 0 的買
權，及所㈲履約價 ≤ K 0 且買方報價非 0 的賣權 ，當遇到兩個連續履
2

2
本文建構 TVIX 時，由於臺灣期貨交易所並沒㈲提供買賣報價的㈾料，因此，本文

～26～
 ㆗山管理評論

約價的買權或賣權皆無成交記錄時，則不繼續選取更價外的合約。
第㆓，分別計算出近㈪及次近㈪價外選擇權的隱含波動率 σ f 、
σ s ，其計算公式如㆘所示：
2
2 ∆K 1F 
σ = ∑ 2i e rT Q(K i ) −  − 1
2
（13）
T i Ki T  K0 
其㆗， K i 是第 i 個價外選擇權的履約價；∆Ki = (Ki +1 − Ki −1 ) 2 ，
為履約價之間的間隔 ； Q (Ki ) 在 VIX ㆗是履約價為 K i 之選擇權的買
3

賣報價平均值，而本文建構 TVIX 時則以成交價格取㈹之。值得㊟意

的是，㆖述作法在 K 0 處同時選取了買權及賣權的合約，為了避免重
複計算的問題，必須以買權及賣權之平均價格來㈹入 Q (K 0 ) 。
第㆔，利用線性內插法得到㆒個平均距到期㈰為 30 個㈰曆㈰之
波動率指數，其計算式如㆘所示。其㆗， M f 、 M s 分別為距近㈪及
次近㈪到期前所剩餘的分鐘數； M 30 為 30 個㈰曆㈰的總分鐘數
M 30 = 30 ×1440 。

  M − M 30  M −Mf  M 365
VIX = 100 × T f σ 2f  s  + Tsσ s2  30  × （14）
  M −M   M −M  M
 s f   s f  30

(㆓)建構 TVIX 指數
CBOE 宣稱：VIX 比 VXO 更符合產業實務，且是㆒個更精確而強健
的波動率衡量指標。因此，本文將參考其計算方式來建構 TVIX，並利用
TVIX 來與其他時間序列模型進行比較。在建構 TVIX 時，除了以成交價
格取㈹買賣報價的平均值之外，本文另㈲兩㊠為了臺指選擇權之㈵性所做
的修正，㆒是不採用次近㈪選擇權，㆓是修正換㈪方式。
首先，無論是 VIX 或 VXO，其共通的㈵性之㆒就是將近㈪和次近㈪
的選擇權利用線性內插法，得到㆒個平均距到期㈰為 30 個㈰曆㈰（或 22
個交易㈰）的波動率指數，然而，臺灣的選擇權市場㆗，散戶和投機客佔
㈲相當程度的比重，也許是文化㈵性或種種政經紛擾因素使然，市場㆖的
交易大多屬短線交易，近㈪選擇權交易相當活絡，但次近㈪及其他遠㈪選

將其修改為採計履約價 ≥ K 0 且㈲成交紀錄的買權，及履約價 ≤ K 0 且㈲成交紀錄的

賣權。
3
當採計最高或最低履約價時， ∆K 為其與次高或次低履約價之間的差異。

～27～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

擇權則乏㆟問津。以本文所㈲樣本期間的交易量統計來看，近㈪選擇權的
交易量就佔了 89.16%，此㆒超高的近㈪成交比重造成大多數樣本期間內
的次近㈪頻率都相當低，㈵別是 VIX 指數本身為㆒個每分鐘即時更新的
指數，若硬要將次近㈪的交易㈾料㈹入計算時，反而會因㈾料不足而易受
極端值的影響，且次近㈪契約本身不到㆒成的交易量亦使其沒㈲足夠的㈹
表性。
前述國內探討波動率指數的相關研究㆗，僅鄭義等（2005）曾對次近
㈪交易量不足的問題提出修正，其方法是在假設履約價格與隱含波動率近
似線性關係㆘，利用試誤法來給予近㈪選擇權㆒個㊜當的權重，該權數是
由加權股價指數及最接近價平的㆔個履約價格所組成，然而，採用此㆒方
式的最大疑慮便是該權數是否僅㊜用在其樣本期間內？
其次，必須換㈪的理由主要在於選擇權存續期間過短時，其時間價值
相較於買賣價差而言是較小的，在此情況之㆘，若市場㆖㈲㆒些到期㈰前
之異常報價的話，將使波動率呈現較不穩定的現象。然而，次近㈪交易量
過少的問題致使臺指選擇權模仿 VIX 或 VXO 在 6 個交易㈰前換㈪的方式
變得不可行。前述國內探討波動率指數的相關研究㆗，僅范懷文等（2004
）的研究㈲進行換㈪的處理，其方式是在到期㈰前 3 個交易㈰換㈪。
就換㈪方式來說，本文在實際觀察樣本期間㈾料的交易頻率後發現，
在到期㈰前 3 個交易㈰換㈪的話，即便是以每分鐘的頻率來取樣時，都已
能夠找出足夠數量的交易來計算隱含波動率，且計算結果也不致產生明顯
的偏誤（若採到期㈰前 6 個交易㈰則否），因此，本文將在到期㈰前 3 個
交易㈰進行換㈪的處理。
另㆒方面，當只採用近㈪選擇權進行 TVIX 的計算時，立即而明顯的
問題便是該指數會受到波動率期間結構（term structure of volatility）的影
響，亦即隱含波動率會隨著距到期㈰時間的不同而㈲所差異，且由於缺乏
次近㈪的隱含波動率，故無法藉由線性內插法推出平均距到期㈰為固定時
間的隱含波動率。而鄭義等（2005）的研究並未提供樣本外的測試結果，
因此，本文並不打算採用其所提供的方式進行加權。
因為本文只採用近㈪選擇權契約來計算 TVIX，故（14）式的計算公
式修正如（15）式。其㆗，距到期㈰已於（12）式㆗進行年率化的處理，
故 TVIX 仍為㆒個年率化的波動率指數。

TVIX = 100 × σ 2f = 100 × σ f （15）

然而，如何排除距到期㈰不同的影響，本文提出兩種建議作法，㆒是
完全不加以修正，㆓是利用已實現波動率修正之。第㆓種方法將於㆘㆒段

～28～
 ㆗山管理評論

㆗說明，而本文認為可以不修正距到期㈰的理由在於：本文的目的是在預
測 1、5、10 及 22 個交易㈰內的已實現波動率，再加㆖只選取近㈪選擇權
並於到期㈰前 3 個交易㈰換㈪，因此，樣本期間內的實際距到期㈰分佈在
4 ㉃ 28 個交易㈰，而平均距到期㈰為 14.1 個交易㈰，與所欲預測的範圍
差距不大，波動率期間結構的影響也相對㈲限。反之，若硬要求出次近㈪
的隱含波動率，由於在高頻㈾料㆘，其成交數量過少，反而會得出許多波
動率為 0 或不合理的值，誤差將更行擴大。
以（15）式計算而得的 TVIX 如同加權股價指數㆒般，其㈾料更新頻
率為每分鐘，為了不使抽樣頻率過高，本文選取每 5 分鐘的最後㆒個 TVIX
值來進行計算，若該時點的 TVIX 值不存在，則持續向前㆒分鐘取樣，直
到得到 TVIX 值為止。由於本文只選取近㈪選擇權進行 TVIX 的計算，而
臺指選擇權的近㈪契約成交量又相當大，故 TVIX 值不存在的情形並不多
。另外，1、5、10 及 22 個交易㈰內的 TVIX 值則是由該預測期間內的 5
分鐘 TVIX 值平均而得。
表 3 為 TVIX 值及經對數轉換後的 TVIX 值（ LnTVIX ）之描述性統
計量，整體而言，與表 1 之已實現波動率的結果類似，亦即經對數轉換後
的波動率指數較接近常態分配，且預測時間愈長，波動率的變異程度愈小
。然而，與表 1 相較時可明顯發現：即便不經對數轉換，TVIX 仍明顯比
已實現波動率更趨近於常態分配。此外，預測時間增長對 TVIX 變異程度
的影響並不大，且 TVIX 的標準差均較已實現波動率的標準差為小，㈹表
在㆒個㈪的預測期間內，TVIX 本身變化幅度較小，如此㆒來，不考慮波
動率期間結構之影響的合理性將更為增強。
表 3、TVIX 描述性統計量
此表呈現隱含波動率指數的描述性統計量，其㆗， TVIX t ,T 為由某㆒㈵定㈰期 t
開始起算，T ㈰內經年率化調整後的隱含波動率指數， LnTVIX t ,T 為 TVIX t ,T 的對
數轉換值。樣本期間為 2003 年 7 ㈪ 1 ㈰㉃ 2007 年 6 ㈪ 30 ㈰，㈾料頻率為 5
分鐘㈰內㈾料。

註：由於重疊性及非重疊性㈾料在描述性統計量㆖非常接近，故僅列出非重疊性㈾料。

～29～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

(㆔)修正 TVIX 指數
在某㆒㈵定㈰期 t 想要預測 T ㈰後的已實現波動率時，由於隱含波動
率的實際距到期㈰ N 可能並不會恰好等於 T ，此時需對隱含波動率進行
修正，本文參考 Pong et al.（2004）的研究，以㆘列方法來修正㆖述問
題。首先，假設由 t ′ ㈰開始起算後，T ㈰內的總和已實現波動率（ RSDtA′,T
）與距離到期㈰ T 個交易㈰的隱含波動率（ TVIX t ′,T ）間存㈲線性關係，
則此㆒線性關係可表示如㆘：

RSDtA′,T = α 0,t ′,T + α1,t ′,T TVIX t ′,T + ε t ′,T （16）

接著，採用滾動迴歸（rolling regression）的方式，以前 18 個㈪（與

本文樣本內期間相同）的每㈪㈾料 來進行迴歸分析，得出迴歸係數 αˆ 0,t ′,T
4

及 αˆ1,t ′,T ，則實際距離到期㈰ N 的選擇權之隱含波動率（ TVIX t , N ）可修

正如（17）式所示，其㆗， FTVIX t ,T 為修正後的隱含波動率，將用以預
測 T ㈰後的已實現波動率。

FTVIX t ,T = αˆ 0,t ′,T + αˆ1,t ′,T TVIX t , N （17）

表 4 為採用樣本期間內第 1 ㉃第 18 個㈪之㈪㈾料所計算出的迴歸係
數，用以修正採用第 19 個㈪選擇權合約所計算的 TVIX。值得㊟意的是
，除了距到期㈰為 22 個交易㈰的情形㆘，其餘常數㊠皆不顯著。實際觀
察所㈲迴歸係數時發現：距到期㈰為 22 個交易㈰的迴歸係數約㈲近半數
在常數㊠是顯著的，然而，距到期㈰為 1、5 或 10 個交易㈰的迴歸係數則
多不顯著。不顯著的常數㊠就統計意義而言，㈹表其值不顯著異於 0，因
此，為了避免常數㊠估計不精確所可能產生的偏誤，本文以（16）式估算
迴歸係數時，除了距到期㈰為 22 個交易㈰的樣本之外，其餘皆不加入常
數㊠。

表 4、修正 TVIX 的迴歸係數

此表為採用 2003 年 7 ㈪㉃ 2004 年 12 ㈪，距到期㈰分別為 1、5、10 及 22 個
交易㈰的樣本所計算出的迴歸係數，用以修正採用 2005 年 1 ㈪選擇權合約所
計算的 TVIX。

4
大致㆖每個㈪都會㈲㆒筆符合距到期㈰為 T 的㈾料，但若該㈪㆗並無符合的㈾料，
則以距到期㈰最接近 T 的㈾料來求算迴歸係數。

～30～
 ㆗山管理評論

表 4、修正 TVIX 的迴歸係數

αˆ 0,t ′,T αˆ1,t ′,T R2
T =1 6.4649 0.6234** 0.3927
(1.31) (3.22)
T =5 6.1270 0.6825** 0.4670
(1.29) (3.74)
T = 10 6.0506 0.6985** 0.5459
(1.49) (4.39)
T = 22 10.266** 0.5478** 0.5187
(3.12) (4.15)
註：括弧內的值為 t 值，**㈹表 p 值<0.01，*㈹表 p 值<0.05。

㈤、對照模型
在討論了時間序列模型及隱含波動率的計算方式之後，雖然各模型間的預
測力會㈲好壞之別，但究竟怎樣的預測表現才算足夠好呢？另外，模型之預測
力較佳者，並不㈹表其具㈲成本㊝勢或顯著的利益，某些相當簡化的波動率預
測方式，反而可能會較為實用，因此，本文認為㈲必要設立對照的模型，以判
斷㆖述兩類波動率預測方式是否真的㈲效。
在 Ederington & Guan（2002）的實證研究㆗，他們比較了㈨種隱含波動
率計算方式及兩種㆝真的（naive）波動率預測法，對 S&P 500 指數之波動率
預測表現後，結果發現：對於未進行誤差修正的隱含波動率指標而言，其預測
效果甚㉃比兩種㆝真的預測方式更差，㈵別是以平均絕對預測誤差（mean
absolute error；MAE）及平均絕對比例誤差（mean absolute percentage error；
MAPE）為比較基準時，此㆒現象將更為顯著。Ederington & Guan（2002）的
研究㆗，第㆒種㆝真的方法是 Canina & Figlewski（1993）提出的，他們取前
40 個交易㈰報酬率之標準差來預測真實波動率；第㆓種是直接將所㈲樣本內
期間的已實現波動率平均後，以此㆒常數來預測真實波動率。因為㆖述兩種方
式的預測表現差異不大，因此，在對照模型的選擇㆖，本文將採㆖述第㆓種方
式，亦即將所㈲樣本內期間的已實現波動率平均來預測樣本外的已實現波動率
，以檢視對於臺灣的證券市場而言，各種較為複雜的預測模型是否真㈲其價值
。所㈲樣本內期間已實現波動率的平均值（ AVGt ,T ）可表示如㆘：

 n 
AVGt ,T = AVGt +1,T = ... =  ∑ yi ,T  n （18）
 i =1 

～31～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

肆、預測力的比較
本文以臺灣證券交易所發行量加權股價指數為研究對象，樣本期間為
2003 年 7 ㈪ 1 ㈰㉃ 2007 年 6 ㈪ 30 ㈰。在預測範圍的選擇㆖，本文將比較各
模型對於 1、5、10、22 個交易㈰之已實現波動率的預測效果。Poon & Granger
（2003）的研究㆗，把模型預測力評估之方式分為兩種主要的類別：㆒是比較
模型的預測誤差，預測誤差小者㈲較佳的預測力；㆓是比較可解釋變異所佔的
比例（ R 2 ）
，可解釋變異大者㈲較佳的預測力。以㆘，本文將分別採用此㆓種
方式來評估模型的預測力。
另㆒方面，採用靜態或動態模型進行預測的主要差異在於：靜態模型是以
前㆒期的實際值來預測㆘㆒期（即 one-step ahead forecast），動態模型則是以
前㆒期的預測值來預測㆘㆒期（即 multi-step forecast），其模式可分別表示如
㆘。

yˆ t ,T = cˆ1 + cˆ2 yt −1,T （19）

yˆ t ,T = cˆ1 + cˆ2 yˆ t −1,T （20）

其㆗，
（19）式為靜態預測模型，
（20）式則為動態預測模型，由兩式㆗可
看出，在進行樣本外的預測時，靜態預測模型必須要得到每㆒期內生變數的實
際值，而動態預測模型則不需要。而本文考量若市場訊息能充分反映在選擇權
價格㆖時（即市場㈲效率㆘），則使用當期的隱含波動率來進行預測時，即已
經隱含前㆒期的已實現波動率訊息已知，因此，在所㈲時間序列模型的預測㆖
，本文皆採用靜態預測模型，以使其能與隱含波動率模型在公平的基礎㆖進行
比較。

㆒、比較衡量誤差
比較模型預測誤差時，本文參考 Ederington & Guan（2002）的研究，以
根均方誤差（root mean square error； RMSET ）
、平均絕對預測誤差（ MAET ）
及平均絕對比例誤差（ MAPET ）來衡量波動率模型在預測範圍 T ㈰內的預測
誤差。㆔種誤差衡量的方式分列如㆘，其㆗， n 為觀察值個數； FORECASTt ,T
為在某㈵定 t ㈰對接㆘來 T ㈰內之波動率的預測值。

～32～
 ㆗山管理評論

∑ (FORECAST − yt ,T )
2
t ,T
RMSET = t =1
（21）
n
n

∑ FORECAST t ,T − yt ,T
MAET = t =1
（22）
n

n
FORECASTt ,T − yt ,T
∑ t =1 yt ,T
MAPET = × 100 （23）
n

在衡量方式的選擇㆖，雖然文獻㆗尚㈲不少其他衡量模型預測誤差的方式
，但在 Poon & Granger（2003）所整理的 1978 年以來，66 篇波動率模型預測
力比較的文章㆗，㈲ 48 篇㉃少採用了此㆔種衡量方式㆗的其㆗㆒種，因此，
本文認為選擇此㆔種衡量預測誤差的方式，應足以具㈲㈹表性。
表 5 和表 6 分別為重疊性與非重疊性㈾料的波動率預測誤差。首先，在表
5 重疊性㈾料的部分，無論預測範圍 T 是多少，預測誤差最小的均為
ARFIMA(1,d,1)模型。其次，在表 6 非重疊性㈾料的部分，當預測範圍 T = 1 、
5 及 10 時，預測誤差最小的為 ARFIMA(1,d,1)模型；預測範圍 T = 22 時，預
測誤差最小的為未修正的隱含波動率指數 TVIX。
將表 5 與表 6 綜合比較時可明顯發現㈲以㆘㈥點值得㊟意的㆞方，首先，
就整體而言，預測波動率的時間範圍愈長，預測誤差大多愈小，此㆒結果與表
1 ㆗所呈現已實現波動率的㈵性相㈺應，亦即短期間內已實現波動率的變化幅
度較大，將使其變得較不易預測。
其次，將時間序列模型（ARFIMA、ARMA、GARCH）與隱含波動率模
型（TVIX、FTVIX）分開來看時，時間序列模型在重疊性㈾料的部分，隨著
預測時間的增加，預測誤差急遽㆘降，而在非重疊性㈾料部分，預測誤差減少
的速度則趨緩；然而，隱含波動率模型在重疊性和非重疊性㈾料㆗的預測誤差
則大致相同。此㆒結果與 Fleming（1998）及 Christensen & Prabhala（1998）
的論點㆒致，亦即重疊性㈾料會對時間序列的預測模式㈲利，因此，為了能在
相同的基礎㆘進行比較，在隨後預測誤差的比較㆖，本文將只著重於非重疊性
㈾料（即表 6）的實證結果。

～33～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

表 5、重疊性㈾料的波動率預測誤差
此表為採用重疊性㈾料計算樣本外預測誤差的結果，樣本內的期間為 2003 年
7 ㈪㉃ 2004 年 12 ㈪，樣本外的期間則為 2005 年 1 ㈪㉃ 2007 年 6 ㈪。模型的
預測誤差以根均方誤差（ RMSE ）、平均絕對預測誤差（ MAE ）及平均絕對比
例誤差（ MAPE ）來衡量。預測範圍分別為㆒㈰、㆒週、兩週及㆒個㈪。
ARFIMA ARMA GARCH TVIX FTVIX AVG
T =1
RMSE 0.3303 0.3360 0.4313 0.3811 0.3697 0.5258
MAE 0.2620 0.2698 0.3613 0.3130 0.2975 0.4524
MAPE 10.0261 10.4751 14.5724 12.4657 11.4651 18.4102

T =5
RMSE 0.1037 0.1076 0.1066 0.2357 0.2389 0.4408
MAE 0.0730 0.0784 0.0761 0.1934 0.1900 0.3922
MAPE 2.6896 2.9097 2.8224 7.2217 6.8305 14.9553

T = 10
RMSE 0.0526 0.0542 0.0541 0.1957 0.2168 0.4189
MAE 0.0351 0.0377 0.0366 0.1599 0.1697 0.3802
MAPE 1.2824 1.3808 1.3377 5.8872 6.0767 14.2511

T = 22
RMSE 0.0274 0.0277 0.0293 0.1599 0.1940 0.4042
MAE 0.0182 0.0187 0.0209 0.1318 0.1673 0.3758
MAPE 0.6608 0.6792 0.7613 4.8112 6.0913 13.8980
註：粗體字部分為在該預測時間範圍內，預測誤差最小者。

第㆔，比較表 6 ㆗時間序列模型（ARFIMA、ARMA、GARCH）的預測
誤差時可發現：無論預測範圍為何，長期記憶模型（ARFIMA）的預測誤差均
小於短期記憶模型（ARMA、GARCH）的預測誤差。此結果與 Pong et al.（
2004）的研究並不㆒致，在該實證研究㆗，他們以高頻㈾料來同時檢驗長、短
期記憶模型的預測力，結果發現長、短期記憶模型的可解釋變異大致相同，換
言之，其研究認為長期記憶㈵性無助於模型預測力的改善。另㆒方面，由長期
記憶模型的預測誤差與兩種短期記憶模型的預測誤差之間的差異可觀察出：長
期記憶模型在預測㆒個㈪的已實現波動率時，其預測力㆖的㊝勢最不顯著。因
此，本文認為：時間序列模型㆗，長期記憶的㈵性的確可以改善模型之預測力
，但是當預測期間較長時，此㆒改善將較不顯著。

～34～
 ㆗山管理評論

表 6、非重疊性㈾料的波動率預測誤差
此表為採用非重疊性㈾料計算樣本外預測誤差的結果，樣本內的期間為 2003
年 7 ㈪㉃ 2004 年 12 ㈪，樣本外的期間則為 2005 年 1 ㈪㉃ 2007 年 6 ㈪。模型
的預測誤差以根均方誤差（ RMSE ）、平均絕對預測誤差（ MAE ）及平均絕對
比例誤差（ MAPE ）來衡量。預測範圍分別為㆒㈰、㆒週、兩週及㆒個㈪。
ARFIMA ARMA GARCH TVIX FTVIX AVG
T =1
RMSE 0.3303 0.3360 0.4313 0.3811 0.3697 0.5258
MAE 0.2620 0.2698 0.3613 0.3130 0.2975 0.4524
MAPE 10.0261 10.4751 14.5724 12.4657 11.4651 18.4102

T =5
RMSE 0.2281 0.2696 0.2473 0.2410 0.2411 0.4463
MAE 0.1864 0.2172 0.1964 0.1972 0.1979 0.3929
MAPE 6.9192 8.2685 7.4512 7.4085 7.1354 15.0478

T = 10
RMSE 0.1883 0.1985 0.2356 0.1913 0.2034 0.4173
MAE 0.1544 0.1646 0.1949 0.1566 0.1634 0.3791
MAPE 5.6434 6.0761 7.3066 5.7638 5.8811 14.1720

T = 22
RMSE 0.2058 0.2237 0.2169 0.1640 0.1840 0.4299
MAE 0.1725 0.1877 0.1819 0.1362 0.1554 0.4030
MAPE 6.2354 6.9067 6.6815 4.9889 5.6986 14.8926
註：粗體字部分為在該預測時間範圍內，預測誤差最小者。

第㆕，比較表 6 ㆗隱含波動率模型（TVIX、FTVIX）的預測誤差時可發
現：未修正波動率期間結構影響的隱含波動率（TVIX）
，在預測範圍為兩週或
㆒個㈪時，其預測誤差較小，而利用已實現波動率修正後的隱含波動率（FTVIX
）則在預測範圍為㆒㈰時，㈲較佳的預測力。此外，當預測範圍為㆒週時，兩
種隱含波動率模型的預測力並無顯著差異，以致在㆔種預測誤差的指標㆖，其
誤差值皆相當接近，但並無㆒致性的結果。本文認為修正波動率期間結構影響
後的隱含波動率，僅在預測隔㈰的已實現波動率㈲較佳預測力，其可能原因㈲
㆓，㆒是因為本文所㈲樣本的實際距到期㈰分佈在 4 ㉃ 28 個交易㈰，平均距
到期㈰為 14.1 個交易㈰，而預測範圍 T = 1 的情形是與實際距到期㈰的㆝數差
距最大者，因此，其修正效果較為顯著。另㆒方面，在 Pong et al.（2004）的
研究㆗，其用來估計迴歸係數的㈾料是前 60 個㈪的㈪㈾料，而由於臺指選擇

～35～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

權在交易量逐漸穩定之後的時間並沒㈲這麼長，故本文僅採用前 18 個㈪的㈪
㈾料來估計迴歸係數，迴歸樣本數的不足，可能是造成此㆒修正方式在較長預
測範圍無用武之㆞的主因，而此亦為本文之主要限制。
第㈤，綜合比較表 6 ㆗時間序列模型與隱含波動率模型的預測誤差時可發
現：當預測範圍 T = 1 、5 及 10 時，預測誤差最小的為 ARFIMA 模型；預測
範圍 T = 22 時，預測誤差最小的為 TVIX。換言之，長期記憶模型在預測範圍
較短、波動率變化較劇烈的情形㆘，㈲較佳的預測力；而只用近㈪選擇權所推
算的隱含波動率則在預測範圍為㆒個㈪時，其對已實現波動率之預測效果是最
佳的。此㆒結果與 Pong et al.（2004）的研究結論類似，其研究㆗發現在㆒㈰
及㆒週的時間範圍內，ARMA 及 ARFIMA ㈲較佳的預測力；當預測範圍為㆒
或㆔個㈪時，隱含波動率則㈲較好的表現。因此，由本文的實證結果可得知：
預測國內加權股價指數的已實現波動率時，長期記憶模型並不會如同 Martens
& Zein（2004）的研究㆒般，在預測力㆖皆㊝於隱含波動率模型；對於較長
的預測範圍而言，隱含波動率仍㈲其㊝勢。
值得㊟意的是，在 Pong et al.（2004）的研究㆗，他們採用高頻㈾料來建
立 ARMA（短期記憶）與 ARFIMA（長期記憶）模型，並將其與店頭市場的
每㈰隱含波動率報價（非高頻㈾料）進行預測力之比較。其實證結果發現：當
預測時間範圍較短時，ARMA 及 ARFIMA 模型較隱含波動率模型的預測力為
佳，且 ARMA 與 ARFIMA 模型間預測力的差異並不大。因此，其研究㆗推論
：當預測範圍較短時，時間序列模型能夠超越隱含波動率模型之原因是來㉂於
高頻㈾料的貢獻，與模型㆗長期記憶的㈵性無關。然而，本文的時間序列模型
及隱含波動率模型皆是以㈰內高頻㈾料計算，換言之，本文已控制了高頻㈾料
對研究結果所產生的影響，因此，依據本文表 6 ㆗的實證結果，本文認為長期
記憶㈵性在預測時間範圍較短的情形之㆘，仍㈲助於模型預測力的改善。
最後，若直接樣本內期間的已實現波動率平均，並以此㆒常數來預測已實
現波動率時，其效果較其他時間序列模型及隱含波動率模型皆差（表 6 ㆗的
AVG 模型），顯示較複雜的估計模型仍㈲其價值。

㆓、迴歸分析
為了瞭解在隱含波動率模型㆗加入時間序列模型，或在時間序列模型㆗加
入隱含波動率模型，是否會比單獨採用其㆗㆒種模型㈲更好的預測能力，本文
將採用 Theil（1966）、Chong & Hendry（1986）
、Fair & Shiller（1989, 1990
）等所提出的包含迴歸（encompassing regression）來進行實證分析，其迴歸

～36～
 ㆗山管理評論

式可表示如㆘：

yt ,T = α + β IV IVt ,T + βTS TS t ,T + ε t ,T （23）

其㆗， IVt ,T 為隱含波動率模型對真實波動率的預測值； TS t ,T 則為時間序

列模型對真實波動率的預測值。若隱含波動率是㈲效率的，則 β TS 不應顯著異
於 0。換言之，在加入 TS t ,T 後，若迴歸可解釋變異 R 2 無顯著增加或無法拒絕
β TS = 0 ，便㈹表隱含波動率已包含大部分相關的訊息；反之，加入 TSt ,T 後，
若 R 2 ㈲顯著增加且拒絕 β TS = 0，則㈹表時間序列模型亦包含部分隱含波動率
所無法提供的訊息。
表 7 呈現了同時使用隱含波動率模型及時間序列模型，能否比僅採用其㆗
㆒種模型提供更多額外訊息的檢測，為了能清楚㆞顯示加入時間序列模型後的
效果，本文在各預測時間範圍內，先單獨針對隱含波動率或時間序列模型進行
迴歸分析，隨後再將兩類模型同時放入迴歸式㆗以進行比較。由於迴歸式㆗㉂
變數愈多時，迴歸可解釋變異 R 2 會愈大，故本文使用調整後的迴歸可解釋變
異（ adj R 2 ）進行比較，以避免不公平的比較結果。此外，因為重疊性㈾料
會對時間序列的預測㈲利，因此，此處所呈現的結果皆為使用非重疊性㈾料之
檢測。
表 7 ㆗的實證結果可分為兩部分來看，㆒是將隱含波動率模型加入時間序
列模型㆗，是否會比單獨使用時間序列模型㈲較佳的預測力；㆓是將時間序列
模型加入隱含波動率模型㆗，是否會比單獨使用隱含波動率模型㈲較佳的預測
力。
首先，在 ARFIMA、ARMA、GARCH 等㆔種時間序列模型㆗加入 TVIX
㆘，由 β IV 的顯著性及 adj R 2 是否增加等兩方面可明顯看出：無論預測時間範
圍為何，加入 TVIX 會比單獨使用時間序列模型㈲更多額外的訊息（兩個解釋
變數㆘的 adj R 2 比單獨考慮時間序列模型時大，且 β IV 皆顯著）。另㆒方面，
若是在時間序列模型㆗加入 FTVIX 進行預測，除了在 T = 10 時，是否加入
FTVIX 對時間序列模型的預測力無顯著改善（兩個解釋變數㆘的 adj R 2 比單
獨考慮時間序列模型時略大，但 β TS 皆不顯著），其餘情形之㆘，加入 FTVIX
會比單獨使用時間序列模型㈲更多額外的訊息。
其次，在 TVIX、FTVIX 等兩種隱含波動率模型㆗加入時間序列模型來進
行預測時，由 β TS 的顯著性及 adj R 2 是否增加等兩方面可明顯看出：在預測時
間範圍 T = 1 及 T = 5 ㆘，加入時間序列模型會比單獨使用隱含波動率㈲更多額
外的訊息（兩個解釋變數㆘的 adj R 2 比單獨考慮隱含波動率模型時大，且 β TS

～37～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

皆顯著）；在 T = 10 時，加入 ARFIMA 或 ARMA 模型並無法顯著改善預測力

（兩個解釋變數㆘的 adj R 2 ㈲部分比單獨考慮隱含波動率模型時略大，但 β TS
皆不顯著），但若是加入 GARCH 模型，則仍比單獨使用隱含波動率模型㈲
更好的預測力；但是當 T = 22 時，加入時間序列模型後的預測力反而更差（
兩個解釋變數㆘的 adj R 2 皆較單獨使用隱含波動率模型時差，且 β TS 皆不顯著
）。換言之，對於㆒個㈪的預測範圍來說，隱含波動率本身就已包含了足夠多
的訊息來預測已實現波動率，加入時間序列模型並無助於其預測力的改善。
此外，若以各預測時間範圍內調整後的可解釋變異最大者來觀之，當預測
範圍為㆒㈰時，預測力最佳者為 TVIX 加㆖ ARMA（短期記憶）模型；預測
範圍為㆒週或兩週時，預測力最佳者為 TVIX 加㆖ GARCH（短期記憶）模型
；預測範圍為㆒個㈪時，預測力最佳者為單獨使用 TVIX 模型。此㆒結果顯示
雖然在表 6 的實證結果㆗，長期記憶模型之預測誤差較短期記憶模型小，但若
與隱含波動率模型搭配進行預測時，短期記憶模型反而㈲較好的表現。

表 7、檢測加入另㆒類模型能否提供更多額外的訊息
此表以非重疊性㈾料來檢測同時使用隱含波動率模型及時間序列模型，能否比
僅採用其㆗㆒種模型提供更多額外的訊息。β IV 及 β TS 分別為隱含波動率模型預
測值及時間序列模型預測值的迴歸係數。預測範圍分別為㆒㈰、㆒週、兩週及
㆒個㈪。
α β IV β TS adj R
2

T =1
TVIX 0.6336** 0.7158** - 0.1273
(2.95) (9.51)
FTVIX 1.4430** 0.4501** - 0.0773
(8.46) (7.24)
ARFIMA 0.3704 - 0.8536** 0.1567
(1.72) (10.72)
ARMA 0.2783 - 0.8732** 0.1588
(1.25) (10.80)
GARCH 0.1800 - 0.8511** 0.0601
(0.46) (6.34)

TVIX & ARFIMA -0.0480 0.3760** 0.6116** 0.1782

(-0.20) (4.13) (6.24)
TVIX & ARMA -0.1352 0.3782** 0.6311** 0.1811
(-0.56) (4.21) (6.42)
TVIX & GARCH -0.5472 0.6196** 0.4967** 0.1446
(-1.42) (7.84) (3.66)
FTVIX & ARFIMA 0.2166 0.1707* 0.7376** 0.1638
(0.97) (2.49) (8.02)

～38～
 ㆗山管理評論

表 7、檢測加入另㆒類模型能否提供更多額外的訊息（續）
α β IV β TS adj R
2

FTVIX & ARMA 0.1158 0.1792** 0.7539** 0.1669

(0.50) (2.65) (8.17)
FTVIX & GARCH -0.2107 0.3700** 0.6393** 0.1082
(-0.54) (5.83) (4.71)
T =5
TVIX 0.7346* 0.7072** - 0.2415
(2.29) (6.29)
FTVIX 1.2634** 0.5459** - 0.1604
(4.16) (4.91)
ARFIMA 0.7338 - 0.7239** 0.1815
(1.92) (5.28)
ARMA 0.7724 - 0.6835** 0.1683
(1.97) (5.05)
GARCH 0.5808 - 0.7595** 0.1869
(1.44) (5.37)
TVIX & ARFIMA 0.2640 0.5270** 0.3534* 0.2644
(0.69) (3.81) (2.18)
TVIX & ARMA 0.1150 0.5468** 0.3722* 0.2750
(0.29) (4.32) (2.56)
TVIX & GARCH 0.0249 0.5243** 0.4311** 0.2817
(0.06) (4.10) (2.78)
FTVIX & ARFIMA 0.5299 0.3119* 0.4922** 0.2106
(1.37) (2.33) (2.94)
FTVIX & ARMA 0.3579 0.3688** 0.4797** 0.2232
(0.89) (3.08) (3.27)
FTVIX & GARCH 0.2364 0.3470** 0.5493** 0.2337
(0.58) (2.89) (3.53)
T = 10
TVIX 0.8011* 0.6904** - 0.3140
(2.17) (5.33)
FTVIX 1.4147** 0.4924** - 0.2134
(4.33) (4.16)
ARFIMA 0.7265 - 0.7244** 0.2052
(1.44) (4.06)
ARMA 0.4004 - 0.8288** 0.2191
(0.71) (4.22)
GARCH -0.7969 - 1.2159** 0.2875
(-1.12) (5.02)
TVIX & ARFIMA 0.4369 0.5576** 0.2634 0.3196
(0.92) (3.30) (1.22)
TVIX & ARMA 0.4374 0.5609** 0.2564 0.3133
(0.83) (3.02) (0.97)
TVIX & GARCH -0.5088 0.4505** 0.6798* 0.3583
(-0.75) (2.74) (2.25)

FTVIX & ARFIMA 0.7697 0.3037 0.4129 0.2388

(1.56) (1.90) (1.72)

～39～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

表 7、檢測加入另㆒類模型能否提供更多額外的訊息（續）
α β IV β TS adj R
2

FTVIX & ARMA 0.6014 0.2747 0.4941 0.2394

(1.06) (1.60) (1.74)
FTVIX & GARCH -0.4973 0.2077 0.9190** 0.2984
(-0.67) (1.39) (2.85)
T = 22
TVIX 0.6572 0.7423** - 0.3935
(1.33) (4.30)
FTVIX 0.9190 0.6468** - 0.3175
(1.82) (3.68)
ARFIMA 1.6923* - 0.3808 0.0544
(2.49) (1.60)
ARMA 1.0853 - 0.5798* 0.1097
(1.33) (2.08)
GARCH 1.0640 - 0.5893* 0.1094
(1.29) (2.08)
TVIX & ARFIMA 0.8446 0.8139** -0.1377 0.3776
(1.42) (3.81) (-0.58)
TVIX & ARMA 0.7880 0.7824** -0.0841 0.3711
(1.14) (3.44) (-0.28)
TVIX & GARCH 0.8143 0.7903** -0.1013 0.3719
(1.17) (3.44) (-0.33)
FTVIX & ARFIMA 1.1780 0.7762** -0.2215 0.3081
(1.96) (3.25) (-0.80)
FTVIX & ARMA 0.9429 0.6540* -0.0153 0.2903
(1.29) (2.76) (-0.05)
FTVIX & GARCH 0.9736 0.6634* -0.0352 0.2905
(1.32) (2.76) (-0.10)
註：括弧內的值為 t 值，**㈹表 p 值<0.01，*㈹表 p 值<0.05。粗體字部分為在該預測
時間範圍內，調整後的可解釋變異最大者。

總和表 6 及表 7 所㈲非重疊性㈾料的實證結果來說，在臺灣加權股價指數
已實現波動率的預測方面，若僅考慮單㆒模型的預測力，在預測範圍為㆒㈰、
㆒週及兩週㆘，長期記憶的時間序列模型 ARFIMA ㈲最好的預測力；當預測
範圍為㆒個㈪時，隱含波動率模型 TVIX 的表現則最佳。若考慮時間序列模型
與隱含波動率模型可互相搭配，以改善其預測力時，在預測範圍為㆒㈰、㆒週
及兩週㆘，短期記憶的時間序列模型（ARMA 或 GARCH）配合隱含波動率
模型 TVIX 將㈲最好的預測力；當預測範圍為㆒個㈪時，則單獨採用隱含波動
率模型 TVIX 仍㈲最佳的預測績效。

～40～
 ㆗山管理評論

伍、結論
波動率是㆒種衡量標的㈾產價格變動程度的指標，其對投㈾決策、衍生性
㈮融商品訂價乃㉃於避險績效，都㈲㉃關重要的影響。而本文之主要目的便是
在比較隱含波動率與長期記憶波動率模型間，對於已實現波動率之預測能力的
㊝劣。預測標的為臺灣證券交易所發行量加權股價指數之已實現波動率，預測
範圍設定在 1、5、10、22 個交易㈰。就隱含波動率而言，其主要㊝勢在於：
若該市場為㆒效率市場，則選擇權價格可能會較歷史價格㈾訊包含更大量且攸
關的訊息。另㆒方面，長期記憶波動率模型可捕捉經濟㈮融方面衝擊所產生的
長期持續性影響，此㆒㈵性將可能補足傳統時間序列模型的不足，故亦可能㈲
較佳的預測效果。
在研究設計㆖，本文所㈲波動率預測模型及真實波動率的衡量，皆以 5
分鐘㈰內㈾料為之。在波動率模型的選擇㆖，以 ARFIMA(1,d,1)為長期記憶時
間序列模型的㈹表，並輔以 ARMA(2,1)及 GARCH(1,1)兩種短期記憶時間序
列模型來進行比較。另外，本文修正 CBOE 新推出 VIX 的計算方式後，建立
㆒個㊜合臺指選擇權交易㈵性的 TVIX，並以其為隱含波動率模型的㈹表。另
㆒方面，為了修正隱含波動率之實際距到期㈰與預測時間範圍不㆒致的問題，
本文模仿 Pong et al.（2004）的研究方法建構 FTVIX 來進行比較。最後，為了
確認模型的價值，本文將所㈲樣本內期間的已實現波動率平均，來作為預測能
力的對照指標。
本文與先前研究的主要差別在於，所㈲波動率皆採用㈰內高頻㈾料來計算
，如此㆒來，將可能得以更即時並精確㆞衡量波動率，並為隱含波動率與長期
記憶波動率模型提供㆒個公平的比較基礎。此外，為了因應臺指選擇權的㈵性
，本文僅採用近㈪選擇權契約來計算隱含波動率，並藉由樣本外的預測來達到
檢測波動率指數預測能力的目的，以期能提供㆒個真正㊜合估計國內證券市場
波動率之指標。
在實證結果方面，本文發現：若僅考慮單㆒模型的預測力，在預測範圍為
㆒㈰、㆒週及兩週㆘，長期記憶的時間序列模型 ARFIMA ㈲最好的預測力；
當預測範圍為㆒個㈪時，隱含波動率模型 TVIX 的表現則最佳。若考慮時間序
列模型與隱含波動率模型可互相搭配，以改善其預測力時，在預測範圍為㆒㈰
、㆒週及兩週㆘，短期記憶的時間序列模型（ARMA 或 GARCH）配合隱含
波動率模型 TVIX 將㈲最好的預測力；當預測範圍為㆒個㈪時，則單獨採用隱
含波動率模型 TVIX 仍㈲最佳的預測績效。換言之，對於㆒㈰、㆒週及兩週的
已實現波動率而言，隱含波動率和時間序列模型都㈲㆒定的解釋力，㆓者均包

～41～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

含部分對方所缺乏的訊息；而就㆒個㈪的已實現波動率而言，隱含波動率本身
就已包含了足夠多的訊息，再加入時間序列模型，並無助於改善其預測力。

參考文獻
江㈭偉，2004，臺指選擇權隱含波動率指標之㈾訊內涵—新編 VIX 指標之實證，臺灣
大㈻㈶務㈮融研究所碩士論文。
范懷文、高子劍、柯政宏，2004，「CBOE 新編 VIX 指數於臺指選擇權及實現波動度
預測㆖之應用」，臺灣期貨與衍生性商品㈻刊，2 期：122~154。
陳威光、沈㆗華，1999，「The valuation of Option when the Underlying Asset under Price
Limit」，第㈦屆亞太㈶務、經濟、會計研討會。
黃亦駿，2003，臺股指數選擇權市場效率性研究，銘傳大㈻㈶務㈮融㈻系碩士論文。
鄭義、胡僑芸、林忠義，2005， 「波動率指數 VIX 於臺指選擇權市場之應用」 ，臺灣期
貨市場，7 卷 2 期：13~33。
盧佳鈺，2003，臺指選擇權隱含波動率指標之㈾訊內涵，臺灣大㈻商㈻研究所碩士論
文。
譚經緯，2000，時間序列模型的㆒場大規模預測測試，政治大㈻經濟㈻系博士論文。
Alizadeh, S., Brandt, M. W., and Diebold, F. X., 2002, “Range-Based Estimation of
Stochastic Volatility Models,” Journal of Finance, Vol. 57, No. 3, 1047-1091.
Andersen, T. G. and Bollerslev, T., 1998, “Answering the Skeptics: Yes, Standard Volatility
Models do Provide Accurate Forecasts,” International Economic Review, Vol.
39, No. 4, 885-905.
Andersen, T. G., Bollerslev, T., Diebold, F. X., and Ebens, H., 2001a, “The Distribution of
Realized Stock Return Volatility,” Journal of Financial Economics, Vol. 61, No.
1, 43-76.
Andersen, T. G., Bollerslev, T., Diebold, F. X., and Labys, P., 2001b, “The Distribution of
Realized Exchange Rate Volatility,” Journal of American Statistical
Association, Vol. 96, No. 453, 42-57.
Andersen, T. G., Bollerslev, T., Diebold, F. X., and Labys, P., 2003, “Modeling and
Forecasting Realized Volatility,” Econometrica, Vol. 71, No. 2, 579-625.
Baillie, R. T., Bollerslev, T., and Mikkelsen, H. O., 1996, “Fractionally Integrated
Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econo-
metrics, Vol. 74, No. 1, 3-30.
Bekaert, G. and Wu, G., 2000, “Asymmetric Volatility and Risk in Equity Markets,”
Review of Financial Studies, Vol. 13, No. 1, 1-42.
Blair, B., Poon, S. H., and Taylor, S. J., 2001, “Forecasting S&P 100 Volatility: The

～42～
 ㆗山管理評論

Incremental Information Content of Implied Volatilities and High Frequency

Index Returns,” Journal of Econometrics, Vol. 105, No. 1, 5-26.
Bollerslev, T. and Mikkelsen, H. O., 1996, “Modeling and Pricing Long Memory in Stock
Market Volatility,” Journal of Econometrics, Vol. 73, No. 1, 151-184.
Bollerslev, T., 1986, “Generalized Autoregressive Conditional Hetero-scedasticity,”
Journal of Econometrics, Vol. 31, No. 3, 307-327.
Canina, L. and Figlewski, S., 1993, “The Informational Content of Implied Volatility,”
Review of Financial Studies, Vol. 6, No. 3, 659-681.
Chan, K. C., Cheng, L. T. W., and Lung, P. P., 2003, “Moneyness and the Response of the
Implied Volatilities to Price Changes: The Empirical Evidence from HIS
Options,” Pacific-Basin Finance Journal, Vol. 11, No. 4, 527- 553.
Chong, Y. Y. and Hendry, D. F., 1986, “Econometric Evaluation of Linear Macroeconomic
Models,” Review of Economics Studies, Vol. 53, No. 4, 671-690.
Christensen, B. J. and Prabhala, N. R., 1998, “The Relation between Implied and Realized
Volatility,” Journal of Financial Economics, Vol. 50, No. 2, 125-150.
Davidian, M. and Carroll, R. J., 1987, “Variance Function Estimation,” Journal of
American Statistical Association, Vol. 82, No. 400, 1079-1091.
Davidson, W. N., Kim, J. K., Ors, E., and Szakmary, A., 2001, “Using Implied Volatility
on Options to Measure the Relation Between Asset Returns and Variability,”
Journal of Banking and Finance, Vol. 25, No. 7, 1245-1269.
Ederington, L. H. and Guan, W., 2002, “Measuring Implied Volatility: Is an Average Better?
Which Average?,” Journal of Futures Markets, Vol. 22, No. 9, 811-837.
Fair, R. C. and Shiller, R. J., 1989, “The Informational Content of Ex Ante Forecasts,”
Review of Economics and Statistics, Vol. 71, No. 2, 325-332.
Fair, R. C. and Shiller, R. J., 1990, “Comparing Information in Forecasts from Econometric
Models,” American Economic Review, Vol. 80, No. 3, 375-380.
Fleming, J., 1998, “The Quality of Market Volatility Forecasts Implied by S&P 100 Index
Option Prices,” Journal of Empirical Finance, Vol. 5, No. 4, 317-345.
Fleming, J., Ostdiek, B., and Whaley, R. E., 1995, “Predicting Stock Market Volatility: A
New Measure,” Journal of Futures Markets, Vol. 15, No. 3, 265-302.
Fung, W. K. H. and Hsieh, D. A., 1991, “Empirical Analysis of Implied Volatility: Stocks,
Bonds and Currencies.” Working paper, Duke University.
Gallant, R., Hsu, C. T., and Tauchen, G., 1999, “Using Daily Range Data to Calibrate
Volatility Diffusions and Extract the Forward Integrated Variance,” The Review
of Economics and Statistics, Vol. 81, No. 4, 617-631.
Geweke, J. and Porter-Hudak, S., 1983, “The Estimation and Application of Long Memory
Time Series Models,” Journal of Time Series Analysis, Vol. 4, No. 4,
221-238.

～43～
預測股價指數波動率－新 VIX 與長期記憶模型之比較

Granger, C. W. J. and Joyeux, R., 1980, “An Introduction to Long Memory Time Series
Models and Fractional Differencing,” Journal of Time Series Analysis, Vol. 1,
No. 1, 15-29.
Hosking, J. R. M., 1981, “Fractional Differencing,” Biometrika, Vol. 68, No. 1, 165-176.
Hwang, S. and Satchell, S., 1998, “Implied Volatility Forecasting: A Comparison of
Different Procedures Including Fractionally Integrated Models with Appli
-cations to UK Equity Options” in Knight, J. and Satchell, S. (eds.), Forecasting
Volatility in the Financial Markets, Second Edition, Oxford, UK:
Butterworth-Heinemann, 193-225.
Li, K., 2002, “Long-Memory versus Option-Implied Volatility Prediction,” Journal of
Derivatives, Vol. 9, No. 3, 9-25.
Martens, M. and Zein, J., 2004, “Predicting Financial Volatility: High-Frequency
Time-Series Forecasts vis-à-vis Implied Volatility,” Journal of Futures Markets,
Vol. 24, No. 11, 1005-1028.
Natenberg, S., 1994, Option Volatility and Pricing, Chicago: Probus Publishing Company.
Pagan, A. R. and Schwert, G. W., 1990, “Alternative Models for Conditional Models for
Conditional Stock Volatility,” Journal of Econometrics, Vol. 45, No. 1-2,
267-290.
Pong, S., Shackleton, M. B., Taylor, S. J., and Xu, X., 2004, “Forecasting Currency
Volatility: A Comparison of Implied Volatilities and AR(FI)MA Models,”
Journal of Banking and Finance, Vol. 28, No. 10, 2541-2563.
Poon, S. H. and Granger, C. W. J., 2003, “Forecasting Volatility in Financial Markets: A
review,” Journal of Economic Literature, Vol. 41, No. 2, 478-539.
Robinson, P. M., 1995, “Log-Periodogram Regression of Time Series with Long-Range
Dependence,” The Annals of Statistics, Vol. 23, No. 3, 1048-1072.
Simon, D. P., 1997, “Implied Volatility Asymmetries in Treasury Bond Futures Options,”
Journal of Futures Markets, Vol. 17, No. 8, 837-885.
Simon, D. P., 2003, “The Nasdaq Volatility Index During and After the Bubble,” Journal
of derivatives, Vol. 11, No. 2, 9-24.
Smith, J., Taylor, N., and Yadav, S., 1997, “Comparing the Bias and Misspecification in
ARFIMA Models,” Journal of Times Series Analysis, Vol. 18, No. 5, 507-527.
Theil, H., 1966, Applied Economic Forecasting, Amsterdam: North-Holland.

～44～
 ㆗山管理評論

作者簡介

王毓敏

國立㆗山大㈻㈶務管理博士，現任教於國立嘉義大㈻管理研究所教授，主
要研究領域為㈶務風險管理、㈶務策略、衍生性㈮融商品，曾發表的期刊為㆗
山管理評論、證券市場發展季刊、管理評論、交大管理評論、Asia Pacific
Management Review．．．等期刊論文數㈩篇。
E-mail：yumin@mail.ncyu.edu.tw

謝志正

國立政治大㈻㈶務管理㈻系，現為國立政治大㈻㈶務管理㈻系博士生，主
要研究領域為公司理㈶、衍生性㈮融商品，曾發表的期刊為㈶務㈮融㈻刊。
E-mail：94357504@nccu.edu.tw

～45～