低報酬分配對GARCH效果與技術指標的影響

The Impacts of Low-return Distribution on GARCH Effects and Technical Indices

陳旌王(Ching-Wang Chen)

指導教授 ： 吳博欽

中原大學/商學院/國際貿易研究所/碩士(2002年)

https://doi.org/10.6840/cycu200200145

摘要

本文以台灣股票市場為對象，分析低報酬率個股對股價報酬率波動及技術指標操作績效的影響，以及報酬率風險對技術指標有效性的衝擊。實證上依個別上市公司當日報酬率介於1%與-1%所占天數的比率 ( 簡稱低報酬天數之比重 )，將上市公司依低報酬率天數之比重區分為0-25(%)，26-50(%)，51-75(%)，76-100(%)等四大類群；利用GARCH(1,1) 模型推估報酬率風險或波動性，以KD及MACD指標進行技術分析。實證結果顯示，絕大多數公司的低報酬率天數之比重介於26-50(%)區間 ( 63% ) 及0-25(%)區間 ( 33% )，顯示低報酬率天數之比重較高的股票，在台灣股票市場並不多見。低報酬率天數之比重與平均每日成交量為負相關，亦即流動性愈高的上市公司低報酬率天數之比重愈少；平均市值與低報酬率天數之比重的關係則較不確定；平均市值與低報酬率天數之比重之間呈現正相關，亦即市值愈大的公司，愈不可能成為低報酬率天數之比重較低的類群；惟上述的相關性均不高。
在低報酬分配與股價報酬率的波動性之關係上，波動行為以GARCH(1,1) 模型為衡量方式。實證結果顯示，絕大多數樣本上市公司 ( 97.6% ) 存在異質變異的現象，且有93.9%公司的股價報酬率在經過GARCH(1,1) 模型的配適後，變異數異質性皆已消除。低報酬分配之股價波動持續性上，低報酬率天數之比重低的股票，其股價報酬率波動的持續性愈短，且股價報酬率的風險愈大。換言之，「高風險，高報酬」的原則獲得支持。此外，各類股在不同低報酬率天數之比重區間的報酬率風險持續性亦有別。
在技術指標、低報酬分配與平均變異數之相關性上，全體樣本上市公司而言，報酬率最高的技術指標是代表中長期的MACD指標。而低報酬率天數之比重介於0-25(%)區間中，以週MACD的操作績效最好；介於26-50(%)區間中，以月MACD的表現最好，顯示低報酬率天數之比重愈小，愈適合較短時間頻率的技術指標。各種技術指標操作的報酬率與報酬率的平均變異數之相關性上，無論低報酬率天數之比重介於0-25(%)或26-50(%)區間，以週MACD指標所求出報酬率與其平均變異數之相關性最大，顯示週MACD指標是較能感受到風險變動的技術指標。低報酬率天數之比重介0-25(%)區間時，各項技術指標的報酬率與報酬率的平均變異數之相關係數均較低報酬率天數之比重介於26-50(%)區間為高，顯示低報酬率天數之比重愈低，則利用相同技術指標操作所產生的高風險高報酬的現象愈明顯，此亦支持低報酬率天數之比重介於0-25(%)區間的風險高於介於26-50(%)區間的結論。

關鍵字

技術指標. ； GARCH模型. ； 波動性 ； 低報酬分配

並列摘要

As the result of financial globalization and industrial changes, Taiwan’s stock market has become more volatility. This paper explores the problems of testing and estimating GARCH models with particular on the impact of data return, firm size and trading volume. This paper also uses variance of stock’s return which estimates by GARCH model to test the impacts on Technical Indices. We conduct our investigation by analysing 695 of daily return data on 169 Taiwan’s companies.
Referring to the empirical results, GARCH model testing and estimation are impacted by the degree of censoring, firm and trading volume. Specifically, our analysis produces four major findings. First, we find that most Taiwan’s companies have GARCH effect. GARCH (1,1) model is a good method to solve heteroscedasticity. Second, we find that low trading volume and high censoring lead to a higher persistence of GARCH effects in the estimated models. Third, we find that MACD is a good technical indictor. High censoring stock that uses MACD technical indictor of month can obtain more return, but low censoring stock that uses MACD technical indictor of week can obtain more return. Forth, we find that low censoring stock has more risk than high censoring stock.

並列關鍵字

GARCH model. ； volatility ； Low-Return Distribution ； technical indictor

參考文獻

5.周志隆 ( 1991 )，「股票風險波動之研究──異質條件變異數分析法」，碩士論文，國立台灣大學商學研究所。

14.陳宜里 ( 2001 )，「外資與產業結構轉變對股市報酬率之影響—基本面與技術面之綜合分析」，碩士論文，私立中原大學國際貿易研究所。

1.Akgiray, V. ( 1989 ), “Conditional Heteroskedasticity in Time Series of Stock Returns：Evidence and Forecasts”, Journal of Business, 62, 55-80.

3.Bollerslev, T. ( 1986 ), “Generalized Autoregressive Conditional Heteroskedasticity”, Journal of Econometrics, 31, 307-327.

4.___________( 1987 ), “A Conditionally Heteroskedastic Time Series Model for Speculative Prices and Rates of Return”, Review of Economics and