第四章 資料說明與實證結果
第四節 樣本外避險績效結果比較
在樣本外避險績效的比較方面，因為根據本研究樣本內的實證結果顯 示，加入基差後的動態避險策略，雖然表現有所提升，但是依然沒有優於 傳統 OLS 靜態模型的表現，且cˆ的參數估計出現相對不穩定的情況。所以 本研究在進行樣本外避險績效評估時，即不再考慮加入基差的避險策略，
而僅以無基差和選擇性避險(selective hedge)兩種避險策略加以比較分析。接 下來，本研究即以下列四種方式來進行動靜態模型評比，分別是天真避險 (naive)、移動樣本 OLS 模型、CCC-GARCH 模型以及 DCC-GARCH 動態模 型。其中天真避險(naive)、CCC-GARCH 模型為靜態模型；移動樣本 OLS
模型之間，最主要的差別在於前者在進行避險比例估計時，樣本觀察期間 是固定的，利用先前固定樣本期間的交易資訊，先求算出一個避險比例值，
再進一步推算出避險投資組合報酬之變異數；而移動樣本OLS 模型，則採 用 每 週 更 新 估 計 樣 本 的 設 計 ， 其 最 適 避 險 比 例 會 隨 時 間 而 改 變 。 而 CCC-GARCH 和 DCC-GARCH 動態模型主要是藉由其可估計條件共變異數 矩陣的特性，進而求出因時而變的動態最適避險比例。
和樣本內的部分相同，首先我們觀察圖10 的樣本外非選擇性避險策略 下各模型避險比率之變化，移動樣本OLS 模型的避險比例波動依舊較為和 緩，而CCC-GARCH 和 DCC-GARCH 的避險比例波動則相對變化較大，其 中又以DCC-GARCH 的避險比例波動較大。
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
1 23 45 67 89 111 133 155 177 199 221 243 265 287 309 331 353 375 397 419 441 463
OHRS_OLS OHRS_CCC OHRS_DCC
圖 10 樣本外非選擇性避險策略下各模型避險比率之變化
而再觀察圖 11 的樣本內選擇性避險策略下各模型避險比率之變化，我們可 以發現使用選擇性避險(selective hedge)的 CCC-GARCH 和 DCC-GARCH 模 型的避險比例波動相較於單純的CCC-GARCH 和 DCC-GARCH 模型和緩許
多，相當接近於使用移動OLS 模型的避險比例。
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8
1 24 47 70 93 116 139 162 185 208 231 254 277 300 323 346 369 392 415 438 461
OHRS_CCC OHRS_DCC OHRS_SelectCCC OHRS_SelectDCC
圖 11 樣本內選擇性避險策略下各模型避險比率之變化
而由表 9 第一部分可知，在沒有使用選擇性避險(selective hedge)策略的 情況下，就樣本外避險效果而言，DCC-GARCH 動態模型的避險效果優於 其他三種模型，天真避險(naive)的避險效果則讓投資組合報酬波動最劇 烈。再看表9 的第二部分，為了可以更直觀的了解四種不同避險策略之下，
可以降低的風險程度，我們以未避險時現貨報酬率為基礎，計算四種不同 避險策略之下，四種避險方法相對於完全未避險時變異數降低的幅度，來 當作風險是否具體降低的指標。結果顯示，不管採用何種的避險方法，風 險降低的幅度都相當明顯，實證結果支持避險策略的可行性。其中，天真 避險(naive)和移動樣本 OLS 模型避險策略微幅低於 80％，而 CCC-GARCH 和DCC-GARCH 動態模型都超過了 80％。最後，藉由表 9 的第三部分可清 楚看出表現最好的DCC-GARCH 動態模型相對於天真避險(naive)和移動樣 本OLS 模型避險策略模型之避險績效皆有明顯的改善，和 CCC-GARCH 模 型相較則是微幅的優於CCC-GARCH 模型。而這部分實證結果也支持本文
對樣本變化大時，適合使用CCC-GARCH 和 DCC-GARCH 動態模型的假設。
表9 非選擇性避險(selective hedge)策略下，樣本外避險績效結果比較 Naive OLS CCC-GA
RCH
DCC-GA RCH
Selective(CCC-G ARCH)
Selective(DCC-G ARCH) 1. 樣本外避險投資組合變
異數
5.6209 4.9336 4.7006 4.5723
2. 相對未避險投資組合的變異數減少比例HE v 1[Var(PHedged )/Var(PUnhedged )]
0.7659 0.7945 0.8042 0.8096
3. DCC-GARCH 相對其他模型避險投資組合之改善比例
)]
( / ) ( [
1 Var PDCC Var PModel
0.1866 0.0732 0.0273 0
資料來源：本研究整理。
最後，本研究利用選擇性避險(selective hedge)策略來嘗試改善避險績 效。因為根據在樣本內避險績效比較，CCC-GARCH 和 DCC-GARCH 動態 模型表現並不如傳統OLS 靜態模型來的理想。因此我們假設當樣本變化小 時，傳統 OLS 靜態模型表現會較佳；當樣本變動大時，我們則採用 CCC-GARCH 和 DCC-GARCH 動態模型來加以估計。接下來，本研究為每 週資產相對基差報酬率之絕對值
| B
t|
設定一個臨界值K
，當K
小於某個常數 時，表示每週資產相對基差報酬率之絕對值| B
t|
之波動較小，此時採取OLS 模型的避險策略；而當K
大於某個常數時，表示每週資產相對基差報酬率 之絕對值| B
t|
之波動較大，此時採取CCC-GARCH 和 DCC-GARCH 動態模 型的避險策略來加以估計。也就是本文設計了一個每週資產相對基差報酬 率之絕對值| B
t|
之波動小時用 OLS 模型去估計，每週資產相對基差報酬率 之絕對值| B
t|
之波動大時用CCC-GARCH 和 DCC-GARCH 動態模型去估計的選擇性避險(selective hedge)方法。另外，
K
的選取本研究發現如果10
K ，也就是當每週資產相對基差報酬率之絕對值
| B
t|
之波動絕對值大於 10 時，CCC-GARCH 和 DCC-GARCH 動態模型表現會開始優於傳統 OLS 模型，而當K 11.9時之動態模型表現最佳，實證結果列於表10。表10 選擇性避險(selective hedge)策略下，樣本外避險績效結果比較 Naive OLS CCC-GA
RCH
DCC-GA RCH
Selective(CCC-G ARCH)
Selective(DCC-G ARCH) 1. 樣本外避險投資組合變
異數
5.6213 4.9732 5.4473 5.3709 4.8485 4.8052 2. 相對未避險投資組合的變異數減少比例HE v 1[Var(PHedged )/Var(PUnhedged )]
0.7659 0.7929 0.7731 0.7763 0.7981 0.7999 3. DCC-GARCH 相對其他模型避險投資組合之改善比例
)]
( / ) ( [
1 Var PDCC Var PModel
0.1452 0.0338 0.1179 0.1053 0.0089 0
資料來源：本研究整理。
由表 10 可以觀察得出，利用選擇性避險(selective hedge)策略的 CCC-GARCH 和 DCC-GARCH 動態模型，其樣本外避險投資組合變異數微 幅的低於傳統OLS 靜態模型，也明顯的優於 CCC-GARCH 和 DCC-GARCH 動態模型。相對未避險投資組合的變異數減少比例不但和CCC-GARCH 和 DCC-GARCH 動態模型相較有所提升，也優於 OLS 靜態模型，選擇性避險 (selective hedge)下的 CCC-GARCH 和選擇性避險(selective hedge)下的 DCC-GARCH 動態模型相對其他模型避險投資組合之改善比例也是超越了 OLS 靜態模型。這顯示實證結果支持本文的選擇性避險(selective hedge)策 略，不但優於一般的CCC-GARCH 和 DCC-GARCH 動態模型避險策略，也 優於傳統 OLS 靜態模型避險策略。而選擇性避險(selective hedge)下的
CCC-GARCH 動態模型和選擇性避險(selective hedge)下的 DCC-GARCH 動 態模型的避險績效比較方面，則是以選擇性避險(selective hedge)下的 DCC-GARCH 動態模型的表現略勝一籌。根據本文的實證研究結果我們發 現樣本外的避險效果方面，相關係數的動態對避險效果的影響有微幅的提 升，和天真避險(naive)相比提升了 14.5％的
避險投資組合之改善比例，和 OLS
模型相較也提升了 3.4％的避險投資組合之改善比例。
傳統文獻多針對金融商品期貨與現貨間的避險績效進行探討，本研究著眼於 台灣中油(CPC)現貨組成與布蘭特(Brent)原油期貨等實體標的進行實證分析，同時 避險做法上採行較符合實際實務操作需要的週避險策略，因此本研究的實證結果 益顯得有實務上的貢獻。藉由本文實證結果來推論，
選擇性避險(selective hedge) 策略和相關係數的動態過程對於原油商品的避險績效的確有顯著的影響，這也是選擇性避險(selective hedge)下的 DCC-GARCH 動態模型避險策略優 於選擇性避險(selective hedge)下的 CCC-GARCH 模型和 OLS 模型避險績效 的原因之一。