第三章 研究方法
第二節 變數定義與說明
本篇研究目的為欲探討臺灣期貨市場上具不同程度下處分效果與過度自信 之投資人，並探討其處分效果與過度自信現象是否存在學習行為。依投資人帳號
以每個月為單位計算一次處分效果與過度自信之值，接著再以每四個月劃分為一
區間當作一期來衡量，並分別找出處分效果與過度自信之值落在市場上前 25%、
20%和 15%內之投資人，接著各自分別再細分成兩種不同交易型態，觀察包含累 積交易量高且累積交易天數長以及累積交易量低且累積交易天數短之投資人，其
交易行為是否會因交易經驗的增加和累積而獲得學習能力，並影響其行為偏誤之
程度。以下介紹本研究中所使用之變數計算方法與其定義:
一、被解釋變數
1. 處分效果(Disposition Effect, DE)
儘管文獻中對於處分效果之衡量存在許多不同方式，而Odean (1998)中的衡
量方法為現今為最普遍且被廣泛用來衡量處分效果之方式。因此，本篇研究係根
據臺灣期貨交易所提供之成交檔並採用Odean (1998)研究中的方法來衡量處分效
果，計算出每位投資人帳戶的實現利得(realized gains)、未實現利得(paper gains) 、
實現損失(realized losses)與未實現損失(paper losses)，並用此計算出每位投資人實
現利得比例(proportion of gains realized, PGR)以及實現損失比例(proportion of
losses realized, PLR)，其計算方法如下：
16
𝑃𝐺𝑅 ＝
𝑅𝑒𝑎𝑙𝑖𝑧𝑒𝑑 𝐺𝑎𝑖𝑛𝑠𝑅𝑒𝑎𝑙𝑖𝑧𝑒𝑑 𝐺𝑎𝑖𝑛𝑠+𝑃𝑎𝑝𝑒𝑟 𝐺𝑎𝑖𝑛𝑠
(3-1)
𝑃𝐿𝑅 ＝
𝑅𝑒𝑎𝑙𝑖𝑧𝑒𝑑 𝐿𝑜𝑠𝑠𝑒𝑠𝑅𝑒𝑎𝑙𝑖𝑧𝑒𝑑 𝐿𝑜𝑠𝑠𝑒𝑠+𝑃𝑎𝑝𝑒𝑟 𝐿𝑜𝑠𝑠𝑒𝑠
(3-2) 計算出實現利得與損失之比例後，我們將(3-1)與(3-2)兩式相減，即可得到 PGR−PLR 之值，藉此衡量處分效果的程度。計算利得或損失時，我們使用加權
平均法並以個人買賣口數為權重來計算新倉成本，然後在當每位帳戶有平倉之行
為發生時才計算已實現損益。在多方部位，若新倉平均成本小於平倉價格，則計
實現利得一次，相反地，計已實現損失一次；在空方部位，若新倉平均成本大於
平倉價格，則計已實現利得一次，相反地，計已實現損失一次。而未實現損益的
部分參考自 Odean (1998)的方法並做了些微調整，若該帳戶未發生交易時則不衡
量其處分效果，我們每天追蹤一次各交易人之投資帳戶並計算未實現部分。在多
方部位，若平均成本小於當天交易的收盤價格，則計未實現利得一次，相反地，
計未實現損失一次；在空方部位，若平均成本大於當天交易的收盤價格，則計未
實現利得一次，相反地，計未實現損失一次。
17
【圖 3-1】2007~2009 三年間所有投資人平均 PGR 與 PLR 之值
【圖 3-1】顯示 2007~2009 三年間所有投資人平均 PGR 與 PLR 之值並以每 月平均表示，橫軸代表月份，共劃分為 36 個月，而左邊縱軸分別代表投資人其
每月平均 PGR 與 PLR 之值。由圖可觀察到 PLR 的波動區間略大於 PGR，亦即
投資人平均實現損失比例變化幅度大於實現利得比例，其可能原因在於期貨為槓
桿型商品，需事先繳交保證金以能進行交易，且在當低於維持保證金時，會觸發
保證金追繳機制(margin call)。在此機制下投資人會停損，並平倉掉所持有的虧
損部位，此時投資人的 PLR 會增加，造成 PGR−PLR 之值變小。因此，可發現
若投資人在此機制下，處分效果之值(PGR−PLR)依然為接近於 1 的正數，代表
投資人表現出處分效果的行為，產生賣掉贏家、持有輸家(sell winners and hold
losers)的現象。而接著，我們篩選出每月 PGR−PLR 值分別在市場上前 25%、20%
和 15%之投資人作為本篇研究對象。
18 2. 過度自信(Overconfidence, OC)
由於過度自信是顯示投資人內在的心理狀態，因此在研究上較難以量化的方 式衡量其程度大小，而過去文獻對於過度自信的檢定方式為 Gervais and Odean
(2001)模型，藉由過去報酬表現及其後續交易行為之關連性進一步推測其過度自 信的程度。Gervais and Odean (2001)模型結果中亦顯示，在當投資人歷經正報酬
之後，對於自我預測未來之精準度也會有過度的自信產生。另外，Chuang and Lee
(2006)指出當投資人在存在過度自信現象時，是由自我歸因偏誤(self-attribution
bias)所引起，使得常對於資訊有過度樂觀的解讀，導致過於高估自身判斷能力，
並傾向將好結果歸功於自身能力或是過度重視私有資訊，而最明顯反應在其後續
交易上的行為即為透過增加交易量與交易的積極度。故綜合以上，本篇研究將以
投資人之正報酬與其後續交易量來衡量過度自信行為。
然而，造成過度自信的可能原因可分為兩種，其一為因過去已實現正報酬所 引發的過度自信，其二為因過去未實現正報酬所引發的過度自信，此兩種行為皆
有可能導致過度自信現象。而吳明倉(2014)研究中透過計算各投資人當月總損益
及總成本所得出因過去已實現正報酬和未實現正報酬而開倉之報酬率，探討以上
兩種產生過度自信的可能原因，並找出何種開倉行為模式較符合引發過度自信之
原因。在 99%信心水準下，發現當投資人有因過去已實現正報酬時，在三天之內
開新倉之交易相較於有因過去未實現正報酬在三天之內開新倉之交易更不利於
投資人，符合 Barber and Odean (2000)與 Gervais and Odean (2001)結論，指出過
19
度自信所導致之過度交易行為會降低報酬率。故本篇研究利用投資人有因過去已
實現正報酬並在三天內開新倉當作是衡量過度自信之依據。
根據蔡永順、劉文智(2011)針對過度自信行為的實證研究中透過觀察投資人 在私有資訊與公開資訊對於報酬率及交易量之衝擊反應，發現私有資訊衝擊相對
公開資訊存在短期的動能現象，且大約在三天內其衝擊反應為最大並使得交易量
有明顯地增加，代表投資人高估私有資訊，並顯示投資人可能存在過度自信行為。
因此，本篇透過計算出每位投資者交易帳號在每月的總開倉數以及因過去有已實
現正報酬且在三天之內開倉數篩選出具過度自信行為之投資人，並用兩者比例作
為過度自信之代理變數加以衡量，公式如下:
𝑂𝐶 ＝ 因已實現正報酬而在三天內之開倉數
當月份總開倉數
(3-3)OC 值越大即表示該投資人過度自信行為程度越大，之後我們將從此值當中篩選 出每月 OC 值分別在前 25%、20%和 15%之投資人作為本篇研究對象。
二、解釋變數
為了進一步觀察與了解投資人是否能經由自身交易經驗來獲得學習能力並
降低其行為偏誤程度，而關於學習效果的過往文獻中，其中 Feng & Seasholes
(2005)定義如何用投資人之投資交易經驗來衡量並判斷其是否具學習行為，其定 義說明如下:
20
𝐸𝑥𝑝𝑒𝑟𝑖𝑒𝑛𝑐𝑒𝑖,𝑡＝ 第 i 位投資人在第 t 期交易時間內所累積交易量 (3-4)
而本篇研究係參考 Feng & Seasholes (2005)之方法利用累積交易量(口數)或
累積交易天數作為經驗(Experience)的替代變數以當作學習行為的判斷依據。
三、控制變數
1. 波動度(Volatility)
當金融市場一旦有新資訊進入時，由於市場上各投資人對於未來資訊的解讀
能力及看法不同而造成有不同程度之預期，進而使資產價格產生波動。而當市場
處於不同程度的波動時，投資人在面對決策時的行為也不盡相同，如當市場處於
較大波動時，投資人的處分效果相較於市場處於平穩、無劇烈波動狀態時會較強。
因此，本篇研究考量市場波動度對處分效果之影響並檢驗其關聯性。
本篇研究利用 Grossman (1998)所提出的方法來計算當日的市場波動度，該 衡量方式為考慮當天成交之最高價和最低價，相較於其他波動度衡量方式，更有
效地估計出每日價格之波動度。由於處分效果與過度自信皆是以月為期間單位衡
量，故將每日價格之波動度再轉換成每月價格之波動度，其計算公式如下:
𝑉𝑜𝑙𝑎𝑡𝑖𝑙𝑖𝑡𝑦
𝑡−1= 𝑙𝑛(
𝑃𝑃ℎ𝑖𝑔ℎ𝑙𝑜𝑤
)
(3-5)𝑃
ℎ𝑖𝑔ℎ：每天臺股期貨的最高價𝑃
𝑙𝑜𝑤：每天臺股期貨的最低價21 2. 過度自信(Overconfidence)
過去有許多文獻皆發現台灣散戶投資人普遍具有處分效果與過度自信之行 為，而王文聖(2008)研究中更進一步指出無論是在整體資料期間、多頭時期或是
空頭時期存在過度自信影響處分效果，且呈現正向關係。當投資人在有獲利產生
時，會將此成功後所帶來之利得歸功於自身能力以及過度重視私有資訊(Daniel et
al. (1998))，進而提升自我信心程度，而為了此信心程度，投資人會急於出售該 獲利的資產以顯示獲利是來自於自身判斷能力出眾；相反地，在有損失產生時，
投資人不願承認其判斷能力錯誤而選擇繼續持有該資產。而針對過度自信之衡量
方式與定義，同本節中解釋變數之計算方法。
3. 報酬率(Return)
過去文獻中如 Barber and Odean 等學者皆發現，在股市中若投資者具有過度 自信傾向時，投資人週轉率會提高，而 Statman and Thorley (1999)進一步發現在
美國股市中，當有較高的月報酬率時，投資人由於更相信自我交易能而使其過度
自信程度增加，因而後續常伴隨著較高的交易量，故本研究利用報酬率最作為過
度自信之控制變數。
報酬率之計算方式，我們以 Cornett (1995)利用每日收盤價及開盤價，並取 兩者之差再除以當日開盤價格所形成之比例作為當日報酬率之依據。由於處分效
果與過度自信皆是以月為期間單位衡量，故將每日報酬率轉換成月報酬率，本篇
22
研究利用前一期之報酬率作為控制變數，其計算公式如下:
𝑅𝑒𝑡𝑢𝑟𝑛
𝑡−1=
𝑃𝑐−𝑃0𝑃0