教學機器人 金融計量學-1

編著: 夏肇毅

初版: 2026/5/18

1.1 金融計量學定義與應用

金融計量學是將統計學、計量經濟學與金融理論相結合的學科，旨在分析金融市場資料、建構模型、進行預測與風險管理。其主要應用包括資產價格建模、風險度量、投資組合績效分析、衍生性金融商品定價及信用風險評估。透過金融計量模型，研究者可以量化市場行為、檢驗金融理論假設以及制定交易策略。此節介紹金融計量學的歷史背景、核心概念及與傳統金融理論（如CAPM、APT）的聯繫。舉例來說，計量模型可幫助投資者衡量股票收益的波動性，識別系統性與非系統性風險，並透過回歸分析、時間序列模型或GARCH模型進行波動率預測。例如，使用線性回歸模型：Ri=α+βRm+ϵR_i = \alpha + \beta R_m + \epsilonRi​=α+βRm​+ϵ，其中 $R_i$ 為資產收益，$R_m$ 為市場收益，$\epsilon$ 為誤差項，能估算資產對市場波動的敏感度。

1.2 金融資料特性

金融資料具有高頻、非線性、非平穩、波動聚集（Volatility Clustering）及厚尾分布等特性。此節介紹金融資料的統計性質，包括均值、變異數、偏態（Skewness）、峰度（Kurtosis）及自相關性（Autocorrelation）。波動聚集現象常見於股市與外匯市場，即大幅波動往往伴隨大幅波動，小幅波動伴隨小幅波動，導致條件異變異數（Conditional Heteroskedasticity）現象。透過單位根檢驗（ADF、PP檢驗）可判斷資料是否平穩，非平穩資料需進行差分處理或轉換，保證計量模型結果可靠。此外，資料缺失、異常值及高頻噪音對模型估計具有挑戰性，因此需使用前處理、加權回歸及穩健估計方法。

1.3 計量模型分類

金融計量模型主要分為靜態回歸模型、時間序列模型與橫斷面模型。靜態回歸模型用於單期資料分析，如CAPM回歸或Fama-French三因子模型；時間序列模型分析動態變化，如AR、MA、ARMA、ARIMA及GARCH模型，用於預測價格與波動率；橫斷面模型分析同一時點多個資產的特徵與關聯，如投資組合風險分解與信用評級研究。此節還介紹模型評估指標，包括R平方、AIC、BIC及殘差分析。透過案例展示使用ARIMA模型預測股指收益，並比較不同模型的預測精度，強調模型選擇對實務應用的重要性。

1.4 案例分析

案例展示使用GARCH(1,1)模型對股票波動率進行建模與預測。模型公式如下：σt2=α0+α1ϵt−12+β1σt−12\sigma_t^2 = \alpha_0 + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2σt2​=α0​+α1​ϵt−12​+β1​σt−12​，其中 $\sigma_t^2$ 為條件異變異數，$\epsilon_{t-1}$ 為前期誤差。透過歷史股價資料估計參數，繪製波動率走勢圖，分析市場波動聚集與風險變化，並說明模型在風險管理、衍生品定價及投資決策中的實務應用。案例進一步展示如何運用模型進行VaR（Value at Risk）計算與投資組合風險控制。

1.5 單變量與多變量回歸

單變量回歸分析資產收益與單一解釋變數之關係，公式：Y=β0+β1X+ϵY = \beta_0 + \beta_1 X + \epsilonY=β0​+β1​X+ϵ；多變量回歸則考慮多個因子對收益的影響：Y=β0+β1X1+β2X2+⋯+βkXk+ϵY = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_k X_k + \epsilonY=β0​+β1​X1​+β2​X2​+⋯+βk​Xk​+ϵ。此節詳細討論最小平方法（OLS）估計、參數顯著性檢驗（t檢驗）、整體模型檢驗（F檢驗）及多重共線性問題。案例分析展示如何使用Fama-French三因子模型預測股票收益，並透過回歸結果進行投資決策。

1.6 回歸假設與檢驗

OLS模型假設包括線性關係、誤差項均值為零、同變異數性（Homoscedasticity）、無自相關及誤差常態分布。此節介紹檢驗方法，如Breusch-Pagan檢驗檢查異變異數、Durbin-Watson檢驗檢查自相關，並討論違反假設時的修正方法，包括加權最小平方法、Newey-West標準誤及變數轉換。案例展示如何對股市回報資料進行假設檢驗與修正，提高模型可靠性。

1.7 模型選擇與預測

模型選擇基於解釋力與預測精度，常用指標包括R平方、調整R平方、AIC、BIC及交叉驗證。此節展示如何比較不同回歸模型對股票收益、風險因子或宏觀經濟指標的預測效果，並結合實務應用，如投資組合績效分析、因子選擇及風險管理。案例分析顯示過度擬合問題及多重共線性對預測精度的影響。

1.8 案例分析

案例展示使用多因子回歸模型分析科技股收益，因子包括市場收益、規模、價值及動量。透過回歸結果估計各因子對股票收益的貢獻，檢驗模型假設並進行預測。案例進一步說明如何運用回歸結果調整投資組合配置，控制風險並提升預期報酬。