國 立 中 央 大 學

資 訊 管 理 研 究 所
碩 士 論 文

基因演算法於建構臺指選擇權投資
組合的應用

研 究 生：張 烈 堂

指導教授：陳 稼 興 博士

中 華 民 國 九 十 四 年 六 月
 國立中央大學圖書館
碩博士論文電子檔授權書
(93 年 5 月最新修正版)

本授權書所授權之論文全文電子檔，為本人於國立中央大學，撰寫之
碩/博士學位論文。(以下請擇一勾選)
( 9 )同意 (立即開放)
( )同意 (一年後開放)，原因是：
( )同意 (二年後開放)，原因是：
( )不同意，原因是：

以非專屬、無償授權國立中央大學圖書館與國家圖書館，基於推動讀
者間「資源共享、互惠合作」之理念，於回饋社會與學術研究之目的，
得不限地域、時間與次數，以紙本、微縮、光碟及其它各種方法將上
列論文收錄、重製、公開陳列、與發行，或再授權他人以各種方法重
製與利用，並得將數位化之上列論文與論文電子檔以上載網路方式，
提供讀者基於個人非營利性質之線上檢索、閱覽、下載或列印。

研究生簽名: 張烈堂

論文名稱: 基因演算法於建構臺指選擇權投資組合的應用

指導教授姓名： 陳稼興

系所 ： 資訊管理 所 †博士 ;碩士班

學號： 92423009

日期：民國 94 年 6 月 28 日

備註：
1. 本授權書請填寫並親筆簽ˉ名後，裝訂於各紙本論文封面後之次頁（全文電子檔內之授
權書簽名，可用電腦打字代替）。
2. 請加印一份單張之授權書，填寫並親筆簽名後，於辦理離校時交圖書館（以統一代轉寄
給國家圖書館）。
3. 讀者基於個人非營利性質之線上檢索、閱覽、下載或列印上列論文，應依著作權法相關
規定辦理。
 摘要

由於台指選擇權市場的蓬勃發展，顯示台灣投資大眾漸漸能夠接受這種新興

投資方式，因此本研究試圖使用人工智慧方法中的組合編碼基因演算法，建構由

台指選擇權所組成的投資組合，藉由基因演算法強大的演化求解能力，求出投資

組合的最適資金配置方式。

相較於證券等金融商品，選擇權的生命週期是相當短的，依到期日長短而定，最

長不會超過 8 個月，而過去研究多未使用長天期的訓練資料，在演化的成效上是

值得懷疑的，因此本研究也嘗試使用三種不同的資料處理方法串接選擇權歷史資

料，理論上，可以由當日一直串接此選擇權的歷史資料至選擇權市場最初始的交

易日，在交易期間上，我們選擇 2003 年至 2004 年台指選擇權交易資料做為實驗

資料，在績效評估上，與平均分配資金策略與基因演算法所產生的資金分配策略

比較。研究結果發現，平均而言基因演算法所產生的資金分配策略報酬率略優於

平均分配資金策略，但在統計上並未有顯著優勢，另一方面，在比較各種不同歷

史資料串接方法後，結果顯示，以選擇權的實際價格和理論價格之間的差距進行

昇冪排序串接歷史資料，所獲得的績效最佳，同時也說明價值被低估的買權，其

獲得正報酬率的機率較高。

關鍵字：選擇權，基因演算法，投資組合，資金分配策略

I
 目錄

摘要................................................................................................................................ I
目錄...............................................................................................................................II
圖目錄 ..........................................................................................................................V
表目錄 ........................................................................................................................ VI
1. 緒論...........................................................................................................................1
1.1. 研究背景及動機............................................................................................1
1.2. 研究目的........................................................................................................2
1.3. 論文架構........................................................................................................3
2. 文獻探討 ..................................................................................................................4
2.1. 選擇權與指數選擇權介紹............................................................................4
2.1.1. 選擇權的意義.....................................................................................4
2.1.2. Black-Scholes 選擇權訂價公式 .........................................................5
2.1.3. 選擇權的基本交易.............................................................................6
2.1.4. 台指選擇權介紹.................................................................................8
2.2. 投資組合理論................................................................................................8
2.2.1. Markowitz 投資組合理論 ..................................................................8
2.2.3. 財務方法在選擇權投資組合之相關研究.......................................10
2.2.4. 基因演算法在選擇權投資組合之相關研究...................................12
3. 基因演算法 ............................................................................................................15
3.1. 基因演算法的簡介及特性..........................................................................15
3.1.1. 基因演算法簡介...............................................................................15
3.1.2. 基因演算法的特性...........................................................................16
3.2. 基因演算法的基本運算..............................................................................16
3.2.1. 初始化(Initialization) .......................................................................17
3.2.2. 編碼(Encoding).................................................................................17
3.2.3. 決定適應函數(Fitness Function) .....................................................17
3.2.4. 選擇(Selection) .................................................................................17
3.2.5. 交配(Crossover)................................................................................18
3.2.6. 突變(Mutation) .................................................................................20
3.2.7. 停止條件(Termination Condition) ...................................................21
3.2.8. 控制參數(Control parameters) .........................................................21
3.3. 組合編碼基因演算法..................................................................................23
3.3.1. 編碼方式...........................................................................................23
3.3.2. 染色體初始化...................................................................................24
3.3.3. 交配方式...........................................................................................25
3.3.4. 突變方式...........................................................................................25

II
4. 研究方法 ................................................................................................................27
4.1. 選擇權資料處理..........................................................................................27
4.1.1. 影響選擇權價格的因子...................................................................27
4.1.2. 相對指數法.......................................................................................29
4.1.3. 隱含波動率法...................................................................................30
4.1.4. 理論價差法.......................................................................................31
4.2. 選擇權報酬率計算......................................................................................32
4.2.1. 買入選擇權的報酬...........................................................................32
4.3. 交易策略......................................................................................................33
4.4. 適應函數設計..............................................................................................34
5. 實驗設計及結果 ....................................................................................................35
5.1. 實驗設計及資料來源..................................................................................35
5.1.1. 系統軟硬體設備...............................................................................35
5.1.2. 資料來源...........................................................................................36
5.1.3. 實驗流程...........................................................................................36
5.1.4. 實驗參數...........................................................................................37
5.2. 實驗 1 相對指數法.....................................................................................38
5.2.1. 實驗目的及說明...............................................................................38
5.2.2. 實驗 1 結果.......................................................................................38
5.2.3. 實驗 1 之 GA 策略與平均分配資金策略 T 檢定 ..........................39
5.2.4. 實驗 1 小結及討論...........................................................................40
5.3. 實驗 2 隱含波動率法.................................................................................40
5.3.1. 實驗目的及說明...............................................................................40
5.3.2. 實驗 2-1 隱含波動率法降冪排序 ...................................................41
5.3.3. 實驗 2-1 之 GA 資金策略與平均分配資金策略 T 檢定 ...............41
5.3.4. 實驗 2-2 隱含波動率法昇冪排序 ..................................................42
5.3.5. 實驗 2-2 之 GA 資金策略與平均分配資金策略 T 檢定 ...............42
5.3.6. 實驗 2 小結及討論...........................................................................43
5.4. 實驗 3 理論價差法.....................................................................................44
5.4.1. 實驗目的及說明...............................................................................44
5.4.2. 實驗 3-1 理論價差法降冪排序 .......................................................44
5.4.3. 實驗 3-1 之 GA 資金策略與平均分配資金策略 T 檢定 ...............45
5.4.4. 實驗 3-2 理論價差法昇冪排序 .......................................................46
5.4.5. 實驗 3-2 之 GA 資金策略與平均分配資金策略 T 檢定 ...............47
5.4.6. 實驗 3 小結與討論...........................................................................48
6. 結論及建議 ............................................................................................................49
6.1. 研究發現......................................................................................................49
6.2. 研究貢獻......................................................................................................50

III
 6.3. 未來發展......................................................................................................50
6.3.1. 其它選擇權資料處理法...................................................................50
6.3.2. 投資標的選擇...................................................................................50
6.3.3. 交易策略...........................................................................................51
參考文獻 .....................................................................................................................52
附錄 A. 台灣證券交易所股價指數選擇權契約規格...............................................55
附錄 B. 實驗 1 結果...................................................................................................57
附錄 C-1.實驗 2-1 結果 ..............................................................................................57
附錄 C-2. 實驗 2-2 結果 ............................................................................................58
附錄 D-1. 實驗 3-1-A 結果........................................................................................58
附錄 D-2. 實驗 3-1-B 結果 ........................................................................................59
附錄 D-3. 實驗 3-2-A 結果........................................................................................59
附錄 D-4. 實驗 3-2-B 結果 ........................................................................................60
附錄 E. 各實驗投資組合交易資料...........................................................................61

IV
 圖目錄

圖 2-1 買入買權 (Long Call) .....................................................................................6

圖 2-2 賣出買權 (Short Call) .....................................................................................7
圖 2-3 買入賣權 (Long Put).......................................................................................7
圖 2-4 賣出賣權 (Short Put) ......................................................................................7
圖 3-1 A simple genetic algorithm...........................................................................16
圖 3-2 單點交配示意圖 ............................................................................................19
圖 3-3 雙點交配示意圖 ............................................................................................19
圖 3-4 均勻交配示意圖 ............................................................................................20
圖 3-5 突變示意圖 ....................................................................................................21
圖 3-6 組合編碼初始化演算法 ................................................................................24
圖 3-7 組合編碼交配演算法 ....................................................................................25
圖 3-8 組合編碼突變演算法 ....................................................................................26
圖 4-1 相對指數法示意圖 ........................................................................................30
圖 4-2 隱含波動率法示意圖 ....................................................................................31
圖 4-3 理論價差法示意圖 ........................................................................................32
圖 4-4 交易策略 ........................................................................................................34
圖 5-1 實驗流程 ........................................................................................................36

V
 表目錄

表 4-1 選擇權價格因子與選擇權權利金關係表 ....................................................28

表 5-1 實驗 1 報酬率結果總表 .................................................................................39
表 5-2 實驗 1 之 T 檢定結果....................................................................................39
表 5-3 實驗 2-1 報酬率結果總表.............................................................................41
表 5-4 實驗 2-1 之 T 檢定結果 ................................................................................42
表 5-5 實驗 2-2 報酬率結果總表.............................................................................42
表 5-6 實驗 2-2 之 T 檢定結果 ................................................................................43
表 5-7 實驗 3-1-A 報酬率結果總表.........................................................................44
表 5-8 實驗 3-1-B 報酬率結果總表.........................................................................45
表 5-9 實驗 3-1-A 之 T 檢定結果 ............................................................................45
表 5-10 實驗 3-1-B 之 T 檢定結果 ..........................................................................46
表 5-11 實驗 3-2-A 報酬率結果總表.......................................................................46
表 5-12 實驗 3-2-B 報酬率結果總表.......................................................................46
表 5-13 實驗 3-2-A 之 T 檢定結果 ..........................................................................47
表 5-14 實驗 3-2-B 之 T 檢定結果 ..........................................................................47

VI
1. 緒論

1.1. 研究背景及動機
選擇權為一種買賣雙方事先約定的契約，交易標的為一種買進或賣出的「權

利」，選擇權交易原先是為了避險的目的，買權買方為了規避價格上漲的風險，

以權利金向買權賣方購買在未來某一個時間點，以事先約定好的價格買入商品的

權利，而賣方則藉著收取權利金，來為買方保留買入商品的權利。因此在選擇權

交易裡，買方擁有履約的權利，而賣方則有必須履約的義務，而以標的物商品買

賣行為來區分，選擇權又可分為買權及賣權。一般而言，一個選擇權契約至少會

包括以下幾項內容：[Luenberger, 1998]

1. 標的資產的敘述

2. 到期日

3. 履約價格

4. 買權或賣權

5. 權利金

台灣選擇權市場在經過台灣期貨交易所長期的準備後，終於在 2001 年 12

月 24 日正式推出第一個選擇權商品，「台灣證券交易所股價指數選擇權」，簡稱

台指選擇權，台指選擇權的標的物為台灣股票市場加權指數，投資人以權利金購

買在未來以履約價買進或賣出某特定價格的加權指數權利，藉由未來大盤指數的

上漲或下跌獲取利潤。但台指選擇權在剛上市初，由於交易量少，市場流動性低，

價量往往無法配合，不少投資人都抱持著觀望的態度，隨著時間的經過，選擇權

成交量漸漸放大，自 2001 年 12 月上市之初的百餘口，到目前每個交易日之平均

成交量均高達十萬口以上，顯示市場大眾已經能漸漸接受這種新興投資管道，一

般而言，投資人選擇台指選擇權交易的優點包括：

1. 短線操作成本低獲利機會大

1
 2. 稅負成本低

3. 買方風險有限，獲利希望無窮

4. 以小額權利金賺取大盤漲跌利潤

而過去的研究結果也指出選擇權投資組合報酬率分佈的平均數相近於股票投

資組合，且標準差較小，偏態係數較高[Booth, Tehranian Trennepohl, 1985]，若以

適當的投資策略來建構投資組合，將會是相對獲利穩定的投資方式。而過去對於

選擇權的研究大多集中在訂價模型的改進，且關於投資組合的研究領域也較少使

用選擇權為投資標的，在台指選擇權的投資組合績效方面的研究更是缺乏。

因此本研究試圖應用組合編碼基因演算法[侯佳利，民 90 年]建構台指選擇權

投資組合，解決投資組合中資金分配的問題，並探討不同的選擇權資料處理法對

於組合編碼基因演算法的績效表現。

1.2. 研究目的
本論文的研究目的為以基因演算法建構台指選擇權投資組合，並解決資金分

配的問題。投資組合的標的物為台指選擇權買權，未包含現貨部位，並以投機為

導向，投資組合問題領域共包含擇時、擇股及資金分配三個方向，而本研究的主

要方向為解決資金分配問題，因此本論文假設固定擇時及擇股方式，以簡化投資

組合問題。

相較於過去對於基因演算法於建構選擇權投資組合的研究[余美惠，民 86]，

本研究提出值得改進的方向：

1. 以短天期歷史交易資料建構投資組合，資料缺乏代表性：

由於選擇權商品有到期日的限制，因此生命週期短，以台指選擇權為例，

最短為一個月，最長也不超過半年，而且越遠期的選擇權的交易資料越

少，以如此少的資料量當成訓練期資料，在學習成效上是值得懷疑的。

2. 未考慮資金分配的問題

過去關於選擇權投資組合的問題，對於資金分配的考量較少，因此本研

2
 究另一個研究目的也是希望能夠藉由組合編碼基因演算法來求解出最適

的資金分配策略。

因此本研究試圖解決投資組合中的資金分配問題，在資料代表性的問題方

面，我們也採用三種不同的資料處理方法，設法改進資料缺值的現象，並探討不

同的選擇權資料處理法對於基因演算法的學習機制是否有何差別。

1.3. 論文架構
本論文主要包含第一章「緒論」
、第二章「文獻探討」
、第三章「基因演算法」
、

第四章「研究方法」
、第五章「實驗設計及結果」以及第六章「結論與建議」
，茲

分述如下：

第一章：本章說明本研究的動機、目的、以及論文架構，先說明引發這項研究的

動機，進而導出研究目的，再對本研究之研究內容作一綜合性之介紹。

第二章：簡要探討投資組合理論、基因演算法以及台指選擇權的相關文獻，說明

過去研究的不足及問題所在，進而在第三章提出研究方法。

第三章：簡要說明基因演算法基本原理，及本論文所使用之組合編碼基因演算法

之簡介。

第四章：說明本研究的研究架構，其中包含資料處理方法，絕對與相對資料串接

方法的比較，編碼規則以及適應函數設計等，並說明擇時及擇股方式。

第五章：本章為本研究的實驗設計及結果分析。

第六章：說明本研究的研究發現及問題探討，並提供未來研究者研究的方向。

3
2. 文獻探討

2.1. 選擇權與指數選擇權介紹

2.1.1. 選擇權的意義

選擇權屬於衍生性金融商品的一種，它是一種契約，此契約規定契約持有者，

也就是選擇權買方，在支付權利金後擁有在未來某一時間點或期間，以約定價

格，也就是契約上載明的履約價，買入或出售一數量標的物之權利，此權利可以

執行，也可以放棄，依執行時是否有利可圖而定，選擇權的標的物可以是現貨(如

大盤指數)，也可以是期貨(如黃金，大盤指數期貨)，此標的物之品質、數量、交

割方式均必須明確規定。一般而言，一個選擇權契約至少應包括以下幾項內容：

[Luenberger, 1998]

1. 標的資產的敘述

如台指選擇權的標的物資產即為台灣加權指數，股票選擇權的標的物資產

則為某一特定股票。

2. 到期日

載明此契約的有效期限，以台指選擇權為例，到期日皆為到期日月份的第

三個星期三後一日。

3. 履約價格

載明雙方事前共同約定的成交價格

4. 買權或賣權

以買賣權利來區分，買權即是取得購入標的物的權利，而賣權即是取得售

出標的物的權利。

5. 權利金

即為選擇權的價格，也就是為了取得此權利，必須付出的價格。

4
 歷史上最早利用選擇權性質的交易行為，是在西元 1630 年，發生在荷蘭的

鬱金香球莖事件[Luenberger,1998]。在當時，球莖交易商和栽種者為了規避價格

上漲或下跌的風險，共同制定了類似今日選擇權的交易行為，球莖交易商給予栽

種者一項可以依約定的最低價格出賣球莖的權利，而栽種者也能夠出售這種權

利，使球莖交易商取得用雙方都同意的最高價買進球莖的權利，一直到 19 世紀

中葉，陸續都有一些以股票與商品為標的物的店頭市場選擇權出現，不過仍有不

少問題在。自從 1973 年芝加哥選擇權交易所(Chicago Board Option Exchange;

CBOE)成立後，於 4 月 26 日推出 16 種股票選擇權，同年 Black 等人發展了

Black-Scholes 選擇權評價模型[Black, 1973]，為選擇權帶來一個合理的訂價方式

之後，選擇權市場才得以迅速地發展。

2.1.2. Black-Scholes 選擇權訂價公式

Black-Scholes 的訂價模型，有以下幾個基本假設：

1. 短期利率是已知，而且是常數。

2. 股價是連續的，而且遵循隨機漫步過程(Random Walk Process)，股價的變異

數和股價的平方成正比，到期日的股價分配是對數常態，而股價報酬的變異

數為常數。

3. 股票不發放股利。

4. 必須為歐式選擇權，即只能在到期日履約的選擇權契約。

5. 無交易成本。

6. 證券是可以分割的，同時可以依短期利率借入所需要的資金。

7. 沒有賣空證券的限制，賣空者可以馬上拿到賣空金額，而在未來的某一個日

支付所買空證券的到期價格。

根據這些假設，可以推導出歐式買權及賣權的價格公式：

z 買權公式： C = N (d1 ) × S × e − q (T −t ) − N (d 2 ) × K × e − q (T −t )

− q (T − t )
z 賣權公式： P = − N (− d1 ) × S × e + N ( − d 2 ) × K × e − q (T − t )

5
其中：

S=標的證券現貨價格

q=標的證券股利率

K=選擇權履約價

T=選擇權到期日

σ =標的證券現貨價格波動率

t =歐目前日期

r =無風險利率
ln( S / K ) + (r − q + σ 2 / 2)(T − t )
Z _ d1 =
σ T −t

Z _ d 2 = Z _ d1 − σ T − t

N(d1)即為 Z_d1 的累積標準常態分配函數

1 2
N (d1 ) = × e −( Z _ d1 ) / 2，修正 N(d1)，即將買權(或賣權)的價格作第二次偏微分。
2π
N(d2)即為 Z_d2 的累積標準常態分配函數。

2.1.3. 選擇權的基本交易

選擇權依買賣的權利來區分，又可分為買權及賣權兩種，而每種商品都可以

進行買或賣的交易，因此總共會有四種基本交易，以下是這四種交易的報償說明。

損益

獲利 損益平衡點
0
權利金
損失

標的物價格
履約價

圖 2-1 買入買權 (Long Call)

6
 損益

獲利
權利金
0
損失 損益平衡點
標的物價格
履約價

圖 2-2 賣出買權 (Short Call)

損益

獲利

0
權利金
損失
損益平衡點
標的物價格
履約價

圖 2-3 買入賣權 (Long Put)

損益

損益平衡點
獲利
權利金
0
損失
標的物價格
履約價

圖 2-4 賣出賣權 (Short Put)

買入買權者乃是對市場後勢看漲，因此希望能用較低的價格買入商品，反

之，買入賣權者則是對市場後勢看跌，希望用較高的價格賣出商品。若欲軋平部

位，則需以賣出買權軋平買入買權；用賣出賣權軋平買入賣權。

7
2.1.4. 台指選擇權介紹

台指選擇權經過台灣期貨交易所長時間的準備，終於在 2001 年 12 月 24 日

掛牌營業，而個股選擇權也在 2003 年開放五檔，分別為台積電、聯電、中鋼、

南亞及富邦金。而台灣目前推出的選擇權，均屬於現貨、歐式選擇權，兩者都有

買權及賣權。根據台灣期貨交易所公告的資料中，台指選擇權之詳細契約規格內

容包含了交易標的、中文簡稱、英文代碼、履約乘數、到期月份、履約價格間距、

契約序列、權利金報價單位、每日漲跌幅、部位限制、交易時間、最後交易日、

到期日、最後結算價、交割方式等，有關台指選擇權的詳細交易契約，請參照附

錄 A。

2.2. 投資組合理論

2.2.1. Markowitz 投資組合理論

在投資組合領域，最為人所知的就是 Markowitz 於 1952 年發表的投資組合

選擇(Portfolio Selection)裡所提出的「均異模型」(Mean-Variance Portfolio Model)

[Markowitz, 1952]，藉由多種不同的投資以分散投資組合風險，即多角化投資的

觀念。Markowitz 的投資組合理論認為理性投資人的目標，通常都是在追求最大

化報酬或是最小化風險，因此他把投資組合的報酬率視為一隨機變數的機率分佈

函數，而將此機率分佈的平均數視為報酬，報酬率的變異數視為風險，因為報酬

率的變異數代表著此一機率分佈的波動行為，因此報酬率的變異數越大，表示此

一機率分佈函數的隨機行為越不穩定，因此可將它視為投資組合報酬的風險，要

注意的是即使報酬率遠高於平均數(即機率分佈函數中的期望值)，但仍遠偏離期

望報酬，該投資組合還是處於高風險的情況。在此一理論下，投資人有兩種方向

的投資策略，一為在一定的風險水準下追求極大報酬，二是在一定期望報酬下達

到風險極小化[Markowitz, 1952]。

而 Markowitz 的投資組合理論又分為兩個階段，第一階段是以技術分析預測

各種投資商品的未來獲利表現，第二階段是使用「預期報酬-預期報酬風險法則」

8
(E-V Rule)來評估各投資標的未來可能的報酬(即預期報酬)及風險(即預期報酬風

險法則)後，最後並決定如何選擇一個最適的投資組合。

因此，Markowitz 的投資理論帶給我們的貢獻有以下幾點：[余美惠，民 86]

1. 多角化投資雖可降低投資風險，但還需考慮投資組合裡，各商品間

的相關性，若各商品間有高度正相關，則多角化可能無法降低風險。

2. 期望報酬率-變異數原則(Expected Return-Variance Rule, E-V Rule)可

同時運用在多角化及非多角化的投資組合。

3. 應用定性及定量的觀念尋找出合適的平均數及變異數。

4. 投資人應將資金適度分配在各種商品上，以降低風險水準。

2.2.2. 效率前緣 (Efficient Frontier)

基於前述的基本投資組合原則，我們可以發現，最適投資組合選擇模式是效

率集合(The Efficent Set)。投資組合可視為 N 種投資商品的集合，若 N=3，投資

者可購買單一商品，亦可購買 3 種商品混合的組合。一旦商品選擇的數目增加

時，則投資的選擇就有許多種，投資人理論上應該對所有商品的組合做過評估後

才能決定要採用那一種投資組合，但是當投資組合的數量很多時，投資人事實上

是不可能做完所有投資組合的評估。因此我們可以選擇符合效率前緣的投資組合

的方式

符合效率集合的投資組合條件為：

1. 在固定風險下，可使報酬率達到最大者

或是

2. 在固定報酬率下，可使風險降到最低者

符合這些條件的投資組合的集合即稱為「效率集合」(Efficient Set)，或是「效

率前緣」(Efficeint Frontier)。而效率前緣的求解法有以下幾種：[侯佳利, 民 90]

1. 均異準則(Mean-Variance Criterion)

2. 微分法

9
3. 二次規劃法

4. 單一指標模式

以上四種為較常被廣泛討論的投資組合效率前緣求解法，但是要論使用那一種方

法均需投入大量的成本與時間做運算，而且多數只限於線性的求解模式。[侯佳

利，民 90]，因此本研究希望能利用基因演算法強大的最佳化搜尋能力，在求解

空間內選出最佳的台指選擇權投資組合及資金分配，以做為投資人在投資台指選

擇權市場的參考。

2.2.3. 財務方法在選擇權投資組合之相關研究

Booth 等使用 Stochastic Dominance Algorithm ，並結合統計學的評量準則建

構選擇權投資組合，由於選擇權的獨特屬性，使得我們投資人可以建立特殊的投

資組合，而這個投資組合擁有與常見的股票投資組合不同的報酬分佈，而這種特

殊報酬分佈的投資組合是不能被其它資產所複製的，在 Booth 的研究裡使用了各

種挑選投資組合的標準，例如均-半變異數(Mean-semivariance, ES)、交易均異準

則(Traditional mean-variance, EV)、均偏準則(Mean-skewness, ET)、隨機優勢準則

(Stochastic dominance, SD) 、無風險性資產隨機優勢準則 (Stochastic dominance

with a riskless asset, SDR)等，Booth 使用這些準則及統計方法中的隨機優勢演算

法(Sochastic Domainance Algorithm, SDA)挑選最有效率的投資組合，這些組合裡

的標的物可能包括債券、證券、保護性賣權等，並且將投資組合的績效表現與純

以 證 券 組 合 的 投 資 組 合 相 比 較 ， 研 究 結 果 發 現 [Booth, Tehranian and

Trennepohl,1985]：

1. 含選擇權的投資組合，表現優於純股票投資組合。

2. 在投資人的效用函數，SD 準則給予的限制較少，而且在評比含選擇權的

投資組合時，報酬分佈是一個合理的標準。另外，實證結果也顯示，SD

及 SDR 準則在挑選含選擇權的投資組合裡，是比較有效率的準則。

3. 與 SD 準則建立的投資組合相比，在 SDR 演算法中的無風險資產會顯著

10
 地減少效率前緣的集合。

Blomvall 等使用 Stochastic Programming，建構歐洲股市的指數買權投資組

合建構模型，本研究主要是針對 Markowitz 的均異模型中的缺點來探討，在

Markowitz 的投資組合模型中，資產報酬的報酬機率分佈始終維持不變，也因為

這個原因，在模型中資產的價格也不會隨著時間改變，然而現實交易中，市場存

在許多不完美的波動，例如交易成本及交易稅賦等，更進一步的去探討，

Markowitz 的模型中假設投資人只會追求最大報酬或是最小風險，但並沒有考慮

到 Fat Tails(Fama, 1965)和投資組合偏態係數等。為了要考慮到這些現實交易中的

隨機性，Blomvall 使用隨機規模方法，在這個模型中，他們於每日的開盤，以開

盤價買入，並以收盤價售出，投資標的則是端士大盤指數買權及無風險性資產，

藉由 10 年的週期來最佳化投資組合[Blomvall, 2003]，研究結果發現在大多數的

時間內，投資組合的年報酬率均能打敗大盤指數。

Papahristodolou 使用線性規劃方法建構歐式股票選擇權投資組合的最適避

險部位，並將 Black-Scholes 評價公式中的避險參數做為線性規劃的限制式，此

研究中認為現實交易情境中，所有選擇權的交易策略，如避險口數等，都是事先

決定，而且完全取決於投資人對於該股票的信心程度而定，然而在這篇研究中，

Papahristodolou 將 決 定 避 險 部 位 的 問 題 視 為 一 線 性 規 劃 求 解 問 題 ， 藉 由

Black-Scholes 定價公式中的避險參數，如 delta, gamma, theta, rho,及 kappa，當成

線性規劃模型中的限制式，藉由線性求解的方式選擇出最適避險部位的選擇權投

資組合。研究結果發現[Papahristodoulou, 2004]：

1. 考慮越少的避險因子越能增加選擇權投資組合的報酬，這可能是由於限

制式越多，投資組合中的部位越趨近保守的緣故。

2. 加入整數解限制會使得投資組合報酬顯著降低，這是由於線性規劃比較

適合非整數解的問題，然而選擇權交易不能容許非整數的口數。

3. 本研究的另一個限制是未考慮交易成本，如果考慮交易成本則會使得投

資組合績效大幅降低。

11
2.2.4. 基因演算法在選擇權投資組合之相關研究

Vacca 使用基因演算法動態調整投資組合裡現貨及選擇權的權重，由於

Black-Scholes 的選擇權評價公式認為，一個投資組合裡至少會包含賣出買權，和

買入現貨資產，藉此達成避險目的，如果此投資組合裡的避險比率持續調整至均

衡的狀態，那麼資產價格的敏感度，也就是 Delta 比率，將會等於零，但在現實

交易中，這種藉由 Delta 比率以達到避險目的的方法，並不是完美的避險策略，

因為市場中存在一些波動，這種波動來自交易成本，然而 Black-Scholes 公式並

未考慮此因子，因此 Delta 無風險投資組合的報酬分佈將會背離由 Black-Scholes

所產生的無風險投資組合報酬分佈，因此 Vacca 的研究主要是解決下列兩個問

題：

1. 為了降低投資組合的風險而持續調整的次數

2. 限制交易次數以最小化交易成本

在此研究中使用基因演算法，模擬現實交易市場中的行為，藉由歷史資料演化出

最適調整避險口教的時機，研究結果顯示[Vacca, 1997]：

1. 若是市場存在不完美的情況下，此方法將是一個有效的避險策略。

2. 此策略可以藉由考慮多個避險因子的方式，達到多目標決策的目的。

在余美惠的研究裡使用基因演算法及 13 種不同幣值的外匯選擇權，建構外

匯選擇權投資組合，該研究探討投資人在學習期時，考量期初資金限制及風險值

(Value at Risk, VaR)，藉由基因演算法建構投資報酬率最大組合的效度，並探討

不同訓練方法下，投資組合績效表現差異。該研究主要探討方向有三：

1. 探討在不同訓練方法及時點下，樣本期間內外績效之比較，檢測基因演

算法在不同時期，如多頭期或空頭期，是否有一致性，且優於無風險報

酬率的表現，在該研究還檢測了測試期的命中率(在訓練期間的績效為

正，在測試期間的績效也為正的機率)，訓練期和測試期的報酬率差異性

檢定，訓練期和測試期的報酬率與無風險性報酬率(在此是採用定期存款

12
 利率)的差異檢定。

2. 分析同一時點下，不同訓練方法在測試期的績效差異，對不同訓練方法

做成對平均數差異檢定，測試何種訓練方法能顯著地優於其他方法。

3. 探討測試期間，第一日及第二日的投資組合報酬率的比較，及測試期間

的風險值是否落在測試期所設定的上限內。

研究結果發現[余美惠，民 86]：

1. 平均而言，以基因演算法建構的選擇權投資組合均有一致性，且不論是

訓練期或測試期的平均報酬率均勝過無風險報酬率，四種測試方法中，

以八天為訓練期，兩天為測試期的訓練方法績效最佳，不論是訓練期或

測試期的平均投資組合都優於其他三種訓練方法。

2. 在 5% 的顯著水準下，統計檢定無法顯著證明訓練期優於無風險報酬

率，雖然統計顯著性不佳，但平均而言測試期的投資組合日報酬率已經

可以勝過無風險報酬率，因此根據大數法則，此模型較適合風險偏好程

度高，或總投資期間較長的投資人。[余美惠，民 86]

3. 無論任何時段下，測試期的命中率皆有 50%以上，表示根據訓練期所得

的資金權重套用在測試期上，其投資組合報酬率為正數的機率可達一半

以上，表示基因演算法的適用性尚佳。

4. 該研究在測試期的投資組合報酬率之統計檢定結果大多數均為不顯

著，可能是由於樣本數較少及使用內插法估計缺值的偏差所致，因為該

研究所選擇的樣本資料中，某些外匯選擇權有時是全日無交易，因此有

十餘個價格是由內插法估計而來，因此研究結果可能受到資料不完整的

影響。

在徐崇禮的研究中結合系統模擬和最佳化的方式，解決選擇權避險部位的問

題，該研究認為投資人大多憑藉本身的經驗，或是簡單的統計方法決定避險部

位，然而在真實的期貨交易中存在許多不確定的問題，使得僅單一利用統計方法

求得的結果並不是那麼的理想，因此在該研究中使用蒙地卡羅法模擬股票未來定

13
價及高度不確定性環境，再利用基因演算法找到最適避險口數[徐崇禮，民 90]。

研究結果發現

1. 由於到期現貨股票價格是一個不確定的連續隨機時間數列預測變

數，經由代入迴歸公式中得知反向操作選擇權避險的最佳口數與標

的股票購買張數並不一致，

2. 以股票選擇權來避險也有可能會發生比不避險時多損失全數或部分

權利金，但相對其獲利是無限的，因此對於投資人而言，避險的重

要性是不可忽視的。

14
3. 基因演算法

3.1. 基因演算法的簡介及特性

3.1.1. 基因演算法簡介

基因演算法是一種搜尋最佳解的演算法，係由 Holland 於 1975 年提出

[Holland, 1975]，其主要的原理來自於達爾文的物競天擇概念，模仿自然界中生

物演化的現象所發展而成[Goldberg, 1994]，在經過將近 30 年的發展後，早已被

用在許多領域中，如工程、科學及財務問題[Vacca, 1997; Grace2000; Chen, 1997]

求解上。

與一般傳統搜尋演算法相較，基因演算法具有強固性(Robustness)，傳統搜

尋演算法，例如以公式為基礎的演算法所能接受的問題特性必須是能夠微分或是

線性的，而基因演算法則無此限制，因此特別適合解決非線性的問題。

基因演算法係透過操作染色體的方式進行演化，將一個問題中，可能的可行

解編碼成染色體，隨後在一個族群(Population)中預先設定初始染色體，這些染色

體經由選擇、交配、突變等運算後，由適應函數計算出適應值，適應值高的染色

體代表較適應此環境，也就是越接近最佳解，因此存活下來，並保存至下一代，

隨後這些染色體再經由選擇、交配、突變的運算產生下一個族群，這種演化動作

會一直持續到結束條件成立為止，最後一代的染色體即為問題的最適解。Holland

於 1975 年提出基因演算法後描述了一個簡易的基因演算法，稱為 Simple Genetic

Algorithm(SGA)[Holland, 1975]。SGA 的大致架構如圖 3.1：

15
 Procedure SGA()
{
Initialization population
Evaluation population
While(!termination condition)
{
Selection
Crossover
Mutation
Evaluation
}
End While
Report the best solution found
}

圖 3-1 A simple genetic algorithm

3.1.2. 基因演算法的特性

基因演算法與傳統求解的方法有下列三項差異：

1. 避免落入區域最佳解：由於基因演算法的是由族群中的所有點開始搜尋，因

此可在搜尋空間中平行搜尋最佳解，避免落入區域最佳解的情形，而傳統求

解法則為單點搜尋法，只以點對點方式搜尋。

2. 隨機式(probabilistic transition)搜尋：基因演算法採用隨機的捜尋方式，而傳

統求解法則為確定性(deterministic)的搜尋(deterministic rules)。

3. 適應函數：基因演算法是以適應函數值優劣來作為判斷解答好壞的依據，並

非使用到其它延伸資訊或是額外的知識。

3.2. 基因演算法的基本運算
基 因 演 算 法 的 基 本 運 算 包 括 選 擇 (Selection) 、 交 配 (Crossover) 及 突 變

(Mutation) ，而在進行這些基本運算前，我們必須先針對問題將可能的解編碼

(Encoding)成染色體，設計問題的適應函數，設定初始族群等三項前置作業。下

列將針對這六項基本步驟依序說明。

16
3.2.1. 初始化(Initialization)

初始化的目的在於決定搜尋開始時染色體的基因，常用的初始化方法有均勻

法(Uniform)，高斯法(Gaussian)兩種。

z 均勻法(Uniform)：染色體中的基因係根據某個值域產生。

z 高斯(Gaussian)：染色體中的基因係根據給定的平均數及標準差，遵從高

斯分佈(Normal Distribution)而產生。

3.2.2. 編碼(Encoding)

編碼的用意在於將問題的可能解以染色體的型式表達在基因演算法中，因為

我們將問題的解比喻在自然界的生物，而生物的組成架構即為染色體，因此編碼

的設計就如同決定生物的染色體一樣重要。在進行編碼前必須先確定問題的搜尋

空間大小，最常用的編碼方式為二進位編碼(Binary coding)，即以 0 和 1 將問題

的解編成 n 個位元的字串，一個字串即代表一個染色體，每一個位元即代表一個

基因。除了二進位編碼外，基因演算法還可以接受以整數(Integer)、實數(Real)

及文字(Alphabet)的編碼方式。

3.2.3. 決定適應函數(Fitness Function)

由於染色體能否在下一代中繼續存活的關鍵在於對於環境(Fitness Function)

的適應能力，因此適應函數主要就是用來評估解的優劣，進而決定演化的方式，

使演化朝向適應函數值最大化(或最小化)的方向發展，所以適應函數的設計必須

視實際問題而定，例如在投資組合問題中，適應函數就可設計為報酬率、或是風

險值。

3.2.4. 選擇(Selection)

選擇(或複製)的目的，係模仿自然界中生物同性生殖的特性，將父代優良的

染色體完全保留至子代，此程序可以保留上一代優良的染色體，淘汱適應值低的

染色體，並產生新的族群(Population)，再繼續演化。選擇的機制有很多種，最常

17
被使用的方法為輪盤法(Roulette Wheel)，即將所有族群中的染色體依適應值的高

低排序，將適應值視為一虛擬的輪盤，適應值高的染色體佔輪盤的面積較大，選

取的方式如同旋轉輪盤一般，佔輪盤面積越大的染色體被選取到參與交配

(Crossover)機率也越高，此即為適者生存，不適者淘汰的精神所在。

3.2.5. 交配(Crossover)

對染色體進行交配的目的在於產生與父代不同基因的新子代，經由選擇

(Selection)後保留下來的父代，經過兩兩配對，重新組合基因後，會產生新的子

代(Offspring)，交配的方法為從父代的基因中隨機挑選數個交配點，將位於交配

點的基因互換後，即產生兩個新的染色體，稱為子代。不同的編碼會有不同的交

配方法，在此只列舉常見的二進位編碼的交配法：

z 單點交配(One-point crossover)：隨機挑選一個交配點，並以交配點為

準，將交配點之後的基因互換，產生子代。

z 雙點交配(Two-point crossover)：隨機挑選二個交配點，並將兩個交配點

之間的基因互換，產生子代。

z 多點交配(N-point crossover)：隨機挑選 N 個交配點，並比較各交配點間

的長度，將相同長度區段的基因互換，產生子代。

z 均勻交配(Uniform crossover)：染色體上的每個基因都視為交配點，並

隨機挑選需互換的基因，產生新子代。

z 算數交配(Arithmetic crossover)：藉由某些數學運算來產生新子代。

下列各圖代表各種交配法的圖示：

18
Parient1 交配點 Parient2 交配點

Offspring1

Offspring2

圖 3-2 單點交配示意圖

Parient1 交配點 Parient2 交配點

Offspring1

Offspring2

圖 3-3 雙點交配示意圖

19
 Parient1 交配點 Parient2 交配點

Offspring1

Offspring2

圖 3-4 均勻交配示意圖

在這些交配法中，最常見的是雙點交配。而不同的編碼方式均有其適用的交

配法，例如在解決排列問題中所使用的排列編碼(Permutation Encoding)，其交配

法 就 包 含 Order crossover(OX)[Davis, 1985] ， Partially mapped

crossover(PMX)[Goldberg, 1989]，Cycle crossover(CX)[Oliver, 1987]，Position based

crossover(POX)[Syswerda, 1991]。

3.2.6. 突變(Mutation)

突變的目的在於創造出父代中未出現的特徵，避免整個族群的搜尋空間落入區

域最佳解的情況，可減少發生過早收斂(Premature converge)的機會，突變的基本

概念是，將經由交配後產生的子代，根據事前設定的突變率，隨機決定染色體中

的突變點進行突變，其運作方式依編碼方式而不同，以最常見的二進位編碼方式

而言，突變就是對染色體中的位元做反相運算(Bit inversion)，將染色體中隨機選

取出的基因，從 0 變成 1，1 變成 0，另一種突變方式為重新初始化

(Re-initializatioin)，即於染色體中隨機選取出的基因重新指定特定值。

20
 突變前

突 變 點

突變後

圖 3-5 突變示意圖

3.2.7. 停止條件(Termination Condition)

基因演算法的執行過程是迴圈，因此必須設定一個停止條件，判斷演化過程

將繼續或是停止，常用的停止條件包括設定固定代數(fixed generations)，設定適

應值目標值(fitness target)，適應值收斂程度評估(fitness convergence)，多樣化收

斂評估(diversity convergence)。

z 設定固定代數(fixed generations)：基因演算法會演化至事先設定的代數

即停止。

z 設定適應值目標值(fitness target)：基因演算法會演化至適應值優於某一

給定的適應值為止。

z 適應值收斂程度評估(fitness convergence)：當演化至族群裡染色體的適

應值標準差均低於某一給定的適應值收斂程度時，表示族群中的染色體

均已收斂至某一程度，此時即停止演化。

z 多樣化收斂評估(diversity convergence)：類似於適應值收斂程度評估，

當族群中染色體的多樣性低於某一給定的多樣性收斂程度時，即停止演

化。

3.2.8. 控制參數(Control parameters)

為了最佳化基因演算法的搜尋效能，適當的參數設定是必要的，常設定的控

制參數有族群大小(Population size)，交配率(Crossover rate)，交配點數，選擇方

21
法(Selection)，及突變率(Mutation rate)等。

z 族群大小(Population size)：

族群大小指的是同一代族群中染色體的個數，族群的大小會影響搜尋的

效能與效果，如果族群設的較小，每一代訓練的時間也較少，但容易產生區

域最佳解的情況，使搜尋成效降低，若族群設的較大，計算成本也越高，雖

然搜尋的時間會增加，但較不容易落入區域最佳解的情況，因此在基因演算

法中，搜尋效能和效果間存在一取捨(Trade-off)的關係，而實際上族群大小

的設定，則須依照實際問題以及經驗法則，選擇一個適當的族群大小，才能

兼顧搜尋效能和效果。

z 交配率(Crossover rate)：

交配率指的是每一代演化中，染色體發生交配的機率，交配率設的越

高，交配會發生的越頻繁，搜尋的廣度也會增加；和族群大小類似，若交配

率設的太低，則容易落入區域最佳解，但若交配率設的太高，也可能讓優良

的基因消失，反而降低搜尋成效。舉例來說，若族群大小每一代中有 500

個染色體，而交配率設為 0.7，則表示每一代中有 350 個染色體需要發生交

配。

z 突變率(Mutation rate)：

突變率指的是每一代的染色體發生突變的機率，常用的突變方法是位元

反相運算，即將基因從 0 變為 1，1 變為 0，突變是一項非必要的運算，因

為突變很可能使好的基因遺失，因此一般而言，突變率發生的機率都遠低於

交配率。

如何設定適當的控制參數一直是個未確定的問題，截至目前為止尚未有一完

善的方法論，但有學者提出，研究者必須針對自己面對的問題，及實驗結果來適

當地調整控制參數[Mitchell, 1996]

22
3.3. 組合編碼基因演算法
本研究採用組合編碼基因演算法[侯佳利，民 90]，此種基因演算法適合解決

數學上組合問題，本研究將資金分配視為將 m 份資金投入 n 個資產，其中 m 為

整數，因此可以簡化為數學上的組合問題，適合採用此種編碼方式。

3.3.1. 編碼方式

組合編碼基因演算法和傳統基因演算法的主要差異是編碼方式的不同，組合

編碼基因演算法，是為了解決組合問題而存在，因此為了適應組合問題的特性，

組合編碼採二進位編碼，整個染色體由 0 與 1 組合，在本研究的實驗中，以 1

代表資金份數，0 代表投資標的，若有 m 份資金，則整個染色體中就有 m 個 1，

若有 n 個投資標的，則染色體就有 n 個 0，整個染色體的長度是資金份數以及投

資標的個數的加總，即(m+n)bits。舉例而言，若將全部資金平均分成 5 等份，則

資金份數有 5 份，另外，若投資標的有 3 個，則一個染色體中會由 5 個 1 和 3

個 0 組成，第 1 個 0 到第 2 個 0 之間的 1 的個數即為投資在第 1 個投資標的的資

金比重，第 2 個 0 到第 3 個 0 之間的 1 的個數即為投資在第 2 個投資標的的資金

比重，依此類推，第 n 個 0 到第 n+1 個 0 之間的 1 的個數即為投資在第 n 個投資

標的的資金份數，而位於染色體第 1 個 0 之前的 1 的個數即為現金保留數。一個

染色體總長度則為 5bits+3bits=8bits。

下面舉例說明染色體編碼方式：

例 1：若染色體為

0 1 1 0 1 0 1 1

則表示無保留現金數，投資在第 1 個標的資金為 2 份，投資在第 2 個標的的資金

為 1 份，投資在第三個標的資金為 2 份。

例 2：若染色體為

1 1 0 0 1 0 1 1

則表示保留 2 份現金，投資在第 1 個標的資金為 0 份，投資在第 2 個標的資金為

23
1 份，投資在第三個標的資金為 2 份。

3.3.2. 染色體初始化

由於組合編碼基因算法中的染色體 1 與 0 分別代表資金份數，及投資標的，

必須指定為固定數量，例如前節所述，50 份資金及 10 個投資標的，則一條染色

體中，需有 50 個 1 及 10 個 0 組成，因此在進行染色體的初始化時就和傳統的編

碼方式有些不同，主要的差異在於傳統的初始化是亂數產生 0 與 1 的個數，但是

在組合編碼中，除了亂數產生 0 與 1 之外，還要兼顧 0 與 1 的數目，以下是組合

編碼基因演算法的初始化演算法。

CBEInitBaseChromosome(s,f)
{
for(i=1 to s+f)
{
BaseChromosome[i]=0;
}
//產生 s 個 1
for(i=1 to s)
{
//if i=1 就重覆
while(BaseChromosome[RandFlag])
{
//產生 1~s+f 的整數亂數
RandFlag=Rand()MOD(s+f)
}
//指定為 1
BaseChromosome[RandFlag]=1;
}
}

圖 3-6 組合編碼初始化演算法

如演算法所示，先將 Chromosome 以 0 填滿，再以亂數挑選 1 的位置，假如

選中的位置已經是 1，則再挑選一次，如此可以保證 0 和 1 的個數是正確的，又

可以使 0 與 1 的位置維持一定的隨機性。

24
3.3.3. 交配方式

與傳統的兩點式交配法不同的地方是，兩點式交配是隨機產生交配的起始點

與結束點，然後交換 2 點之間的基因，但是在組合編碼基因演算法中，0 與 1 的

數量必須保持不變，因此就必須針對傳統的兩點式交配進行調整，調整的方法為

隨機挑選兩個交配點，但在交配前必須先檢查兩條染色體間，位於交換區段裡的

0 與 1 數目是否相同，若是相同則進行交換，若不同，則讓結束點前進一個位元，

直到兩個交換區段中的 0 與 1 個數相同為止，再進行交換。若一直找不到相同數

量的 0 與 1 個數，則不進行交換，此時直接以父代的兩組染色體，直接複製成為

子代的染色體。突變演算法如下圖所示：

CBECrossover(C1,C2,start,end)
{
While(!相同數量的 0 與 1)
{
end=end+1;
}
for(i=start to end)
{
SWAP(C1[i],C2[i])
}
}

圖 3-7 組合編碼交配演算法

3.3.4. 突變方式

和交配類似，在組合編碼基因演算法進行突變時，必須考慮 0 與 1 的數量，

如果反相運算到任何一個位元，則很可能改變原本 0 與 1 的數量，破壞染色體的

一致性，因此在這裡的突變，是直接與自己染色體中的基因做隨機交換，以亂數

產生兩個突變點，並且將其值互換，如此可以保有原來 0 與 1 的數目，又可以達

成使染色體產生新特徵的目的。下圖為突變的演算法：

25
 CBEMutation(C1,s1,s2)
{
Temp=C1[s1];
C1[s1]=C1[s2];
C2[s2]=Temp;
}

圖 3-8 組合編碼突變演算法

以上三個基本運算雖然經過修改，但仍保持基因演算法中，初始化族群，交

配，突變的基本精神，也兼顧了組合基因編碼演算法的特性。

26
4. 研究方法

4.1. 選擇權資料處理
由於選擇權的生命週期相當短暫，因此在選擇權歷史交易資料的處理方面，

就無法使用和證券一樣的方式，直接擷取該選擇權的歷史資料，為了要讓基因演

算法取得足夠的歷史資料進行演化和訓練，必須要有特殊的選擇權歷史資料處理

方法，使每個月不同的選擇權交易資料組合起來，並且讓它們看起來就像是同一

選擇權的歷史交易資料一樣。這是因為在證券的歷史交易資料中，每個月的交易

資料都是出自於同一證券，假設市場中存在非效率的現象，則訓練期資料和測試

期資料間(以本研究而言，是擷取月報酬，因此是月與月之間)是存在某一種關連

性的，這樣才能用基因演算法找出未來的投資規則。以下的例子說明在本研究

中，選擇權資料處理方法的必要性。例如，假如基因演算法需要 6 個月的交易資

料進行訓練學習，如果標的物是證券，那麼只需要擷取該證券前 6 個月的交易資

料即可，但是假如標的物是選擇權，該選擇權在 6 個月前可能根本就還不存在，

或是即使 6 個月前就存在了，但是在當時該契約屬於遠月契約，而選擇權市場交

易的量能大多集中在近月契約，也就是快到期的選擇權才會有比較多人進行交

易，在 6 個月前選擇權契約剛存在時，是沒有什麼人進行交易的，如此將會發生

許多當日交易量為零的紀錄，不利於基因演算法的學習機制，因此，如何找到一

個有效的選擇權資料處理方法，也就是讓訓練期資料和測試期資料擁有一定的關

連性，是本研究的另一個研究重點。事實上，各種不同的資料處理方法對於實驗

績效均有不同程度的影響，本節將就本研究中所發展的各種選擇權資料處理方法

做說明。

4.1.1. 影響選擇權價格的因子

在前節有提到，選擇權資料處理的重點，是要找到使訓練期資料和測試期資

27
料具有相關性的方法，而根據 Black-Scholes 的歐式買權訂價公式，影響選擇權

價格的因素有，標的物價格，履約價，到期期間，利率水準，標的物價格波動率

[Black, 1973]，分述如下：

z 標的物價格：當標的物價格越高，以本研究而言，即台指指數越高，則表示

買權由價外變為價內的機率越高，執行買權所獲得的利潤也越大，因此買權

價格會上升，而賣權則剛好相反，當台指指數上升時，賣權由價內變為價外

的機率也變高，執行賣權將變得無利可圖，因此賣權價格會下降。

z 履約價：履約價越高，表示買權成於價內的機率越低，因此買權價格會較低，

反之，賣權將越有可能成為價內，因此賣權價格會升高。

z 到期期間：當到期期間越長，標的物發生價格波動的機會越高，表示無論是

買權或賣權，都有可能會成為價內，因此買權和賣權的價格都會升高

z 利率水準：利率代表資金的機會成本，當利率越高時，履約價格的現值將會

減少，執行買權所獲得的利潤就會越大，因此買權價格會升高，但執行賣權

的利潤卻越低，因此賣權價格會下降。

z 標的物價格波動率：當標的物的價格波動越大，發生大漲或大跌的機會就會

增加，因此買權和賣權價格都越高。

以下是選擇權價格因子與買賣權價格的關係整理表。

表 4-1 選擇權價格因子與選擇權權利金關係表

影響因子 買權價格(權利金) 賣權價格(權利金)

標的物價格 正向 反向

履約價格 反向 正向

到期期間 正向 正向

利率水準 正向 反向

標的物價格波動率 正向 正向

因為利率水準一般變動都不大，因此在本研究中使用標的物價格及價格波動

28
率兩種因子，來做為資料處理的選擇條件。以下各節將就三種不同的資料處理方

法做一簡介。

4.1.2. 相對指數法

由第 2 章的台指選擇權契約規格可以發現，台指選擇權的生命週期從契約發

行日起算至契約到期，中間的期間最短一個月，至長也不過八個月(自交易當月

起連續三個月份，另加上三月、六月、九月、十二月中二個接續的季月，總共有

五個月份的契約在市場交易)，且由於距離到期日越長的選擇權，時間價值越大，

因此價格也越高，觀察選擇權交易市場，多數量能也都是集中在近月契約，因此

可以發現選擇權的生命週期相當的短暫，而交易量又大多集在近月契約中，在這

種情況下，若要收集某一選擇權的歷史交易資料，在距離到期日越遠的月份，必

會產生許多當日交易量為零的資料，不利於基因演算法的學習機制。因此本研究

嘗試使用各種歷史資料收集方法，使訓練期的歷史資料和測試期的歷史資料能夠

保有關連性。

為了避免發生上述交易量為零的情況，本研究將相對於月初大盤指數差距相

等的選擇權視為相同的商品，這麼做的原因是這些不同月份間，與月初現貨指數

差距相同的選擇權的交易走勢可能相似，因此可將它們視為同一個商品。

如圖 4-1 所示，在 12 月 1 日時，大盤指數為 6000 點，12 月的標的買權為 1

月到期 5900 買權，與 12 月 1 日的大盤指數差距為-100 點，及 1 個月的到期期間，

而 11 月的歷史交易資料則視當月大盤指數而定，同樣取差距為-100 及到期期間

1 個月的買權，以 11 月 1 日大盤指數為 5800 點為例，選取的買權即為 5800-100，

11 月+1 個月=12 月到期 5700 買權，以此類推，可一直串接歷史資料至 9 月 1 日，

或是更早。

另一方面，傳統資料的取法則和相對指數法有所不同，以 12 月 1 日指數為

6000 點來說，若標的買權為 1 月到期 6500 買權，它與 12 月 1 日大盤指數為+500

點及 1 個月到期期間，11 月的歷史交易資料同樣為 1 月到期 6500 買權，此時差

29
距為+700 點及到期期間為 2 個月，此種傳統方式和相對指數法的不同點在於，

在 11 月時或更早前，1 月到期 6500 買權不一定有交易資料，使用相對指數法則

一定會有交易資料，而且能夠確保每個月的商品走勢會較為類似。

12月1日指數:6000 11月1日指數:5800 10月1日指數:5700 9月1日指數:6200

差距:-100 +1個月 差距:-100 +1個月 差距:-100 +1個月 差距:-100 +1個月

相對資料: 1月5900買權 12月5700買權 11月5600買權 10月6100買權

差距:500 +1個月 差距:700 +2個月 差距:800 +3個月 差距:300 +4個月

絕對資料: 1月6500買權 1月6500買權 1月6500買權 1月6500買權

標的買權 歷史資料 歷史資料 歷史資料

圖 4-1 相對指數法示意圖

採用此種歷史資料串接方式的優點為，歷史交易資料的選擇相當有彈性，突

破選擇權生命週期短的限制，資料可一直串接至台灣選擇權市場開始掛牌交易當

天。

4.1.3. 隱含波動率法

本研究所使用的另一種資料處理法是以選擇權的隱含波動率來對每一選擇

權進行排序，而針對排序的方式又可以分為昇冪及降冪排序兩種，因此在這部分

又可細分為隱含波動率法昇冪排序，及隱含波動率法降冪排序兩種資料處理法。

以下先簡介選擇權的隱含波動率。

隱含波動率為利用 Black-Scholes 公式反推出隱含在選擇權市價中的年波動

率，代表投資人對標的股價未來波動性之預期，可用以評估選擇權價格之合理

性，隱含波動性計算較複雜，一般採用方式為利用 Newton-Raphson 逼近法：

步驟如下：

1. 計算 σ 初值： σ = ln( S / K ) + π × 2 / τ

其中 S 為標的證券價格，K 為履約價，r 為無風險利率， 為剩餘年數

30
2. 重覆計算 σ，當結算價與理論價差異在 0.5 點以內即收斂，若未收斂，則重覆

計算 volatility
f (σ ( j )) − 結算價
σ ( j + 1) = σ ( j ) −
f ' (σ )
其中 f (σ ( j )) 為 用 此 階 段 σ 計 算 而 得 的 理 論 價 ， f ' (σ ( j )) 為
1 2
S τ× × e − Z _ d1 /2

2π
如圖 4-2 所示，以隱含波動率法來串接資料的方法為，首先依照測試期的前

十大(或前十小)隱含波動率的買權，決定交易標的，再往前取三個月，每個月的

前十大(或前十小)隱含波動率買權的資料即為相對應的交易標的歷史資料。例如

在 2004 年 12 月隱含波動率最大(或最小)的買權為 2004 年 12 月到期，履約價為

5400 的買權，隱含波動率為 0.30，該買權上一個月的歷史資料為 2004 年 11 月，

隱含波動率最大(或最小)的買權，假設此買權為 2004 年 11 月到期，履約價為 5600

的買權，隱含波動率為 0.27，則 2004 年 12 月到期，履約價為 5400 的買權的 11

月歷史交易資料即為 2004 年 11 月到期，履約價為 5600 的買權，以此類推，可

以一直串接該標的買權的歷史資料至 9 月或是更早。

圖 4-2 隱含波動率法示意圖

4.1.4. 理論價差法

本研究所使用的第三種選擇權資料處理法為利用選擇權的實際價格(權利金)

與理論價格(以 Black-Scholes 公式計算出來之價格)之間的價差進行排序，如果選

擇權的實際價格和理論價格之間的價差大於零，則表示實際價格超過理論價格，

31
選擇權價值被高估，反之，兩者的價差小於零，則表示理論價格超過實際價格，

選擇權的價值實際上是被低估的。

和隱含波動率排序法類似，實際價格與理論價格價差也可以分為昇冪排序及

降冪排序兩種，若再細分下去，實際與理論價格價差的部分可以再分為價差是正

的及價差是負的兩種情況，因此總共有六種資料排序法。

如圖 4-3 所示，以實際與理論價格價差排序的進行資料處理的方法為，首先

依照測試期的前十大(或前十小)實際與理論價格價差的買權，決定交易標的，再

往前取三個月，每個月的前十大實際與理論價格價差前十大(或前十小)的買權即

為相對應的買權歷史交易資料。例如在 2004 年 12 月，實際價格與理論價格價差

最大(或最小)的買權為 2004 年 12 月到期，履約價為 6100 元的買權，價差為+400，

2004 年 11 月，實際價格與理論價格價差最大(或最小)的買權為 11 月到期，履約

價為 5500 的買權，價差為+100，因此 2004 年 12 月到期，履約價為 6100 的標的

買權，在 11 月的歷史資料為，11 月到期，履約價為 5500 元的買權，依此類推，

再往上取二個月，即為該買權完整的三個月歷史交易資料。

圖 4-3 理論價差法示意圖

4.2. 選擇權報酬率計算

4.2.1. 買入選擇權的報酬

買權的特色是付出權利金，獲得買進標的物的權利，它的報酬率算法可由下

式表示：

32
 Ps ,m − Ps ,m−1
rs ,m =
Ps ,m−1
如上式所示， Ps,m 為該買權在該月底的收盤價，Ps,m-1 為該買權在該月初的

開盤價，rs,m 為買入選擇權 s 在第 m 月的報酬率，此為該買權的在該月的原始報

酬率，在乘於資金分配比例後，該買權的報酬率計算方式為：

R s, m = (rs, m − 0.003)× Fs
其中，Fs 為該買權的資金分配比例，0.003 為交易成本。

4.3. 交易策略
圖 4-4 為本研究的投資組合交易策略示意圖，針對每個月的資料，計算該月

投資組合報酬率，第一個迴圈為每個月份，代表每個月份需計算一次投資組合報

酬率，由於每個投資組合有 10 檔選擇權，因此在第二個迴圈即為計算單一選擇

權在該月的報酬，在此我們將兩種情況的交易排除，一是資金分配比重為零的狀

況，若資金分配比重為零，表示該選擇權在該月不進行交易，因此需將此情況排

除，第二個情況是標的物為現金的狀況，因為本研究允許投資組合保有現金部

位，因此若該標的物為現金，則不用進行交易。排除掉上述兩種情況的選擇權，

即為真正要進行交易的標的物，該選擇權在該月的報酬率為該選擇權本身的報酬

率減去交易成本千分之三，再乘上資金分配比例，將 10 個選擇權報酬計算完畢

後，再將它加總，即為該投資組合在該月的總報酬率，再將它除以月數，即可得

到該期間的投資組合平均報酬率。

33
 Procedure 策略執行(){
for(每月交易資料){
for(每一選擇權){
if(資金分配比重!=0 & 標的物!=現金){
該選擇權的報酬=(選擇權報酬率-0.003)*資金分配比例
}
}

投資組合報酬= ∑ (選擇權報酬率 − 0.003) × 資金分配比例 / 月數

}
}

圖 4-4 交易策略

其中，0.003 為選擇權交易的交易成本，選擇權交易的交易稅和手續費均為

雙邊收費，因此買入一選擇權到賣出一選擇權總共會收取二次的交易稅和手續

費，選選擇權交易稅為 0.00125，手續費則由 66 元至 100 元都有，為了簡化計算

我們將總共的交易成本設定為 0.003。

4.4. 適應函數設計
本研究的適應函數設計如下：
n 10
Fitness Function = ∑∑ R s, m × Fs
m =1 s = 0

其中 n 代表訓練期總長度，即以過去幾個月的長度來學習資金分配比重，m

代表訓練期編號，在本研究中，訓練期為一到三個月，s 代表投資標的序號，在

本研究中為台指選擇權， Rs ,m 代表第 s 個投資標的在第 m 個月的投資報酬率， Fs

則為第 m 個投資標的的資金分配比重。

34
5. 實驗設計及結果

本研究以 2003 年至 2004 年的台灣選擇權交易市場公開發行的台指選擇權為

投資標的，再以組合編碼基因演算法進行投資組合的資金分配策略學習，以驗證

組合編碼基因演算法的績效。

5.1. 實驗設計及資料來源

5.1.1. 系統軟硬體設備

本研究之程式開發及實驗進行之軟硬體環境說明如下：

(一) 軟硬體設備

z 電腦類型：IBM PC Compatible

z 中央處理器：AMD Athlon-XP 2500+, 1.88GHz

z 記憶體容量：512MB

z 作業系統：Microsoft Windows XP Professional

z 資料庫：Microsoft SQL Server 2000

z C++編譯器：Borland C++ Builder 5.0

z 實驗報表整理：Microsoft Excel XP

z GA 函式庫：SUGAL 2.1

(二) SUGAL 函式庫說明

本實驗所使用的基因演算法函式庫是由英國 University of Durham 的 Andrew

Hunter 教 授 所 發 展 的 一 套 基 因 演 算 法 函 式 庫 ， SUGAL(Sunderland Genetic

Algorithm)。此函式庫係用 ANSI C 所撰寫，適用於各種平台。並且提供大量的

基因演算法相關函式，可讓使用者自行決定基因演算法的各項參數，包括交配

方式，選擇方式，代數，族群大小等，具有高度的彈性(Hunter, 1995a,b)。SUGAL

具有以下的特性：

35
z 以標準 ANSI C 所撰寫，有相當高的可攜性。

z 支援多種資料型態，如字元，整數，實驗及混合型資料型態。

z 使用多階層架構，可自由更動基因演算法的執行過程。

z 可依問題的不同，由使用者自訂額外的系統參數。

5.1.2. 資料來源

本實驗所使用的資料來源為「台灣經濟新報財經資料庫」之台灣選擇權交易

市場交易日資料，使用之資料期間為 2003 年 1 月至 2004 年 12 月。

5.1.3. 實驗流程

10檔台指選擇權 選股方式 擇時方式 買入持有一個月

1. 相對指數法
2. 隱含波動率法 資料前處理
3. 理論價差法
歷史資料

GA
染色體族群
資金分配策略

投資組合及資金配置 演化

投資組合績效評估 Fitness評估

GA建議之資金策略

執行資金策略

圖 5-1 實驗流程

如圖 5-1 所示，實驗的流程是先決定投資標的(選股方式)以及買入的時點(擇

時方式)，在本研究中，投資標的的選擇方法是，依照本研究的三種資料處理法，

36
分別選取前月底的十個台指選擇權當成投資標的，而擇時方式則是固定由月初買

入，於月底賣出，由於在本研究中將月初定義為每月的選擇權到期日後一日，而

將月底定義為每月的選擇權到期日，在選擇權交易中，履約日是到期日後一日的

開市後十五分鐘，因此不會產生履約的問題，也簡化了交易策略。由於要進行基

因演算法的訓練學習，因此每月選出的十種台指選擇權的排列順序，必須依照「選

股方式」選出的順序來排定，再依續對應到 10 個 0。所以每個月「選股方式」

選出的台指選擇權是不同的，但依「選股方式」的評比角度而言，其排序還是依

照同樣的排法，因此還是維持固定不變。

經由選股方式及擇時方式選出投資標的及買賣時點後，接下來就是依照前面

所述的三種資料串接法，分別來進行資料前處理的步驟，經處理過後的歷史資料

就可以用組合編碼基因演算法來進行演化學習，經由前面章節的交易策略及評估

函數決定演化方向，演化數百代後會產生基因演算法所建議的資金分配策略，之

後再將這些資金分配策略實際應用到測試期的資料，以驗證組合編碼基因演算法

的績效。

5.1.4. 實驗參數

本研究的實驗關於 GA 的參數設定為：

z Population：演算法的初始族群為 200 個染色體。

z Generation：演化代數為 500 代。

z Crossover Rate：1

z Mutation Rate：0.01

z 染色體長度：由於資金份數設定為 50 份，投資標的為 10 個，因此一個染色

體的長度為 60bits。

z 學習期：一至三個月。

z 測試期：一個月。

37
5.2. 實驗 1 相對指數法

5.2.1. 實驗目的及說明

本實驗的目的是要觀察使用，相對指數法所串接的資料，GA 所產生的投資

組合資金分配策略，是否優於平均分配資金策略。

本實驗所選取的投資標的是台指買權，測試期標的物選取的方式為於選取每

月底以大盤指數為準，上下五個價內及價外買權，訓練期的資料則使用與月初大

盤指數差距相等法，串接該標的物的歷史交易資料，在本實驗中，訓練期的歷史

資料最長為三個月。挑選上下五個價內及價外的買權為測試期標的物的用意為，

由於大盤時有波動，在波動大時很有可能在一個月內由價外(價內)會變為價內(價

外)，因此選取價平的上下五個價內及價外買權，可以兼顧波動大的時期，增加

獲利的時機。在擇時方式上，採用買入持有一個月的方式計算該月的投資報酬

率，在訓練期及測試期都是使用相同的擇時策略。

5.2.2. 實驗 1 結果

在本實驗中總共進行了 1-3 個不同訓練月數的實驗，並在實驗的最後以平均

分配資金策略與基因演算法所產生的資金分配策略比較。在每月底挑選出上下五

個買權後，再經由相對指數法，串接該月份起前三個月的歷史資料，因此每個標

的物都會有它自己的一組歷史資料，之後再使用組合編碼基因演算法進行演化計

算，以決定出測試期的最佳資金分配比重。下表即為測試完 2003 年至 2004 年後

的實驗結果總表，詳細的實驗結果可參照附錄 B-1，表 5-1 的訓練月數列為訓練

月數為 1 個月至 3 個月的實驗，平均分配表示該欄使用平均分配資金策略，2 年

平均報酬率為將各組實驗的 24 個月報酬率加總取平均，若報酬率是以粗體字呈

現，則表示該組實驗在平均報酬率上勝過平均分配資金。

38
 表 5-1 實驗 1 報酬率結果總表

2003-2004 年實驗數據

訓練月數 1 2 3 平均分配

2 年平均報酬率 53.67% -4.69% -22.58% 33.11%

5.2.3. 實驗 1 之 GA 策略與平均分配資金策略 T 檢定

為了驗證 GA 資金分配策略是否在統計上顯著優於平均分配資金策略，我們

設計了一組假設檢定，本組檢定使用成對 T 檢定(Paired Sample T Test)，在顯著

水準 5%之下，對不同訓練期月數的 GA 資金策略及平均分配資金策略所產生的

測試期報酬率，所做的差異性檢定，表格中訓練月數列為訓練月數為 1 至 3 個月

的實驗，假設檢定列為該次檢定使用的假設檢定設計，p-value 則是檢定的機率

值，若 p-value 小於 0.025 的顯著水準，則表示該次檢定結果為拒絕 H0 假設，粗

體字表示的部分為較接近顯著水準的檢定值，檢定結果顯示，無論是那一種訓練

期長的 GA 資金分配策略均無法顯著的證明優於或劣於平均分配資金策略，本組

檢定所設計的假設檢定及檢定結果如下：
H 0 : µ1 ≤ µ 2 µ1為GA資金策略，訓練 月數為1到3的測試期報酬率
H 1 : µ1 > µ 2 µ 2 為平均分配資金的測試期報酬率
表 5-2 實驗 1 之 T 檢定結果

2003-2004 年檢定結果

訓練月數 1 2 3

假設檢定 H0: µ1<=µ2 H0: µ1<=µ2 H0: µ1<=µ2

H1: µ1>µ2 H1: µ1>µ2 H1: µ1>µ2

p-value 0.26 0.14 0.12

„ µ1:訓練月數=n 的 GA 策略報酬率

„ µ2:平均分配資金策略報酬率

39
5.2.4. 實驗 1 小結及討論

本實驗以過去 n 個月的學習，來預測試下一個月的資金分配比重，因此以測

試期為 1 個月來看的話，即為以 1 個月來學習，並在下個月買入持有一個月測試

績效，以此類推，測試期為 3 個月即為過去 3 個月來學習，並在下個月買入持有

一個月測試績效。而由表 5-1 可以看出，以 1 個月來進行訓練學習的產生之資金

分配策略，在 2 年平均月報酬率上而言是優於平均分配資金策略的，然而若進行

統計檢定則發現，三種訓練月數的 GA 資金策略的檢定值均大於 0.025，因此就

統計學上的意義來看，這代表本組實驗無顯著證據證明，組合編碼基因演算法的

資金策略明顯優於平均分配資金策略。

本實驗觀察到的另一個現象為，若當月大盤指數波動大時，選擇權市場的月

初及月底價格會產生較大的落差，由於買權為看漲未來大盤，因此若該月大盤多

為下跌時，買權的價值會急速減少，價格也會下降，但若當月大盤多為上漲時，

買權的價格並未跟著上漲，因此本實驗觀察到的買權的特性為，當大盤下跌時，

價格會跟著下跌，但上漲時，卻未必有同樣的漲勢。

雖然統計顯著性不佳，但是平均而言，組合編碼基因演算法所產生的資金分

配策略，在 1 個月訓練期的測試期報酬率還是優於平均分配資金策略，因此若是

將投資期間延長，儘管投資期間報酬率有負有正，但就平均而言還是能獲得比平

均分配資金更高的報酬率。

5.3. 實驗 2 隱含波動率法

5.3.1. 實驗目的及說明

本實驗的目的在於測試以選擇權之隱含波動率進行昇冪或降冪排序的資料

處理法之效能，測試期選取之標的物為在每個月選取隱含波動率前十大之買權，

訓練期資料則以隱含波動率排序資料處理法，串接該買權的歷史交易資料，而依

據隱含波動率的降冪或昇冪排序，本實驗又可細分為實驗 2-1，將隱含波動率降

冪排序和實驗 2-2，將隱含波動率昇冪排序兩組。

40
5.3.2. 實驗 2-1 隱含波動率法降冪排序

本實驗由 2 個子實驗所組成，表 5-3 為實驗 2-1，以隱含波動率法降冪排序

的結果，表 5-4 為實驗 2-2，以隱含波動率法昇冪排序的結果。在本實驗中總共

進行了 1-3 個不同訓練月數的實驗，並在實驗的最後與平均分配資金策略與基因

演算法所產生的資金分配策略比較。在每月底挑選出隱含波動率前十大買權後，

再經由隱含波動率排序法，串接該買權前三個月的歷史資料，因此每個標的物都

會有它自己的一組歷史資料，之後再使用組合編碼基因演算法進行演化計算，以

決定出測試期的最佳資金分配比重。下表即為測試完 2003 年至 2004 年後的實驗

結果，表 5-3 的訓練月數列為訓練月數為 1 個月至 3 個月的實驗，平均分配表示

該欄使用平均分配資金策略，2 年平均報酬率為將各組實驗的 24 個月報酬率加

總取平均，若報酬率是以粗體字呈現，則表示該組實驗在平均報酬率上勝過平均

分配資金。

表 5-3 實驗 2-1 報酬率結果總表

2003-2004 年實驗數據

訓練月數 1 2 3 平均分配

2 年平均報酬率 51.71% 4.31% -0.07% 1.59%

5.3.3. 實驗 2-1 之 GA 資金策略與平均分配資金策略 T 檢定

為了檢驗本組實驗的結果是否優於平均分配資金策略，我們同樣使用了三組

T 檢定，在 5%的顯著水準下，對不同訓練期月數的 GA 資金策略及平均分配資

金策略所產生的測試期報酬率，所做的差異性檢定，表 5-4 為實驗 2-1 的檢定結

果，表格中訓練月數列為訓練月數為 1 至 3 個月的實驗，假設檢定列為該次檢定

使用的假設檢定設計，p-value 則是檢定的機率值，若 p-value 小於 0.025 的顯著

水準，則表示該次檢定結果為拒絕 H0 假設，粗體字表示的部分為較接近顯著水

準的檢定值，另外，本組實驗的假設檢定設計如下：

41
 H 0 : µ1 ≤ µ 2 µ1為GA資金策略，訓練 月數為1到3的測試期報酬率
H 1 : µ1 > µ 2 µ 2 為平均分配資金的測試期報酬率
表 5-4 實驗 2-1 之 T 檢定結果

2003-2004 年檢定結果

訓練月數 1 2 3

假設檢定 H0: µ1<=µ2 H0: µ1<=µ2 H0: µ1<=µ2

H1: µ1>µ2 H1: µ1>µ2 H1: µ1>µ2

p-value 0.17 0.43 0.43

5.3.4. 實驗 2-2 隱含波動率法昇冪排序

在本實驗中一樣進行了 1-3 個不同訓練月數的實驗，並在實驗的最後與平均

分配資金策略與基因演算法所產生的資金分配策略比較。投資標的及歷史資料挑

選方式為在每月底挑選出隱含波動率前十小買權(隱含波動率昇冪排序)後，再經

由隱含波動率排序資料處理法，串接該買權前三個月的歷史資料，之後再使用組

合編碼基因演算法進行演化計算，以決定出測試期的最佳資金分配比重。下表即

為本實驗測試完 2003 年至 2004 年後的實驗結果，表 5-5 的訓練月數列為訓練月

數為 1 個月至 3 個月的實驗，平均分配表示該欄使用平均分配資金策略，2 年平

均報酬率為將各組實驗的 24 個月報酬率加總取平均，若報酬率是以粗體字呈

現，則表示該組實驗在平均報酬率上勝過平均分配資金。

表 5-5 實驗 2-2 報酬率結果總表

2003-2004 年實驗數據

訓練月數 1 2 3 平均分配

2 年平均報酬率 6.53% -7.70% 30.40% 22.08%

5.3.5. 實驗 2-2 之 GA 資金策略與平均分配資金策略 T 檢定

為了檢驗本組實驗的結果是否優於平均分配資金策略，我們同樣使用了三組

T 檢定，在 5%的顯著水準下，對不同訓練期月數的 GA 資金策略及平均分配資

42
金策略所產生的測試期報酬率，所做的差異性檢定，本次的假設檢定設計如下：
H 0 : µ1 ≤ µ 2 µ1為GA資金策略，訓練 月數為1到3的測試期報酬率
H 1 : µ1 > µ 2 µ 2 為平均分配資金的測試期報酬率
表 5-6 實驗 2-2 之 T 檢定結果

2003-2004 年檢定結果

訓練月數 1 2 3

假設檢定 H0: µ1<=µ2 H0: µ1<=µ2 H0: µ1<=µ2

H1: µ1>µ2 H1: µ1>µ2 H1: µ1>µ2

p-value 0.24 0.12 0.16

5.3.6. 實驗 2 小結及討論

在表 5-3 的結果中，可以發現，實驗 2-1，以隱含波動法降冪排序的實驗中，

訓練月數為 1 及 2 個月的報酬率均優於平均分配資金策略 1.96%，分別為 51.71%

和 4.31%，但在表 5-4 的統計結果上卻無法說明 GA 資金策略的確顯著優於平均

分配資金策略，但平均來看，有 2 組實驗的報酬率優於平均分配資金策略報酬率。

而在表 5-5 的結果中，實驗 2-2，以隱含波動率法昇冪排序的所有實驗中，

平均報酬率多數都劣於平均分配資金策略的報酬率 22.08%，只有訓練月數為 3

個月的報酬率能勝過平均分配資金策略，它們的報酬率分別為 6.53%，-7.70%及

30.40%，而在表 5-6，實驗 2-2 T 檢定結果中，三種訓練月數的報酬率均劣於平

均分配資金策略的報酬率，顯示以隱含波動率法昇冪排序，對於 GA 學習成效並

無顯著幫助，而且報酬率也無法打敗平均分配資金策略。

隱含波動率為利用市場上最新的選擇權交易市價求得，反映出市場參與者對

未來選擇權價格波動性的預期，若選擇權價格上漲，則選擇權的隱含波動率會上

昇，同時也表示投資者對選擇權的時間價值增加，因而願意付出較高的價格購買

選擇權，此情形在價外的選擇權特別常見，因此微笑波動理論即在說明此一現

象，說明投資者對後市的看法出現分歧，因而願意付出較高的價格購買價外的選

擇權，然而價外的選擇權雖然獲利高，但一旦市場走向和原先預期不同，則損失

43
風險也較高。在實驗 2-1，以隱含波動率法降冪排序的結果中，由於選取到的買

權均屬高風險的標的物，因此時有大漲或大跌的情形發生，因此以這種資料處理

的方式所選取出的歷史資料及投資標的，其風險相對於實驗 2-2，以隱含波動率

法昇冪排序，是較大的，然而在實驗 2-2 的結果中，則發現雖然風險降低，但同

時也降低獲利的機會，因此在報酬率上的表現也較差。

5.4. 實驗 3 理論價差法

5.4.1. 實驗目的及說明

本實驗目的在於以選擇權的實際價格和理論價格的差距大小來排序，觀察此

法是否能對 GA 之學習成效具有幫助，和實驗二，隱含波動率法相同，依價差的

排序方向可以有昇冪排序和降冪排序兩種，因此可以細分為實驗 3-1，將價差降

冪排序和 3-2，將價差昇冪排序兩個實驗，而每個實驗又可細分為不分價差大小，

價差為正以或價差為負的子實驗，因此在實驗三中，總共會有 4 組實驗進行。

5.4.2. 實驗 3-1 理論價差法降冪排序

本節將會有 2 組子實驗的結果，分別是實驗 3-1-A，不分價差為正或負的買

權進行降冪排序，以及實驗 3-1-B，只取價差為負的買權降冪排序。表 5-7 為實

驗 3-1-A，價差為正或負的買權部分降冪排序的 2 年平均月報酬率結果，表 5-8

則為實驗 3-1-B，價差為負的買權部分降冪排序的結果。表 5-7 及 5-8 的訓練月

數列為訓練月數為 1 個月至 3 個月的實驗，平均分配表示該欄使用平均分配資金

策略，2 年平均報酬率為將各組實驗的 24 個月報酬率加總取平均，若報酬率是

以粗體字呈現，則表示該組實驗在平均報酬率上勝過平均分配資金。

表 5-7 實驗 3-1-A 報酬率結果總表

2003-2004 年實驗數據

訓練月數 1 2 3 平均分配

2 年平均報酬率 -8.96% -9.63% -8.14% 4.25%

44
 表 5-8 實驗 3-1-B 報酬率結果總表

2003-2004 年實驗數據

訓練月數 1 2 3 平均分配

2 年平均報酬率 87.08% -21.79% -21.76% 97.09%

5.4.3. 實驗 3-1 之 GA 資金策略與平均分配資金策略 T 檢定

為了檢驗本組實驗的結果是否優於平均分配資金策略，我們同樣使用了三組

T 檢定，在 5%的顯著水準下，對不同訓練期月數的 GA 資金策略及平均分配資

金策略所產生的測試期報酬率，所做的差異性檢定，表 5-9 為實驗 3-1-A，不分

價差為正或負的買權降冪排序的檢定結果，表 5-10 為實驗 3-1-B，只取價差為負

的買權降冪排序的檢定結果，表格中訓練月數列為訓練月數為 1 至 3 個月的實

驗，假設檢定列為該次檢定使用的假設檢定設計，p-value 則是檢定的機率值，

若 p-value 小於 0.025 的顯著水準，則表示該次檢定結果為拒絕 H0 假設，粗體字

表示的部分為較接近顯著水準的檢定值，另外，本組實驗的假設檢定設計如下：

H 0 : µ1 ≤ µ 2 µ1為GA資金策略，訓練 月數為1到3的測試期報酬率
H 1 : µ1 > µ 2 µ 2 為平均分配資金的測試期報酬率

表 5-9 實驗 3-1-A 之 T 檢定結果

2003-2004 年檢定結果

訓練月數 1 2 3

假設檢定 H0: µ1<=µ2 H0: µ1<=µ2 H0: µ1<=µ2

H1: µ1>µ2 H1: µ1>µ2 H1: µ1>µ2

p-value 0.16 0.13 0.10

45
 表 5-10 實驗 3-1-B 之 T 檢定結果

2003-2004 年檢定結果

訓練月數 1 2 3

假設檢定 H0: µ1<=µ2 H0: µ1<=µ2 H0: µ1<=µ2

H1: µ1>µ2 H1: µ1>µ2 H1: µ1>µ2

p-value 0.46 0.04 0.05

5.4.4. 實驗 3-2 理論價差法昇冪排序

本節將會有 2 組實驗的結果，分別是實驗 3-2-A，不分價差為正或負的部分

進行昇冪排序，以及實驗 3-2-B，只取價差為正的部分昇冪排序，表 5-11 為實驗

3-1-A，價差為正或負的買權部分降冪排序的 2 年平均月報酬率結果，表 5-12 則

為實驗 3-1-B，價差為正的買權部分降冪排序的結果。表 5-11 及 5-12 的訓練月

數列為訓練月數為 1 個月至 3 個月的實驗，平均分配表示該欄使用平均分配資金

策略，2 年平均報酬率為將各組實驗的 24 個月報酬率加總取平均，若報酬率是

以粗體字呈現，則表示該組實驗在平均報酬率上勝過平均分配資金。

表 5-11 實驗 3-2-A 報酬率結果總表

2003-2004 年實驗數據

訓練月數 1 2 3 平均分配

2 年平均報酬率 22.95% 7.72% 13.62% 13.86%

表 5-12 實驗 3-2-B 報酬率結果總表

2003-2004 年實驗數據

訓練月數 1 2 3 平均分配

2 年平均報酬率 207.50% 63.46% 51.64% 112.34%

46
5.4.5. 實驗 3-2 之 GA 資金策略與平均分配資金策略 T 檢定

為了檢驗本組實驗的結果是否優於平均分配資金策略，我們同樣使用了三組

T 檢定，在 5%的顯著水準下，對不同訓練期月數的 GA 資金策略及平均分配資

金策略所產生的測試期報酬率，所做的差異性檢定，表 5-13 為實驗 3-2-A，不分

價差為正或負的買權昇冪排序的檢定結果，表 5-14 為實驗 3-2-B，只取價差為正

的買權昇冪排序的檢定結果，表格中訓練月數列為訓練月數為 1 至 3 個月的實

驗，假設檢定列為該次檢定使用的假設檢定設計，p-value 則是檢定的機率值，

若 p-value 小於 0.025 的顯著水準，則表示該次檢定結果為拒絕 H0 假設，粗體字

表示的部分為較接近顯著水準的檢定值，另外，本組實驗的假設檢定設計如下：

H 0 : µ1 ≤ µ 2 µ1為GA資金策略，訓練 月數為1到3的測試期報酬率
H 1 : µ1 > µ 2 µ 2 為平均分配資金的測試期報酬率
表 5-13 實驗 3-2-A 之 T 檢定結果

2003-2004 年檢定結果

訓練月數 1 2 3

假設檢定 H0: µ1<=µ2 H0: µ1<=µ2 H0: µ1<=µ2

H1: µ1>µ2 H1: µ1>µ2 H1: µ1>µ2

p-value 0.08 0.22 0.49

表 5-14 實驗 3-2-B 之 T 檢定結果

2003-2004 年檢定結果

訓練月數 1 2 3

假設檢定 H0: µ1<=µ2 H0: µ1<=µ2 H0: µ1<=µ2

H1: µ1>µ2 H1: µ1>µ2 H1: µ1>µ2

p-value 0.22 0.26 0.11

47
5.4.6. 實驗 3 小結與討論

在實驗三中，可以發現，報酬率最差的為實驗 3-1，理論價差法降冪排序，

其中 3-1-A，不分價差正負降冪排序的實驗中，平均報酬率全部劣於平均資金策

略，且均為負報酬，這三組數據分別為，-8.96%， -9.63%， -8.14%，均小於平均

分配的 4.25%報酬率，而在實驗 3-1-B，只取價差為負的買權降冪排序中，只有

訓練月數為 1 個月的實驗是正報酬為 87.08%，只是仍劣於平均分配資金策略的

平均報酬率 97.09%，其餘的實驗均為負報酬，而且在統計檢定上，實驗 3-2-B

的 2 及 3 個月訓練月數的實驗檢定值，均顯著差於平均分配資金策略，為 0.04

和 0.05，顯示此種方式對於 GA 學習機制較無幫助。

統計結果較為顯著的組別為實驗 3-2-A，理論價差法不分正負進行降冪排

序，檢定值為 0.08 是所有實驗中最接近顯著勝過平均分配資金策略的方法，其

中，訓練月數為 1 個月的實驗平均報酬率也勝過平均分配資金策略，為 22.95%，

大於平均分配的 13.86%，然而報酬率最高的組別則是 3-2-B，理論價差法，取正

的部分降冪排序法最高，但卻無法說明是否顯著優於或劣於平均資金策略。另

外，在整個實驗三中，我們也發現一個現象，就是價格被低估的買權，其獲得正

報酬的機率會較大。

48
6. 結論及建議

6.1. 研究發現
本研究的實驗結果顯示，平均來看，組合編碼基因演算法產生的資金分配策

略優於平均分配資金策略，而且大多數有正報酬，但若就統計上的意義來看，均

無顯著證據證明，組合編碼基因演算法的資金策略明顯優於平均分配資金策略，

但同時也無法說明的確是劣於平均資金策略。

在三個實驗中，實驗一，相對指數法，其平均月報酬介於實驗二，隱含波動

率法，和實驗三，理論價差法。另外，我們也發現實驗 3-2-B，理論價差法昇冪

排序的平均報酬，在本研究的所有實驗中，此實驗所表現出的績效最佳。另外，

在三種資料處理法的顯著性比較上，理論價差法昇冪排序對 GA 的學習機制幫助

最大，績效也顯著，相對指數法次之，隱含波動率法再次之，最差的是理論價差

法降冪排序，它所表現出的績效大多為負，且在統計上有顯著劣於平均分配資金

策略的情形。

另外，在資料處理方法的報酬率優劣比較方面，我們發現大部分的資料處理

方法在 1 個月訓練期長度的報酬率最佳，這是由於選擇權商品的交易特性為越接

近到期月份的波動會越大，因此較有機會得到高報酬，但同時得到負報酬的風險

也增加。另一個發現是在三種資料處理法的資料擷取長度方面，使用隱含波動率

法得到的資料在較長月份的報酬率會比較短的月份高，而其它方法均為 1 個月的

報酬率會較佳，因此在選擇權資料處理法的建議上，若是需要短月份的資料，則

建議使用相對指數法以及理論價差法，反之，若是需要長月份的資料，則建議使

用隱含波動法，如此能得到最適當的選擇權歷史資料。

雖然統計顯著性不佳，但平均而言，組合編碼基因演算法所產生的資金分配

策略，在測試期的報酬率還是優於平均分配，因此若是將投資期間延長，儘管投

資期間報酬率有負有正，平均而言還是能獲得比平均分配資金更高的報酬率。

49
6.2. 研究貢獻
本研究的研究貢獻有二，一是提出台指選擇權投資組合資金分配策略模型，

並首次將台指選擇權和基因演算法應用在投資組合領域上，研究結果也顯示，由

於選擇權的槓桿指數較高，波動也較一般證券等現貨商品來的高，若是採用更有

效率的資料處理方法，將能使 GA 學習機制更佳，因此，選擇權還是一項值得投

資人使用的投資工具。

第二個研究貢獻是在比較不同選擇權價格影響因子對 GA 資金分配策略的

影響，並找出能使測試期和訓練期相連性最高的資料處理方法，以利 GA 學習機

制，結果發現，以理論價差法，進行昇冪排序為最有效選擇權資料處理方法。

6.3. 未來發展
本研究受限於人力，時間及資源的因素，對於完整性仍有需要加強的地方，

整體而言可以歸納出下列幾點。

6.3.1. 其它選擇權資料處理法

本研究的一項重點即在於找出使訓練期和測試期的資料中關連性最高的資

料處理方法，而從實驗中也可以看出，不同的擇股及資料處理方法，對於投資組

合的績效表現也有不同程度的影響，因此未來或許可以嘗試使用別的選擇權價格

影響因素，例如到期期間，利率等因子，或是 Delta，Kappa 等選擇權風險係數，

發展不同的資料處理法，另一個可能性是結合二種或以上的資料處理方法，例如

實驗 3-2 的理論價差法，與隱含波動率法昇冪排序結合，由於前者在訓練月數短

時的績效表現較佳，而後者在訓練月數長時的表現較突出，因此或許可以結合兩

種或以上不同的方法，創造出能使投資組合績效更好的擇股及資料處理法。

6.3.2. 投資標的選擇

本研究的投資標的為台指買權，然而選擇權市場裡，除了買權之外，還有賣

權，投資人購買買權代表未來看漲現貨部位，然而在實際的選擇權市場中，完整

50
的投資策略應該能同時考慮買權及賣權，建構較完整的投資策略。因此未來研究

或許可以考慮加入賣權的組合，藉由買賣權的組合，得到更佳的資金分配策略。

6.3.3. 交易策略

選擇權交易除了買選擇權之外，也可以賣出選擇權，由於本研究的重點之一

在於選擇權的歷史資料處理，因此在交易策略方面的考慮較為簡略，未來如果能

加入賣出選擇權，使其能同時買及賣出選擇權，如此將可建構較複雜之評估函

數，使交易策略更符合選擇權市場的真實交易狀況，或許能找出更有效之資金分

配策略。

51
參考文獻

中文部分：

[余美惠，民 86] 余美惠，「以基因演算法建構外匯選擇權組合之實證研究」，國

立台灣大學國際企業學系碩士論文，民國八十六年。

[侯佳利，民 90] 侯佳利，

「組合編碼遺傳演算法於投資組合及資金分配之應用」
，

國立中央大學資訊管理學系碩士論文，民國九十年。

[林萍珍，民 86] 林萍珍，「遺傳演算法在使用者導向的投資組合選擇之應用」，

國立中央大學資訊管理學系碩士論文，民國八十六年。

[徐崇禮，民 90] 徐崇禮，「模擬股票選擇權避險策略最佳化系統」，元智大學資

訊管理學系碩士論文，民國九十年。

[臺灣期貨交易所 2005]，http://www.taifex.com.tw/chinese/home.htm

英文部份：

[Black, 1973] Black, Scholes. “The Pricing of Options and Corporate Liabilities,”

Journal of Political Economy, 1973, Vol. 81 Issue 3, p637.

[Markowitz, 1952] Markowitz, H.M.. “Portfolio Selection,” Journal of Finance, Vol.

7, 1952, pp. 77-91.

[Blomvall, 2003] Blomvall, Lindberg. “Back-testing the performance of an actively

managed option portfolio at the Swedish Stock Market, 1990–1999,” Journal of

Economic Dynamics & Control, Apr 2003, Vol. 27 Issue 6, p1099.

[Booth, 1985] Booth, Tehranian and Trennepohl. “Efficiency Analysis and Option

Portfolio Selection,” Journal of Financial & Quantitative Analysis, Dec 1985, Vol. 20

Issue 4, p435.

[Chen, 1997] Chen Shu-Heng, Lee Who-Chiang. “Option Pricing with Genetic

52
Algorithms: Separating Out-of-the-Money from In-the-Money.”, IEEE International

Conference on Intelligent Processing Systems, 1997.

[Davis, 1985] Davis L.. “Applying adaptive algorithms to epistatic domains.”, In

Proceedings of the International Joint Conference on Artificial Intelligence, pages

162–164, 1985.

[Luenberger, 1998] Luenberger David G... “Investment Science” Oxford University

Press, 1998.

[Fama, 1965] Fama. “The behavior of stock-market prices”, Journal of Business 38,

p34-105.

[Godlberg, 1989] Goldberg D. and Lingle R.. “Alleles, loci, and the traveling

salesman problem.”, In Proceedings of the First International Conference on Genetic

Algorithms and Their Applications, pages 154–159, 1985.

[Goldberg, 1994] Goldberg, D.E.. “Genetic and Evolutionary Algorithms Come of

Age.”, communications of the ACM, Vol. 37, 1994, pp.2-3.

[Grace, 2000] Grace Bruce K.. “Black-Scholes option pricing via genetic algorithms.”,

Applied Economics Letters, 2000, 7, pp129-132.

[Holland, 1975] Holland J. H.. “Adaptation in Natural and Artificial Systems: An

Introductory Analysis with Applications to Biology, Control, and Artificial

Intelligence”, MIT Press, 1st MIT Press edition, 1992. University of Michigan Press,

1st edition, 1975.

[Mitchell, 1996] Mitchell, M., An Introduction to Genetic Algorithms, MIT Press,

1996.

[Papahristodoulou, 2004] Papahristodoulou, Christos, “Option strategies with linear

programming,” European Journal of Operational Research, Aug2004, Vol. 157 Issue

1, p246.

[Oliver, 1987] Oliver I., Smith D., and Holland J.. “A study of permutation crossover

53
operators on the traveling salesman problem.”, In Proceedings of the Second

International Conference on Genetic Algorithms and Their Applications, pages

224–230, 1987.

[Syswerda, 1991] Syswerda G.. “Schedule optimization using genetic algorithms.”, In

L. Davis, editor, Handbook of Genetic Algorithms, pages 332–349. Van Nostrand

Reinhold, 1991.

[Vacca, 1997] Vacca, L., “Managing options risk with genetic algorithms,”

Computational Intelligence for Financial Engineering (CIFEr), 1997., Proceedings of

the IEEE/IAFE 1997 , 24-25 March 1997, pp29 - p35.

54
附錄 A. 台灣證券交易所股價指數選擇權契約規格

項目 內容
交易標的 ● 臺灣證券交易所發行量加權股價指數
中文簡稱 ● 臺指選擇權(臺指買權、臺指賣權)
英文代碼 ● TXO
履約型態 ● 歐式(僅能於到期日行使權利)
契約乘數 ● 指數每點新臺幣 50 元
到期月份 ● 自交易當月起連續三個月份，另加上三月、六月、九月、
十二月中二個接續的季月，總共有五個月份的契約在市
場交易
履約價格間距 履約價格未達 3000 點：近月契約為 50 點，季月契約為
●
100 點
履約價格 3000 點以上，未達 8000 點：近月契約為 100
●
點，季月契約為 200 點
履約價格 8000 點以上，未達 12000 點：近月契約為 200
●
點，季月契約為 400 點
履約價格 12000 點以上：近月契約為 400 點，季月契約
●
為 800 點
權 利 金 報 價 單 ● 報價未滿 10 點：0.1 點(5 元)
位 ● 報價 10 點以上，未滿 50 點：0.5 點(25 元)
● 報價 50 點以上，未滿 500 點：1 點(50 元)
● 報價 500 點以上，未滿 1,000 點：5 點(250 元)
● 報價 1,000 點以上：10 點(500 元)
每日漲跌幅 ● 權利金每日最大漲跌點數以前一營業日臺灣證券交易所
發行量加權股價指數收盤價之百分之七為限
部位限制 ●交易人於任何時間持有本契約之同一方未了結部位合計
數，應符合下列規定：
1.自然人 7,200 契約
2.法人機構 14,000 契約
3.法人機構基於避險需求得向本公司申請豁免部位限制
4.期貨自營商之持有部位不在此限
●所謂同一方未了結部位，係指買進買權與賣出賣權之部位
合計數，或賣出買權與買進賣權之部位合計數

55
交易時間 ● 本契約之交易日與臺灣證券交易所交易日相同
● 交易時間為營業日上午 8:45~下午 1:45
最後交易日 ● 各契約的最後交易日為各該契約交割月份第三個星期三
到期日 ● 最後交易日之次一營業日
最後結算價 ● 以到期日臺灣證券交易所所提供依標的指數各成分股當
日交易時間開始後十五分鐘內之平均價計算之指數訂之
● 前項平均價係採每筆成交價之成交量加權平均，但當日
市場交易時間開始後十五分鐘內仍無成交價者，以當日
市價升降幅度之基準價替代之
交割方式 ● 符合本公司公告範圍之未沖銷價內部位，於到期日當天
自動履約，以現金交付或收受履約價格與最後結算價之
差額

56
附錄 B. 實驗 1 結果

月份 1 個月 2 個月 3 個月 平均分配 月份 1 個月 2 個月 3 個月 平均分配

200301 4.70% 357.15% 8.53% 295.09% 200401 0.00% 13.83% 5.52% 38.35%

200302 -100.05% -89.52% -100.20% -78.04% 200402 268.84% 0.06% -24.85% 36.84%

200303 -77.62% -100.14% 0.58% -60.50% 200403 -49.10% 4.70% -0.90% -47.01%

200304 12.20% -59.85% -99.59% -44.50% 200404 -71.97% -77.17% -92.79% -25.45%

200305 -96.05% -70.30% 1.41% -74.68% 200405 -100.28% -82.11% -100.16% -100.15%

200306 1657.43% 261.51% 0.64% 1040.19% 200406 -4.00% -83.32% -72.00% -90.09%

200307 4.70% 3.76% 87.04% 85.13% 200407 0.00% -2.92% -46.36% -74.95%

200308 -67.60% 4.70% 1.97% -16.50% 200408 0.00% 0.10% -5.97% -45.35%

200309 58.39% -36.61% 4.70% 10.79% 200409 92.44% 0.00% 0.00% 158.22%

200310 46.44% 44.94% 29.43% 13.47% 200410 -99.80% -29.12% -0.83% -67.70%

200311 -66.52% -21.19% -19.69% -45.91% 200411 0.00% -36.13% 0.51% 7.09%

200312 -83.95% -79.64% -43.51% -70.48% 200412 -40.06% -35.38% -75.42% -49.30%

平均 53.67% -4.69% -22.58% 33.11%

附錄 C-1.實驗 2-1 結果

月份 1 個月 2 個月 3 個月 平均分配 月份 1 個月 2 個月 3 個月 平均分配

200301 1409.38% 3.87% 3.99% 199.39% 200401 -1.54% 74.80% 5.06% -1.16%

200302 5.83% -12.11% 5.23% 15.13% 200402 43.70% 35.26% 18.46% 36.05%

200303 -32.42% 56.82% 69.89% 9.34% 200403 -15.61% -13.00% -0.93% -27.53%

200304 -12.53% 224.16% 13.64% 36.90% 200404 0.00% -52.95% -25.16% -41.48%

200305 -19.29% -80.07% -96.13% -53.26% 200405 -91.68% -2.01% -100.24% -97.45%

200306 -31.64% -50.19% -41.84% -45.94% 200406 -20.05% -96.29% 0.00% -71.96%

200307 26.26% 56.01% 176.70% 171.85% 200407 -11.13% -25.26% -30.59% -56.25%

200308 69.70% 10.99% 1.21% 27.38% 200408 -9.47% -1.23% -23.41% -11.81%

200309 14.19% -45.32% 0.03% 2.68% 200409 -67.39% -35.57% -15.36% -66.75%

200310 2.85% 5.15% 5.86% 5.83% 200410 -5.42% -6.78% -2.84% -9.13%

200311 22.87% 29.31% 48.02% 25.10% 200411 25.68% 30.33% 34.01% 38.13%

200312 1.19% -0.95% -10.74% -5.38% 200412 -62.50% -1.42% -36.66% -41.49%

平均 51.71% 4.31% -0.07% 1.59%

57
附錄 C-2. 實驗 2-2 結果

月份 1 個月 2 個月 3 個月 平均分配 月份 1 個月 2 個月 3 個月 平均分配

200301 59.37% 40.92% 214.63% 118.31% 200401 14.57% 13.92% 56.09% 25.45%

200302 -63.55% -25.12% -42.01% -63.71% 200402 18.93% 37.16% 24.62% 25.01%

200303 81.52% -93.08% -96.22% -74.62% 200403 -30.87% -15.15% -5.94% -9.60%

200304 -80.09% -99.80% -93.22% -90.10% 200404 -34.19% -19.46% -18.52% -24.01%

200305 -82.44% -11.69% -13.58% -32.84% 200405 -68.18% -94.72% -98.99% -73.22%

200306 -73.59% -92.16% -77.69% -91.41% 200406 -54.86% -60.07% -97.12% -88.83%

200307 378.77% 259.21% 940.04% 842.25% 200407 -28.40% -99.65% -92.63% -85.80%

200308 107.90% 88.32% 29.81% 64.61% 200408 -1.74% 0.33% 5.09% -14.33%

200309 4.25% 22.49% 14.58% 6.56% 200409 137.24% 91.22% 43.82% 139.10%

200310 22.46% 0.69% 49.05% 11.41% 200410 -51.39% -75.38% -2.67% -30.37%

200311 5.56% 10.53% 46.44% 27.53% 200411 39.94% 55.22% 55.65% 26.84%

200312 -65.48% -31.90% -17.78% -27.66% 200412 -79.13% -86.62% -93.89% -50.62%

平均 6.53% -7.70% 30.40% 22.08%

附錄 D-1. 實驗 3-1-A 結果

月份 1 個月 2 個月 3 個月 平均分配 月份 1 個月 2 個月 3 個月 平均分配

200301 5.56% 88.99% 7.25% 143.51% 200401 -12.26% -9.51% -23.86% -21.62%

200302 -97.59% -99.93% -57.27% -96.16% 200402 -51.57% -50.10% 15.24% 19.21%

200303 -99.93% -49.13% -97.86% -74.73% 200403 0.86% 9.87% 9.16% -6.37%

200304 -16.52% -89.28% -32.93% -62.30% 200404 -0.97% -45.40% 1.17% -6.95%

200305 11.48% -5.50% -41.94% -15.24% 200405 -95.89% -56.53% -87.36% -73.44%

200306 -85.76% -86.65% -41.62% -85.37% 200406 -3.07% -90.04% -95.62% -90.81%

200307 186.04% 182.55% 270.62% 411.22% 200407 -57.73% -1.42% -100.15% -83.61%

200308 59.46% 25.77% 41.68% 49.70% 200408 3.42% -5.01% 0.34% -27.43%

200309 27.74% 8.50% 16.83% 15.98% 200409 41.44% 3.15% 24.92% 98.37%

200310 6.51% 33.79% 16.57% 32.54% 200410 -10.07% -27.85% -9.57% -33.00%

200311 48.02% 29.27% 25.57% 44.56% 200411 19.86% 50.27% 55.70% 33.01%

200312 -42.73% -12.18% -14.57% -21.53% 200412 -51.22% -34.69% -77.58% -47.66%

平均 -8.96% -9.63% -8.14% 4.25%

58
附錄 D-2. 實驗 3-1-B 結果

月份 1 個月 2 個月 3 個月 平均分配 月份 1 個月 2 個月 3 個月 平均分配

200301 159.70% 106.62% -99.85% 1096.80% 200401 2322.30% -30.54% -98.34% 621.49%

200302 -0.30% -70.30% -51.19% -17.17% 200402 45.05% 11.84% 18.03% 36.72%

200303 -86.04% -89.50% -71.52% -70.45% 200403 -5.51% -40.49% -1.61% -29.88%

200304 -13.58% -75.46% -23.38% -67.70% 200404 -85.61% -17.31% -0.39% -14.96%

200305 -21.27% -20.20% -81.63% -47.08% 200405 -99.65% -99.89% -99.71% -90.80%

200306 -71.97% -25.42% -13.53% -84.29% 200406 -48.89% -86.18% -39.13% -64.66%

200307 127.95% 48.71% 122.95% 1112.93% 200407 -97.62% -79.02% -98.46% -78.76%

200308 52.19% 11.43% 21.83% 73.94% 200408 -28.51% -57.94% -51.71% 10.22%

200309 31.92% 5.48% 7.98% 1.10% 200409 27.22% -32.14% 120.48% -26.64%

200310 5.63% 52.30% 48.50% 19.00% 200410 -50.90% -5.49% -17.27% -58.23%

200311 24.55% 27.18% -20.43% 25.40% 200411 15.51% -5.31% 16.20% 94.63%

200312 -18.62% -19.23% -56.61% -38.11% 200412 -93.64% -32.04% -53.57% -73.38%

平均 87.08% -21.79% -21.76% 97.09%

附錄 D-3. 實驗 3-2-A 結果

月份 1 個月 2 個月 3 個月 平均分配 月份 1 個月 2 個月 3 個月 平均分配

200301 83.14% 153.75% 117.45% 88.57% 200401 0.44% 6.34% 6.65% 2.40%

200302 0.08% -26.81% -0.30% -17.27% 200402 -30.22% -43.33% -16.86% -8.15%

200303 34.04% 49.40% 45.40% 28.06% 200403 -29.74% -29.61% -8.87% -8.55%

200304 4.59% -6.78% 27.96% 10.34% 200404 27.52% 56.46% 7.89% 28.32%

200305 4.72% 30.39% 215.26% 31.64% 200405 -54.38% -62.34% -65.34% -46.86%

200306 -19.10% -45.83% -20.62% -16.01% 200406 0.00% -100.23% -88.75% -45.67%

200307 302.43% 56.36% 97.10% 183.91% 200407 -30.72% 0.00% -43.56% -27.27%

200308 36.85% 20.94% 4.09% 20.04% 200408 27.76% -0.07% 0.00% 6.04%

200309 11.31% 13.08% 1.19% 5.56% 200409 91.35% 38.52% 36.64% 71.39%

200310 -0.13% 2.93% 10.77% 3.97% 200410 63.83% 62.06% -7.72% 6.40%

200311 24.73% 33.12% 29.10% 22.75% 200411 12.46% 6.29% 21.03% 25.04%

200312 0.06% -0.60% -4.14% -2.08% 200412 -10.15% -28.70% -37.51% -29.86%

平均 22.95% 7.72% 13.62% 13.86%

59
附錄 D-4. 實驗 3-2-B 結果

月份 1 個月 2 個月 3 個月 平均分配 月份 1 個月 2 個月 3 個月 平均分配

200301 -15.65% -1.73% -59.68% -77.57% 200401 -13.14% -91.44% -98.37% -60.22%

200302 5016.50% 634.76% 1267.15% 2341.05% 200402 65.91% 2.70% 0.49% 37.53%

200303 -0.30% -98.19% 0.00% -26.82% 200403 2.46% -90.86% -2.80% -24.20%

200304 -2.48% -98.19% -96.17% -76.35% 200404 20.85% 13.71% 0.26% 7.10%

200305 -32.11% -1.99% -99.59% -74.04% 200405 -91.23% -63.86% -62.12% -82.51%

200306 -25.80% -7.58% -6.29% -85.24% 200406 -29.96% -96.56% -97.44% -84.03%

200307 91.06% 1390.48% 535.08% 1029.75% 200407 -1.59% -12.51% -70.30% -83.65%

200308 1.32% 4.13% 65.71% 68.98% 200408 -3.65% -7.07% -10.84% -72.15%

200309 9.72% 5.15% -0.14% 9.28% 200409 -9.39% -16.17% 3.03% -21.77%

200310 44.10% 13.19% -4.95% 11.49% 200410 -28.42% -15.89% -14.10% -58.56%

200311 55.51% 54.99% 41.27% 40.39% 200411 9.40% 33.19% 3.62% 65.87%

200312 -8.99% -18.01% -3.07% -13.50% 200412 -74.23% -9.28% -51.43% -74.65%

平均 207.50% 63.46% 51.64% 112.34%

60
附錄 E. 各實驗投資組合交易資料

實 投資標的 買入價 賣出價

驗 TXO200412C5200TSE 加權指數買權 2004125200 10 20

一 TXO200412C5300TSE 加權指數買權 2004125300 770 590
投 TXO200412C5400TSE 加權指數買權 2004125400 700 486
資 TXO200412C5500TSE 加權指數買權 2004125500 590 383
組 TXO200412C5600TSE 加權指數買權 2004125600 498 300
合 TXO200412C5800TSE 加權指數買權 2004125800 335 147
資
TXO200412C5900TSE 加權指數買權 2004125900 250 91
料
TXO200412C6000TSE 加權指數買權 2004126000 205 51

TXO200412C6100TSE 加權指數買權 2004126100 150 26

TXO200412C6200TSE 加權指數買權 2004126200 120 13.5

實 投資標的 買入價 賣出價

驗 TXO200412C5400TSE 加權指數買權 2004125400 700 500

2-1 TXO200412C5100TSE 加權指數買權 2004125100 970 675
投 TXO200412C7300TSE 加權指數買權 2004127300 2 0.5
資 TXO200412C4900TSE 加權指數買權 2004124900 1020 1000
組 TXO200412C5600TSE 加權指數買權 2004125600 498 305
合 TXO200412C5200TSE 加權指數買權 2004125200 860 700
資
TXO200412C7200TSE 加權指數買權 2004127200 2 0.1
料
TXO200412C5300TSE 加權指數買權 2004125300 770 590

TXO200412C5500TSE 加權指數買權 2004125500 590 392

TXO200412C7100TSE 加權指數買權 2004127100 2.1 0.7

實 投資標的 買入價 賣出價

驗 TXO200412C4900TSE 加權指數買權 2004124900 1020 1000

2-2 TXO200412C5200TSE 加權指數買權 2004125200 860 700
投 TXO200412C5300TSE 加權指數買權 2004125300 770 590
資 TXO200412C5500TSE 加權指數買權 2004125500 590 392
組 TXO200412C5600TSE 加權指數買權 2004125600 498 305
合 TXO200412C6700TSE 加權指數買權 2004126700 12 1.5
資
TXO200412C6600TSE 加權指數買權 2004126600 24 1.8
料
TXO200412C5400TSE 加權指數買權 2004125400 700 500

TXO200412C6500TSE 加權指數買權 2004126500 35 2.2

TXO200412C6800TSE 加權指數買權 2004126800 7.8 1.2

61
實驗 投資標的 買入價 賣出價

3-1-A TXO200412C5400TSE 加權指數買權 2004125400 700 500

投資 TXO200412C5500TSE 加權指數買權 2004125500 590 392
組合 TXO200412C5200TSE 加權指數買權 2004125200 860 700
資料 TXO200412C5600TSE 加權指數買權 2004125600 498 305

TXO200412C4900TSE 加權指數買權 2004124900 1020 1000

TXO200412C5900TSE 加權指數買權 2004125900 250 90

TXO200412C5800TSE 加權指數買權 2004125800 335 148

TXO200412C5700TSE 加權指數買權 2004125700 410 221

TXO200412C6000TSE 加權指數買權 2004126000 205 49.5

TXO200412C6100TSE 加權指數買權 2004126100 150 25

實驗 投資標的 買入價 賣出價

3-1-B TXO200412C6100TSE 加權指數買權 2004126100 150 25

投資 TXO200412C6900TSE 加權指數買權 2004126900 4.2 1
組合 TXO200412C7200TSE 加權指數買權 2004127200 2 0.1
資料 TXO200412C7100TSE 加權指數買權 2004127100 2.1 0.7

TXO200412C7300TSE 加權指數買權 2004127300 2 0.5

TXO200412C7000TSE 加權指數買權 2004127000 2 1.4

TXO200412C6700TSE 加權指數買權 2004126700 12 1.5

TXO200412C6500TSE 加權指數買權 2004126500 35 2.2

TXO200412C6800TSE 加權指數買權 2004126800 7.8 1.2

TXO200412C5600TSE 加權指數買權 2004125600 498 305

實驗 投資標的 買入價 賣出價

3-2-A TXO200412C4900TSE 加權指數買權 2004124900 1020 1000

投資 TXO200412C5000TSE 加權指數買權 2004125000 830 745
組合 TXO200412C5100TSE 加權指數買權 2004125100 970 675
資料 TXO200412C5200TSE 加權指數買權 2004125200 860 700

TXO200412C5300TSE 加權指數買權 2004125300 770 590

TXO200412C5400TSE 加權指數買權 2004125400 700 500

TXO200412C5500TSE 加權指數買權 2004125500 590 392

TXO200412C5700TSE 加權指數買權 2004125700 410 221

TXO200412C5900TSE 加權指數買權 2004125900 250 90

TXO200412C5600TSE 加權指數買權 2004125600 498 305

62
實驗 投資標的 買入價 賣出價

3-2-B TXO200412C6900TSE 加權指數買權 2004126900 4.2 1

投資 TXO200412C5600TSE 加權指數買權 2004125600 498 305
組合 TXO200412C6600TSE 加權指數買權 2004126600 24 1.8
資料 TXO200412C6700TSE 加權指數買權 2004126700 12 1.5

TXO200412C7300TSE 加權指數買權 2004127300 2 0.5

TXO200412C7100TSE 加權指數買權 2004127100 2.1 0.7

TXO200412C5500TSE 加權指數買權 2004125500 590 392

TXO200412C6800TSE 加權指數買權 2004126800 7.8 1.2

TXO200412C6500TSE 加權指數買權 2004126500 35 2.2

TXO200412C7200TSE 加權指數買權 2004127200 2 0.1

63