波動率的變化是金融商品風險中一個重要因子，且衍生性金融商品的訂價、避險、風險管理及所採用的交易策略皆受此影響。對於選擇權來說，波動率即是決定價格的關鍵因素，如果能掌握標的股價指數波動率之變化，就能掌握股價指數選擇權價格未來變動趨勢，進而協助投資人擬定投資策略。因此，本研究利用時間序列與人工智慧模型估計台灣加權股價指數波動率，實證人工智慧模型對波動率之預測能力，並進一步應用於選擇權交易策略之上。
本研究樣本採樣期間為2006年1月1日至2007年12月31日之臺灣加權股價指數日內高頻率報酬資料，探討不同抽樣頻率及不同估計模型下的波動率預測能力，並以台指選擇權為標的進行交易策略，進行報酬率績效之評估。本研究實證結果如下：
一、在波動率預測模型準確度方面，整體而言以5分鐘報酬率抽樣頻率之人工智慧預測模型績效為最佳，其中又以灰預測修正系列模型：灰色馬可夫、灰預測傅立葉殘差修正模型表現最為良好，其次為GM(1,1)模型、SSVR模型、GARCH(1,1)模型、歷史波動率模型；績效最差則為隱含波動率模型。
二、應用於選擇權交易策略方面，人工智慧模型均可得到良好超額報酬，其中以SSVR模型報酬率最高，平均月報酬為32.12%，其次為灰預測系列模型，平均月報酬約為19%，而報酬績效最低之模型為GARCH(1,1)模型，平均月報酬為1.59%。
三、加入波動率門檻值判斷機制於交易策略中，能夠有效提升報酬率。本研究以報酬率提升程度最高的0.08作為判斷之門檻，結果顯示無論於何種模型皆能有效提昇績效，減少波動幅度過小時買進跨式部位所造成之損失。
四、討論不同波動程度期間各模型之表現，結果顯示在波動幅度大的期間，使用SSVR模型較能獲取超額報酬，期間之平均月報酬為37.83%；而在波動幅度小的期間，表現較佳之模型則為灰色馬可夫模型，期間之平均月報酬為20.84%。

The volatility is a determinant in option pricing. Forecasting the volatility efficiently will help the investors to make the trading strategies and earn the excess return. In our research, we use time series and artificial intelligence to estimate the volatility of TAIEX, discussing the forecasting ability of artificial intelligence models. Furthermore, we apply the forecasting results into the option trading strategies.
The period of the sample selection is the TAIEX intraday return data from Jan 1, 2006 to Dec 31, 2007, discussing the forecasting ability of different sample frequencies and different volatility estimating models. And we applied the forecasting result in TXO trading strategy, evaluated the performance of the return. The empirical results are as follow:
1.In the point of accuracy of volatility forecasting model, the artificial intelligence forecasting model in 5 minute sampling frequency performed best. The rank of accuracy are as below: The grey prediction correction models, GM(1,1), SSVR model, GARCH(1,1), historical volatility model and the implied volatility model.
2.In the aspect of TXO trading strategy, the artificial intelligence forecasting models earn a magnificent return. The average of month return in SSVR is 32.12% and 19% in grey prediction models. We get the lowest average of month return, 1.59%, in GARCH(1,1).
3.Using the restrictive value of the volatility in trading strategies raised the return certainly. We found that the 0.08 as the restrictive value raised the highest return in every forecasting model and reduced the loss of long straddle during the period of slight variation of volatility.
4.In the viewing of different variation of volatility period, the average of month return in SSVR model is the best, 37.83%, in the dramatic variation of volatility period. And we get the best average of month return, 20.84%, in the Markov GM(1,1) in the slight variation of volatility period.

中文部份
[1] 王銘祥（2003），「結合真實波動性預測模型與準蒙地卡羅模擬法於風險值之研究」，國立台灣科技大學資訊管理系碩士論文
[2] 田自力、陳碩佩（1996），「GM(1,1)模型之傅立葉級數殘差修正法」，第一屆灰色系統理論與應用研討會，91-101頁
[3] 何怡慧（1999），「上市公司財務績效指標灰色預測模式之研究」，長榮管理學院經營管理研究所碩士論文
[4] 吳佩珊（2007），「應用遺傳程式規劃於台灣加權股價指數真實波動率之預測」，輔仁大學資訊管理學系碩士論文
[5] 吳佩琪（2006），「台指選擇權波動率模型建立與預測能力之比較分析:波動率指數VIX及其資訊內涵」，國立臺灣海洋大學應用經濟研究所碩士論文
[6] 吳旻樺（2007），「應用平滑樣條及支持向量機迴歸於銀行客戶之信用風險預測和分群」，臺灣大學商學研究所碩士論文
[7] 林佩蓉（2000），「Black-Scholes模型在不同波動性衡量下之表現─股價指數選擇權」，國立東華大學企業管理學系碩士論文
[8] 徐演政、葉治宏、林昌本（1999），「GM(1,1)建模點數剖析與理論」, 第四屆灰色系統理論與應用研討會，224-229頁
[9] 徐豐智（2004），「Support Vector Machines分類技術應用於文件相關性量測之探討」，國立高雄應用科技大學電機工程系碩士班論文
[10] 張逸凡（2004），「支撐向量機在即時河川水位預報之應用」，國立成功大學水利及海洋工程研究所碩士論文
[11] 張嘉豪（2006），「應用平滑支撐向量分類於台灣股票市場選股之研究」，國立台灣科技大學資訊管理系碩士論文
[12] 張鐘霖（2003），「波動率模型預測能力的比較－以台指選擇權為例」，國立中正大學財務金融研究所碩士論文
[13] 曹軍、胡萬義（1993），「灰色系統理論與方法」，東北林業大學出版社
[14] 陳昶均（2004），「不同波動性估計模型下台指選擇權評價績效之比較」，東吳大學企業管理學系碩士論文
[15] 陳煒朋（1999），「GARCH模型與隱含波動性模型預測能力之比較」，淡江大學財務金融研究所碩士論文
[16] 陳學毅（2004），「匯率預測模型績效之研究--時間序列及灰色預測模型之應用」，東海大學國際貿易學系碩士論文
[17] 曾婉儀（2004），「使用真實波動度交易於臺指選擇權的經濟價值」，國立交通大學財務金融研究所碩士班
[18] 黃建銘（2005），「支撐向量機的自動模型選擇」，國立台灣科技大學資訊工程系碩士論文
[19] 黃敏菁（2005），「支援向量機在財務時間序列預測之應用」，輔仁大學金融研究所碩士論文
[20] 黃雅蘭（2001），「台灣股價指數期貨套利之研究-類神經網路與灰色理論之應用」，國立台灣科技大學資訊管理系碩士論文
[21] 葉欣怡（2007），「台指選擇權評價之實證研究－混合波動估計方法之應用」，銘傳大學管理研究所博士論文
[22] 鄭亦妏（2003），「在Black-Scholes評價模型下台指選擇權最適波動性估計方法之研究」，淡江大學管理科學學系碩士論文
[23] 鄧聚龍（1987），「灰色系統基本方法」，華中理工大學出版社
[24] 賴佳君（2005），「應用平滑支撐向量機於台指期貨套利之研究」，國立台灣科技大學資訊管理系碩士論文
[25] 鍾澄吉（1997），「運用類神經網路預測選擇權評價模式中股票價格波動率之實證研究」，國立交通大學資訊管理研究所碩士論文
英文部分
[1] Akgiray, V. (1989),“Conditional Heteroscedasticity in the Series of Stock Return Evidence and Forecasts.”, Journal of Business, Vol.62, pp.55-80.
[2] Andersen, T. and Bollerslev, T. (1998),“Answering the skeptics: yes, standard volatility models do provide accurate forecasts.”, International Economic Review, Vol.39, pp.885-905.
[3] Andersen, T. G., Bollerslev, T. and Lange, S. (1999),“Forecasting Financial Market Volatility : Sample Frequency vis-à-vis Forecast Horizon”, Journal of Empirical Finance, Vol.6, pp.457-477.
[4] Black, F. (1975),“Fact and Fantasy in the Use of Options”, Financial Analysts Journal, Vol.31, pp.36-41, 61-72.
[5] Black, F. and Scholes, M. (1973),“The Pricing of Options and Corporate Liabilities”, Journal of Political Economy, Vol.81, pp.637-659.
[6] Bollerslev, T. (1986),“Generalized Autoregressive Conditional Heteroskedasticity”, Journal of Econometrics, Vol.31, pp.307-327.
[7] Chiras, D. P. and Manaster, S. (1978),“The information content of option prices and a test of market efficiency”, Journal of Financial Economics, June-Sep, pp.213-234.
[8] Chu, S. H. and Freund, S. (1996),“Volatility Estimation for Stock Index Options : GARCH Approach.”, The Quarterly Review of Economics and Finance, Vol.36, pp.431-450.
[9] Cox, J. C., Ross, S. A. and Rubinstein, M. (1979),“Option pricing: A simplified approach”, Journal of Financial Economics, Vol.7(3), pp.229-263.
[10] Day, T. E. and Lewis, C. M. (1992),“Stock market volatility and the information content of stock index options”, Journal of Econometrics, Vol.52, pp.267-287.
[11] Engle, R. F. (1982),“Autoregressive Conditional Heteroskedasticity with Estimates of The Variance of UK Inflation”, Econometrica, Vol.50, pp.987-1008.
[12] Feinstein, S. P. (1989),“Forecasting Stock Market Volatility Using Options on Index Futures”, Economic Review, Federal Reserve Bank of Atlanta, Vol.74, pp.12-30.
[13] Figlewski, S. (1997),“Forecasting Volatility.”, Financial Markets, Institutions and Instruments, Vol.6(1), pp.1-88.
[14] Freisleben, B. and Ripper, K. (1997),“Volatility Estimation with a Neural Network”, Computational Intelligence for Financial Engineering (CIFER), Proceedings of the IEEE/IAFE, pp.177-181.
[15] Gwilym, O. A. and Buckle, M. (1999),“Volatility forecasting in the framework of the option expiry circle”, European Journal of Finance, Vol.5, pp.73-94.
[16] Hsu, C.-W., Chang, C.-C. and Lin, C.-J. (2003),“A Practical Guide to Support Vector Classification. Technical Report”, Department of Computer Science and Information Engineering, National Taiwan University. Available at http://www.csie.ntu.edu.tw/~cjlin/papers/guide/guide.pdf.
[17] Lee, Y.-J., Hsieh, W.-F., Huang, C.-M. (2005),“ε-SSVR: A smooth support vector machine for ε-insensitive regression”, IEEE Transactions on Knowledge and Data Engineering, Vol.17(5), pp.678-685.
[18] Poteshman, A. M. (2000),“Forecasting Future Volatility from Option Prices”, Working paper, FEN.
[19] Ravindran, R., Phillips, D. T. and Solbereg, J. J. (1987),“Operation Research Principles and Practice”, New York: John Wiley & Sons, Inc., Second Edition, pp.252-260.
[20] Shaikh, A. H. and Zahid, I. (2004),“Using Neural Networks for Forecasting Volatility of S&P 500 Index Futures Prices”, Journal of Business Research, Vol.57, pp.1116-1125.
[21] Taylor, S. J. and Xu, X. (1997),“The Incremental Volatility Information in One Million Foreign Exchange Quotations”, Journal of Empirical Finance, Vol.4, pp.317-340.