投資人在建構投資組合時，若投資標的不多，使用單一模型便可將各資產報酬的預測做得非常好。但當投資組合變得龐大時，在實務上可能沒有任何單一模型所做出來的結果是令人滿意的。因此，Pesaran, Schleicher and Zaffaroni(2008)以AIC及SBC值篩選出表現較好的數個單一模型來建構平均模型，解決了單一模型在龐大資產下表現不佳的問題。本研究沿用平均模型的想法，但利用兩個不同的篩選模型準則來建構平均模型。最後經實證結果顯示，此兩個篩選準則下所建構的平均模型在VaR回顧測試的表現的確優於任何單一模型。為了測試平均模型的實用性，本研究期間歷經數次重大金融危機，挑選的標的資產也為重要被影響的市場，投資組合中標的資產彼此間正相關度也相當的高。在面臨雞蛋放在同一個籃子裡的投資組合且標的資產皆為空頭的投資波段中，本研究將平均模型於風險值限制式限制下，透過效用函數極大化計算各標的資產的動態投資權重並套用於實證數據，若不考慮交易成本，所做出來的結果能在這段期間內創造近一倍的收入。但同期間若單獨投資各標的資產的情況下，皆是呈現負報酬。因此，平均模型於龐大資產組合下不僅有良好的風險捕捉能力，透過效用函數與風險值限制式的結合，更可創造出合理的獲利空間。 The paper follows Pesaran, Schleicher and Zaffaroni(2008)''s spirit to consider the problem of model uncertainty in the case of multi-asset volatility models and discusses the use of model averaging techniques as a way of dealing with the risk of inadvertently using false models in portfolio management. We adopt model selection criteria of Kupiec’s(1995) LR value of likelihood ratio test or missing times of VaR backtesting other than the minimum AIC or SBC value. The model averaging idea and the VaR diagnostic tests are illustrated by an application to portfolios of daily reurns on two stock index and four future contracts. The empirical evidence supports the use of model averaging strategies dominate single models.
