泰勒法則模型

‧

‧

model)以及Dornbusch (1976)的僵固價格貨幣模型(sticky-price monetary model)。 其中_, 彈性價格貨幣模型由 Frenkel (1976) 提出_, 根據流動性偏好

‧

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

以不同貨幣計價之金融商品的預期報酬率趨於一致。 本研究將採用_{Flood and} Rose (1996)推導之模型_,模型如下_:

(1 + ii t) = (1 + i0t)Et(si t +h)/si t, (17) 其中_{, ii t} 為本國之名目利率_{, i0t} 為外國之名目利率_{, si t +h} 為本國第_{(t + h)}期 取對數後之即期匯率。 在假設大部分國家存在較低的利率水準下_, 我們可不 考慮交叉項_,經過移項整理可得_:

i_{i t} −i_0t ≈ E_t(si t +h−s_{i t}). (18)

假設民眾為理性預期_, 並將 ₍₁₈₎ 式改寫成未拋補利率平價模型_, 其匯率 之長期均衡_{zi t} 則_:

z_{i t} = (ii t −i_0t) + si t. (19)

‧

換成單位百萬美元。 產出缺口採用 Hodrick and Prescott (1981) 提出之_HP 濾波法_, 去除趨勢項後得之。 在無風險利率方面_, 主要根據 Corte and

Tsi-akas(2011), 我們採用貨幣市場利率或一年期定存利率作為利率資料_, 並將

使用一年期定存利率的國家_,其資料除以₁₂個月轉換為月資料。 本研究所用 資料來自 _Datastream、International Financial Statistic (IFS) 及台灣經濟新 報_(TEJ)。

‧

加拿大 消費者物價指數 2000/1-2017/9 月資料 _Datastream 丹麥 消費者物價指數 2000/1-2017/9 月資料 _Datastream 挪威 消費者物價指數 2000/1-2017/9 月資料 _Datastream 瑞典 消費者物價指數 2000/1-2017/9 月資料 _Datastream 瑞士 消費者物價指數 2000/1-2017/9 月資料 _Datastream

‧

英國 消費者物價指數 2000/1-2017/9 月資料 _Datastream 歐元區 消費者物價指數 2000/1-2017/9 月資料 _Datastream 泰國 消費者物價指數 2000/1-2017/9 月資料 _Datastream 日本 消費者物價指數 2000/1-2017/9 月資料 _Datastream 台灣 消費者物價指數 2000/1-2017/9 月資料 _Datastream 菲律賓 消費者物價指數 2000/1-2017/9 月資料 _Datastream 印尼 消費者物價指數 2000/1-2017/9 月資料 _Datastream 馬來西亞 消費者物價指數 2000/1-2017/9 月資料 _Datastream 香港 消費者物價指數 2000/1-2017/9 月資料 _Datastream 新加坡 消費者物價指數 2000/1-2017/9 月資料 _Datastream 韓國 消費者物價指數 2000/1-2017/9 月資料 _Datastream 中國 消費者物價指數 2000/1-2017/9 月資料 _Datastream

產出水準

加拿大 工業生產指數 2000/1-2017/9 月資料 _Datastream 丹麥 工業生產指數 2000/1-2017/9 月資料 _Datastream 挪威 工業生產指數 2000/1-2017/9 月資料 _Datastream 瑞典 工業生產指數 2000/1-2017/9 月資料 _Datastream 英國 工業生產指數 2000/1-2017/9 月資料 _Datastream 澳洲 工業生產指數 2000/1-2017/9 月資料 _Datastream 歐元區 工業生產指數 2000/1-2017/9 月資料 _Datastream 泰國 工業生產指數 2000/1-2017/9 月資料 _Datastream 日本 工業生產指數 2000/1-2017/9 月資料 _Datastream 台灣 工業生產指數 2000/1-2017/9 月資料 _Datastream 菲律賓 工業生產指數 2000/1-2017/9 月資料 _Datastream 印尼 工業生產指數 2000/1-2017/9 月資料 _Datastream 香港 工業生產指數 2000/1-2017/9 月資料 _Datastream 新加坡 工業生產指數 2000/1-2017/9 月資料 _Datastream 韓國 工業生產指數 2000/1-2017/9 月資料 _Datastream 中國 工業生產指數 2000/1-2017/9 月資料 _Datastream

貨幣供給

加拿大 _M1 2000/1-2017/9 月資料 _Datastream

丹麥 _M1 2000/1-2017/9 月資料 _Datastream

瑞典 _M1 2000/1-2017/9 月資料 _Datastream

瑞士 _M1 2000/1-2017/9 月資料 _Datastream

英國 _M0 2000/1-2017/9 月資料 _Datastream

澳洲 _M1 2000/1-2017/9 月資料 _Datastream

歐元區 _M1 2000/1-2017/9 月資料 _Datastream

泰國 _M1 2000/1-2017/9 月資料 _Datastream

日本 _M1 2000/1-2017/9 月資料 _Datastream

‧

台灣 _M1B 2000/1-2017/9 月資料 _Datastream

菲律賓 _M1 2000/1-2017/9 月資料 _Datastream

印尼 _M1 2000/1-2017/9 月資料 _Datastream

馬來西亞 _M1 2000/1-2017/9 月資料 _Datastream

香港 _M1 2000/1-2017/9 月資料 _Datastream

新加坡 _M1 2000/1-2017/9 月資料 _Datastream

韓國 _M1 2000/1-2017/9 月資料 _Datastream

中國 _M1 2000/1-2017/9 月資料 _Datastream

3.2

資料期間內各國貨幣走勢

3.2.1 美元指數2008:09-2017:08期間走勢

首先_, 我們先從圖₁觀察美元指數在這資料期間的變化態勢_,美國₂₀₀₈年次

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖

_1:

美元指數走勢圖

3.2.2 OECD主要貨幣2008:09-2017:08期間走勢

比較圖₂與圖_3,我們可以發現在_OECD 主要貨幣中_,歐元與英鎊走勢相近_, 呈現先升後貶走勢_, 且匯價皆低於十年低點。 由圖_2, 在₂₀₀₈年金融風暴後_, 歐元出現較強烈的震盪幅度_,2009年希臘爆發債務危機_, 同時遭受金融投機 客狙擊_,歐元重貶約_20%,而後歐盟成員國提出一連串紓困貸款_,才使其逐漸 回升。 西班牙為歐元區第四大經濟體_,其第四大銀行_Bankia向中央提出援助 金要求_,西班牙政府也以國債挹注資金_,協助紓困_{, 2012}年歐元跌至_1.245低 點並經調整重回_1.4匯價。 ₂₀₁₄年歐美貨幣政策分化_, 美國開始縮減 _QE 規 模_, 歐洲為了挽救歐債危機以來的經濟景氣衰退而實施購債計畫_, 歐元大跌 至_1.05,直到₂₀₁₇年_,歐元區景氣逐漸復甦_,通貨緊縮改善_,央行表示將收緊 貨幣政策_, 歐元逐漸上漲。 由圖_3, 英鎊在金融風暴後同樣暴跌_35%, 而後近 五年震盪幅度穩定_, 直到₂₀₁₄年美國 _QE 退場_, 非美貨幣因此受到衝擊_, 造 成英鎊持續下挫。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖

_2:

歐元兌美元走勢圖

2016年₆月_,英國舉行脫歐公投_,脫歐派勝出_,英鎊一度驟貶_12%, 同年₈ 月央行也祭出寬鬆政策_, 其為₂₀₀₉年以來首度降息_, 而後_, 英鎊在_1.2至_1.3

區間整理_{, 2017}年₃月啟動里斯本條約第₅₀條_,確定退出歐盟並開始兩年的

協商_,脫歐談判進展持續推進_,英鎊走勢看漲。

圖

_3:

英鎊兌美元走勢圖

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖₄及圖₅則為加幣及澳幣的走勢圖。 由於加幣與澳幣皆為商品貨幣_,其 走勢與原物料有高度相關。 加拿大為全球第三大的產油國_, 原油對 _GDP 之 影響大約為_10%, 因此加幣與原油走勢呈現高度相關。 歷經金融風暴後_, 在 2011年原油由₃₅元美金漲至₁₁₅美金_, 加幣同樣升值了約_{27%, 2015}年美 國宣布升息_,對原油價格造成影響_,加拿大國內之經濟情勢疲軟_,就業數據及 消費者購買力下降_{, 2015}年底加幣重貶低於金融風暴時低點。 澳洲有豐富的 礦產資源_, 也是全球最大的鐵礦砂出口國_, 因此澳幣與鐵礦砂價格走勢有高 度相關。 金融風暴後_,澳幣一路強升到_1.1, 而後因原物料價格大跌影響到澳 洲本國經濟_,物價下跌導致通膨趨緩_,澳洲央行持續維持寬鬆政策_,澳幣也持 續走軟至₂₀₁₆年才開始止跌回升。

圖

_4:

美元兌加幣走勢圖

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖

_5:

澳幣兌美元走勢圖

3.2.3 亞洲區主要貨幣2008:09-2017:08期間走勢

至於此分析期間_,亞洲主要國家匯率走勢如圖₆至圖₉所示_,依序為美元兌日 圓、 美元兌韓元、 美元兌台幣以及美元兌人民幣。 自₂₀₀₈年金融風暴以來_, 日圓由₁美元兌₁₀₈日圓大漲至₁美元兌₇₆日圓_, 其原因可能為在資金成本 較低的環境下_, 日圓利差交易頻繁而導致的結果_, 在歐債危機爆發後_, 日圓 也因避險情緒升溫而走強。 在安倍上任後_,積極採行寬鬆貨幣政策刺激景氣_, 日圓開始走貶_, 直至₂₀₁₅年貶至₁美元兌₁₂₅日圓_{, 2016}年脫歐公投_, 避險 情緒升溫推升日圓買盤_, 在年底日圓大幅貶值_, 其主要原因為聯準會釋放升 息循環訊息導致日圓下挫。₂₀₁₇年日本仍持續採行寬鬆政策_,惟政治風險事 件頻繁_,導致日圓呈震盪走勢。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖

_6:

美元兌日圓走勢圖

韓元於金融風暴後持續升值_,在安倍上任後_,國際資金也轉向台幣、 韓元、

人民幣等等_, 使亞洲區貨幣匯率走強_,2014後半年_, 全球景氣轉好_, 韓國政府 打壓韓元升勢造成貶值_, 有利出口產業如汽車、 電子零件等等。 台幣在金融 風暴後美國祭出_QE政策使得資金回流至亞洲國家_,導致台幣大幅升值。

圖

_7:

美元兌韓元走勢圖

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖

_8:

美元兌台幣走勢圖

2011年受到歐債危機影響_, 台幣小幅貶值_{, 2015}年底美國升值導致台幣

劇貶_{, 2016}年經濟回穩、 熱錢湧入導致台幣升值。 受惠於經濟成長快速_, 人

民幣於金融風暴後持續升值_,至₂₀₁₄年約升值_11%,而後人行開實施寬鬆政 策_,人民幣因此大貶_,中國經濟持續趨緩_,直至₂₀₁₇年才開始回穩。

圖

_9:

美元兌人民幣走勢圖

‧

‧

3.4.2 Clark and West檢定

本研究採用 Clark and West(2007) 提出之檢定方法_, 評估精簡模型 (parsi-monious model) 以及含有較多參數之結構模型 (large model)之預測表現。

在本研究中我們以隨機漫步模型代表精簡模型_,因子結合其他基本面模型代

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

4 實證結果

在本節中_, 我們將使用 Engel, Mark and West (2014) 之因子模型以及因子 結合其他前述所提及之匯率預測模型_, 透過遞迴法進行樣本外預測_, 並利用

Theil’s U 比例及 _CW 檢定比較各模型對於匯率預測之準確性。 其中_, 由於

考慮到歐元於₁₉₉₉年₁月₁日正式啟用以及其因調整所需之過渡期間_,因此 將資料期間設定為₂₀₀₀年₁月至₂₀₁₇年₉月。 爾後_,我們將探討全球因子及 亞洲區因子對於亞洲匯率之預測表現差異_,以及各幣別對於不同模型之預測 表現。

4.1

全球因子對匯率之預測表現

表₂為全球因子 ₍我們採用 _Kaiser 準則所選取之因子個數為₄因子₎ 對匯率 相對於隨機漫步之預測表現_, 其中_{, U} 值之中位數隨著期數拉長_, 數值越小_, 顯示各國貨幣之長期預測表現優於短期。 表₂中顯示_, 購買力平價在極長期 (h=36)預測下表現為最好_,其中位數為_0.969且在₁₇個樣本中_,有₁₀個樣本 中位數小於_1, 且有₅個樣本顯著拒絕 _CW 檢定之虛無假設。 此結果顯示全 球匯率在極長期 _(h=36) 預測下_, 購買力平價模型之預測表現較可能優於隨 機漫步模型_,其中中位數小於₁且顯著之國家為瑞典、 台灣、 印尼、 馬來西亞 與新加坡。 在中長期 _(h=12、₂₄₎的預測區間中_,以貨幣學派模型及泰勒模型 表現較佳。 而以各幣別來看_, 丹麥克朗以因子結合貨幣學派理論做為其預測 模型之表現為最佳_,其在中長期_(h=12、₂₄、₃₆₎之預測表現皆優於隨機漫步_, 港幣則以因子結合泰勒法則做為其預測模型之表現為最佳_,在短期_(h=6)至

極長期_(h=36)的區間皆有優於隨機漫步之預測表現。

‧

No.currency 6 12 24 36

Fˆ_{i t} −s_{i t} Global/ median U 2.167 1.639 1.234 1.042

‧

No.currency 6 12 24 36

Fˆ_{i t} −s_{i t} Global/ median U 2.194 1.665 1.277 1.09

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

表

_4:

亞洲因子預測表現

_{(r = 3)}

model Sample

statistic 預測區間_(h)

No.currency 6 12 24 36

Fˆ_{i t} −s_{i t} Asian/ median U 2.251 1.723 1.326 1.165 N =10 U < 1 0(0) 0(0) 3(2) 3(1) Fˆ_{i t} −s_{i t}+PPP Asian/ median U 3.509 2.919 2.048 1.971

N =10 U < 1 0(0) 1(1) 3(3) 4(4) Fˆ_{i t}−s_{i t}+Monetary Asian/ median U 3.9 2.586 1.545 1.39 N =9 U < 1 0(0) 0(0) 3(1) 2(0) Fˆ_{i t} −s_{i t}+Taylor Asian/ median U 3.062 2.163 1.754 1.579

N =9 U < 1 0(0) 0(0) 0(0) 1(1) Fˆ_{i t} −s_{i t}+UIP Asian/ median U 2.353 1.607 1.525 1.806

N =9 U < 1 0(0) 0(0) 1(1) 1(1) Note: 同表₂說明。

表₅為₄因子之預測表現_,結果顯示_,在中長期之預測表現皆有明顯優於₃ 因子之表現_,且仍以購買力平價模型表現為佳_;亞洲各國之貨幣在長期下_,以 泰勒法則及未拋補利率平價作為預測之模型皆有顯著改善_; 就各幣別而言_, 台幣在購買力平價模型中仍保持優異之預測表現_,韓元在₄因子模型中顯著 優於₃因子模型_,且在中長期表現皆優於隨機漫步模型。

‧

No.currency 6 12 24 36

Fˆ_{i t} −s_{i t} Asian/ median U 2.312 1.701 1.142 1.103

‧

Model Sample/No.currency statistic 6 12 24 36

Fˆ_{i t} −s_{i t} Global/N = 10 2.48 1.729 1.386 1.103 0(0) 1(1) 3(2) 4(0)

Asian/N = 10 2.312 1.701 1.142 1.103

0(0) 1(0) 3(1) 5(2) Fˆ_{i t} −s_{i t}+PPP Global/N = 10 2.258 1.605 1.161 0.843

1(0) 2(0) 3(3) 6(4)

Asian/N = 10 2.365 1.839 1.357 1.065

0(0) 1(0) 4(2) 5(3) Fˆ_{i t}−s_{i t}+Monetary Global/N = 9 3.706 2.306 1.608 1.376

medianU 0(0) 1(0) 1(1) 1(2) Asian/N = 9 U < 1 2.957 2.245 1.758 1.536

1(0) 1(1) 0(0) 1(2) Fˆ_{i t} −s_{i t}+Taylor Global/N = 9 2.885 2.005 1.5 1.025

0(0) 1(1) 2(1) 4(2)

Asian/N = 9 2.827 2.009 1.412 1.117

0(0) 1(1) 1(1) 3(4) Fˆ_{i t} −s_{i t}+UIP Global/N = 9 2.798 1.823 1.608 2.039

0(0) 0(0) 0(0) 3(2)

Asian/N = 9 2.499 1.736 1.659 1.202

0(0) 1(0) 2(1) 1(0)

‧

Country Factor h=6 h=12 h=24 h=36

泰銖 _{global 3.6606 1.8467 0.8836}^∗ _0.7061

asian 3.0158 2.1581 1.5737^∗ 1.2921

日圓 _{global 2.7179 1.9481 1.4711} 0.9465

asian 2.6315 1.8555 1.1725 0.7968^∗

台幣 _{global 1.9592 1.4856 1.1843 0.9197}

asian 1.9916 1.5459 1.1116 0.9135

港幣 _{global 1.4158 1.24 0.9611 1.152}

asian 1.4087 1.2539 1.0959 1.3124

韓元 _{global 1.45} 0.8489^∗ 0.7146^∗ 0.7643

asian 1.064 0.9695 0.7567 0.6459^∗

購買力平價模型(Purchasing power parity model)

Country Factor h=6 h=12 h=24 h=36

泰銖 _{global 2.1022 1.5043 1.1103 0.7473}

asian 2.9902 2.1397 1.5268 1.1929

日圓 _{global 2.4178 1.7048 1.151} 0.7514

asian 2.2038 1.5539 0.9926 0.6947

台幣 _{global 1.2739 0.9888 0.737}^∗ _0.629^∗

asian 1.2026 0.9335 0.6858^∗ 0.5685^∗

港幣 _{global 1.4542 1.2944 1.1788 1.4187}

asian 2.0258 1.8032 1.6165 1.9436

韓元 _global 0.9575 0.8725 0.7626^∗ 0.77

asian 1.2074 1.1001 0.8619 0.9375

‧

Country Factor h=6 h=12 h=24 h=36

泰銖 _{global 10.7207 2.5208 3.5168 3.1347}

asian 2.0169 1.4662 3.6242 3.226

日圓 _{global 3.2156 2.5099 1.6076 1.1073}

asian 3.7842 2.9255 1.5843 1.0993^∗

台幣 _{global 2.6082 2.3064 1.6002 1.3763}

asian 2.0954 2.1508 1.7579 1.5362

港幣 _{global 1.1767 0.9812 0.6328}^∗ _0.7292^∗

asian 0.9881 0.7608^∗ 1.0327 1.2211

韓元 _{global 5.4277 2.2423 2.206 2.3373}

asian 6.4381 2.5934 3.9216 4.2491

泰勒法則模型(Taylor rule model)

Country Factor h=6 h=12 h=24 h=36

泰銖 _{global 3.2344 1.2125 1.8167 1.6065}

asian 4.246 0.8598^∗ 1.8969 1.6847

日圓 _{global 2.8849 2.0072 1.5003 1.0255}

asian 2.8266 2.1868 1.4121 0.9634^∗

台幣 _{global 1.9314 1.4605 1.0573 0.7788}

asian 1.7182 1.3885 1.1103 0.8312

港幣 _{global 1.0422 0.7161}^∗ _0.8158^∗ _0.9693^∗

asian 1.0971 1.158 0.8543^∗ 1.0109^∗

韓元 _{global 1.6122 1.1936} 0.8415 0.8973

asian 1.5238 1.1692 1.0471 1.1174^∗

‧

Country Factor h=6 h=12 h=24 h=36

泰銖 _{global 4.2636 2.7604 2.4162 3.1417}

asian 3.3013 2.6545 2.4 2.7186

日圓 _{global 1.9864 1.6904 1.5313 1.07}

asian 2.2165 1.7357 1.7096 1.2016

台幣 _{global 2.6188 1.8234 1.1458 0.9118}

asian 1.7675 1.1726 0.9827 1.0464

港幣 _{global 1.4925 1.3231 1.0256 0.9744}

asian 1.3807 1.5502 1.054 0.9451

韓元 _{global 1.4108 1.2728 1.62 2.0392}

asian 1.2656 0.9072 0.7451^∗ 1.0408

Note:(1)global表示以全球匯率估計出之因子_,並選擇因子個數為_5,asian表示以亞洲匯率

‧

Model Sample statistic 6 12 24 36

Fˆ_{i t} −s_{i t} early 2.417 1.767 0.913 0.89 0(0) 3(1) 5(5) 5(3)

late 1.362 1.162 0.993 0.728

1(0) 4(3) 5(4) 6(3) Fˆ_{i t} −s_{i t}+PPP early 3.157 2.073 1.268 1.054

0(0) 1(0) 4(4) 4(0)

late 1.774 1.463 1.014 0.72

0(0) 0(0) 4(3) 6(5) Fˆ_{i t} −s_{i t}+Monetary early 3.247 2.292 1.648 1.353

medianU 0(0) 2(0) 3(3) 2(3) late U < 1 2.259 1.84 1.42 0.882

1(1) 3(3) 3(3) 5(4) Fˆ_{i t} −s_{i t}+Taylor early 2.348 1.34 1.296 1.113

2(2) 4(4) 3(3) 4(3)

late 2.14 1.351 1.07 0.686

2(1) 4(2) 4(4) 7(4) Fˆ_{i t}−s_{i t}+UIP early 1.633 1.225 1.043 1.054

1(1) 4(3) 6(4) 6(1)

late 1.712 1.522 1.188 2.024

1(1) 1(1) 2(1) 1(1)

‧

Model Sample statistic 6 12 24 36

Fˆ_{i t} −s_{i t} early 2.643 1.898 0.914 1.032 0(0) 0(0) 5(5) 5(5)

late 1.309 1.131 1.034 1.48

2(0) 3(2) 4(3) 3(2) Fˆ_{i t} −s_{i t}+PPP early 2.866 1.969 1.45 1.052

0(0) 1(1) 4(4) 5(1)

late 1.678 1.458 1.115 1.049

1(0) 1(1) 4(3) 4(3) Fˆ_{i t} −s_{i t}+Monetary early 3.046 2.48 1.779 1.666

medianU 0(0) 1(1) 3(3) 2(2) late U < 1 2.621 1.594 1.385 1.604

2(0) 2(2) 3(3) 4(4) Fˆ_{i t} −s_{i t}+Taylor early 2.71 1.229 1.252 1.249

3(2) 4(3) 3(3) 3(3)

late 1.968 1.32 1.02 1.075

1(1) 2(2) 4(3) 3(3) Fˆ_{i t}−s_{i t}+UIP early 1.651 1.537 1.071 1.1

2(0) 2(0) 4(3) 2(2)

late 1.823 1.493 1.299 1.916

1(1) 1(1) 2(2) 1(1) Note:同表₂說明。

‧

‧

Berkowitz, J. and Giorgianni, L. (2001). “Long-horizon Exchange Rate Predictability?” Review of Economics and Statistics, 83, 81-91.

Corte, P. D., Sarno, L. and Tsiakas, I. (2011). “Spot and forward volatility

Corte, P. D., Sarno, L. and Tsiakas, I. (2011). “Spot and forward volatility

在文檔中 以匯率因子模型為基礎的亞洲各國匯率預測 - 政大學術集成 (頁 10-0)