結論

經由此研究，不難發現單單就報酬率來看，各國相互影響的層面是相當廣 的，可以說明國際市場的報酬部分是息息相關的，就理性的投資人而言，相當值 得去探討及瞭解。在報酬波動來看，經濟較強的國家或區域所帶來的衝擊其影響 力較大，對決定金融策略的政府而言，是不可忽視的因素，必須謹慎處理。

由多元模式的實證結果可以發現其互動關係，各國股價指數多少皆受自我前 一期的影響，而其影響程度依次為日本、香港、美國，然而股票市場愈健全，股 市受前一期之影響則愈小，雖說日本為亞洲經濟大國，但在經由股市泡沫化之 後，所受影響極深。香港受日本前一期影響係數與受美國前一期影響係數相去不 遠是因香港與美國同為英語系國家，以亞洲與美洲的交易方面中則無語言的隔 閡，因此美國與香港交易次數較頻繁。而日本跟同為亞洲市場的香港股市，彼此 的文化、經濟、制度相同性大，因此會有一定的互相影響程度。此外，日本與香 港受美國前一到二期的影響顯著，表示兩國經貿依賴美國程度不低，而隨著市場 開放之下，國際因素所造成的影響力似乎遠壓過本國市場因素。國際傳導現象主 要是透過異常報酬外溢效果影響另一股市。因此各國之間經濟與資金的傳導與聯 動，也是日漸需關心探討的主題。

參考文獻

1. Becker, K. G., Finnerty, J. E., and Tucker, A. L. (1992), “The intraday

interdependence structure between U.S. and Japanese equity markets.”,Journal

of Financial Research. 27-37.

2. Black, F. (1976), “Studies of Stock Price Volatility Changes,” Proceeding of the 1976 Meetings of the Business and Economics Statistics Section, American Statistical Association, 177-181.

3. Bollerslev, T. (1986),”Generalized autoregressive conditional heteroskedasticity.”

Journal of Econometrics, 31, 307-327

4. Bollerslev, T. (1990) “Modeling the Coherence on Short-Run Nominal Exchange Rates: A Multivariate GARCH Model.”, Review of Economics and

Statistics, 72, 498-505.

5. Bollerslev, T., Chou, R., and Kroner, K. (1992), “ARCH Modeling in Finance:A Review of the Theory and Empirical Evidence.”, Journal of Econometrics, 52, 5-59.

6. Bollerslev, T., and Wooldridge, J. M. (1992), “Quasi-Maximum Likelihood Estimation of Dynamic Models with Time Varying Covariances”, Econometric

Reviews, 11, 143-172.

7. Chen, C.W.S., Chiang, C., and So, K. P. (2003), “Asymmetrical reaction to US stock-return news:evidence from major stock markets based on a

double-threshold model.”, Journal of Economics and Business, 55 , 487-502.

8. Chowdhury, A. R. (1994), “Stock Market Interdependencies: Evidence from the Asian NIEs.”, Journal of Macroeconomics, 16, 629–651.

9. Christie, A. A. (1982),“The Stochastic Behavior of Common Stock Variances:

Value,Leverage, and Interest Rate Effects,” Journal of Financial Economics , 10, 407-432

10. Engle, R. (1982), “Autoregressive conditional heteroskedasticity with estimates of the variance of U.K. inflation.”, Econometrica, 50, 987-1008.

11. Engle, R., and Ng, V. (1993), “Measuring and testing of the impact of news on Volatility.”, Journal of Finance, 48, 1749-1778.

12. Fama, E. F. (1965), “The Behavior of Stock Market Prices.”, Journal of

Business, 38, 34-105.

13. French, K., Schwert, W., and Stambaugh, R. (1987), “Expected stock returns and Volatility.”, Journal of Financial Economics, 19, 3-29

14. Glosten, L. R., Jagannathan, R., and Runkle, D. (1993), “On the Relation Between the Expected Value and the Volatility of the Nominal Excess Return on Stocks.”,Journal of Finance, 48, 1779-1801.

15. Granger, C.W. J. (1969), “Investigation causal relations by econometric models and cross-spectral methods.”, Econometrica, 37, 424-438

16. Gujarati, D. (2003), Basic Econometrics, 4^th ed., McGraw-Hill.

17. Ljung, G. M., and Box, G.E.P. (1978), “On a Measure of Lack of Fit in Time Series Models.”, Biometrika, 65, 297-303

18. Longin, F. and Solnik, B. (1995), “Is the International Correlation of Equity Returns Constant: 1960-1990?”, Journal of International Money and Finance, February, 3-26.

19. Mackinnon, J. E. (1991), “Critical Values for Cointegration Tests, in R.F. Engle and C.W.J. Granger (eds.), Long Run Economic Relationships,” Oxford University Press, 267-276

20. Mandelbrot, B. (1963), “The Variation of Certain Speculative Prices.”, Journal

of Business, 36, 294-419.

21. Morgan , I. G. (1976), ”Stock Price and Heteroskedasticity.”, Journal of

Business, 49, 496-508.

22. Nelson, D. (1990), “ARCH Models as Diffusion Approximations.”, Journal of

Econometrics, 45, 7-38

23. Pourahmadi, M. (1990), “Joint mean-covariance models with applications to longitudinal data: Unconstrained parameterization.”, Biometrika, 86, 677-690 24. Tsay., R. S. (2002), “Analysis of Financial Time Series.”, New York: Wiley.

25. Schwert, G. W. (1990), “Stock Volatility and the Crash of 87.”, Review of

Financial Studies, 3, 77-102

26. Tse, Y. K., and Tsui, A.K.C. (1998),”A multivariate GARCH model with time-varying correlations.”, working paper, Department of Economics, National University of Singapore.

27. 王甡（1995）,「報酬衝擊對條件波動所造成之不對稱效果⎯台灣股票市場之 實證分析」, 證券市場發展季刊,第 7 卷第 1 期 , 頁 125-160。

圖表

(表一)市場日報酬的敘述統計表

Hang Seng

Index

Nikkei 225 Index

S&P 500 Index

Observations 1811 1811 1811 Mean 0.0221 0.0071 0.0014 Variance 1.9103 1.8804 1.3625 Standard Error 1.3821 1.3713 1.1673 Skewness -0.2470 -0.1137 0.1084 Excess Kurtosis 3.3592 1.9816 2.1071 Jarque-Bera 869.8848

(0.0000)

300.2150 (0.0000)

338.5860 (0.0000) ARCH effect 32.6618

(0.0000)

85.2349 (0.0000)

177.5180 (0.0000)

註：1. ( )內為 P-value。

2. Jarque-Bera 為檢定是否為常態分配，三個市場的資料都不為常態分配。

3. ARCH effect 服從自由度為 5 的卡方分配。

(表二)日價格與日報酬的單根檢定表

Price Log return

ADF test statistic t-Statistic P-value t-Statistic P-value Nikkei 225 Index -1.01359 0.7504 -43.5072 0.0001 Hang Seng Index -1.77154 0.3950 -41.0628 0.0000 S&P500 Index -1.66873 0.4471 -43.5099 0.0001

*MacKinnon (1996) one-sided p-values.

註：虛無假設為此資料無單根現象。

(表三)三個市場之報酬率的因果檢定表

虛無假設 Lags: 1 Lags: 2 Lags: 3

日本 －×→ 香港 2.3989 (0.1216) 2.2432 (0.1064) 1.6678(0.1720) 香港 －×→ 日本 6.9311 (0.0085) 3.4070 (0.0334) 2.2343(0.0824) 美國 －×→ 香港 412.617(0.0000) 211.505 (0.0000) 147.624(0.0000) 香港 －×→ 美國 0.2352(0.6278) 0.8375(0.4330) 0.2300(0.8755) 美國 －×→ 日本 287.316(0.0000) 147.159(0.0000) 98.2563(0.0000) 日本 －×→ 美國 1.9289(0.1651) 0.7424(0.4761) 0.2701(0.8470)

註：1.符號偏誤檢定(Sign bias test)、程度偏誤檢定(Negative size bias test)與正程度偏誤檢定(Positive size bias test)的 t 檢定統計值。

2.聯合檢定(Joint test)為服從自由度為 3 的卡方分配

(表四)變異數不對稱性檢定表

日本 香港

診斷檢定方法 Estimation Stat. P-value Estimation Stat. P-value

Constant 1.2938 7.8616 0.0000 1.7685 8.9705 0.0000

Sign bias test 0.1797 0.7709 0.4409 -0.2479 -0.8490 0.3960 Negative size bias test -0.3052 -2.3619 0.0183 -0.5338 -3.5146 0.0005 Positive size bias test 0.2124 1.6469 0.0998 -0.0377 -0.2547 0.7990 Joint test 356.8820 14.8890 0.0019 295.0750 11.1546 0.0109

(表五)Cross-correlation matrixes 交叉相關係數矩陣

(表六)單一變量模式之參數表

Nikkei 225 Index Hang Seng Index

GARCH GARCH-t GJR-GARCH-t GARCH GARCH-t GJR-GARCH-t

α

0 ^0.0367

(0.0021)

0.0205 (0.0130)

0.0277 (0.0052)

0.0074 (0.0229)

0.0059 (0.0783)

α

1 0.1031 (0.0000)

0.0750 (0.0000)

0.0568 (0.0002)

0.0527 (0.0000)

0.0404 (0.0000)

0.0255 (0.0034)

β

1 0.8819

(0.0000)

0.9175 (0.0000)

0.9083 (0.0000)

0.9446 (0.0000)

0.9596 (0.0000)

0.9554 (0.0000)

δ

0.0204

(0.0000)

0.4340 (0.0000)

0.4337 (0.0448)

0.4510 (0.0000)

0.4441 (0.0000)

0.4413 (0.0000)

γ

_0.0473

(0.0000)

0.0342 (0.0038)

ν

7.3353

(0.0000)

7.4479 (0.0000)

7.5229 (0.0000)

7.0992 (0.0000)

⎟⎟ ⎠

⎜⎜ ⎞

⎝

⎛

−

−

_{1 1}

0

1 α β

α

2.4467 2.7333 0.7937 2.7407 0.3089

註：1. ( )內為 P-value。

2. 資料為日報酬率。

(表七)單一變量模式之 Ljung-Box (Q)統計量表

Nikkei 225 Index Hang Seng Index

GARCH GARCH-t GJR-GARCH-t GARCH GARCH-t GJR-GARCH-t

Q(5)

6.3558

11.1035 (0.3495)

10.8750 (0.3673)

13.5344 (0.5611)

13.0772 (0.5963)

12.5469 (0.6373)

13.5328 (0.5612)

12.8398 (0.6147)

Q(20)

16.8625

(0.6619)

14.9504 (0.7792)

14.7695 (0.7894)

18.3714 (0.5630)

19.4778 (0.4910)

18.4020 (0.5609)

Q

²

(5)

8.9022

(0.1130)

19.6819 (0.4780)

18.3876 (0.2428)

11.4083 (0.3266)

11.7939 (0.2991)

16.3914 (0.3565)

9.0259 (0.8762)

8.2236 (0.9145)

11.6158 (0.7078)

Q

²

(20)

22.0894

(0.3357)

8.5611 (0.1279)

17.4500 (0.6236)

13.7331 (0.8438)

11.9555 (0.9176)

16.5414 (0.6825)

註：1. ( )內為 P-value。

2. Q(10)及 Q²(20)分別為落後期數 10 的標準化殘差之 Q-統計量及標準化殘差平方之 Q-統計量，是用來檢視報酬的自我迴歸之 Ljung-Box 統計量。

(表八)日本和香港兩市場

在相關係數為常數之下的二元 GARCH 模式參數表 Variable Estimation Std Error P-value

q

12 -0.0343 0.0195 0.0795

q

23 0.0567 0.0201 0.0047

α10 0.0345 0.0086 0.0001

α 11 0.0710 0.0099 0.0000 α 21 0.0182 0.0066 0.0058 α 22 0.0548 0.0053 0.0000

α20 0.0143 0.0050 0.0043

β 11 0.8945 0.0132 0.0000 β 12 0.0188 0.0060 0.0016 β 21 -0.0241 0.0103 0.0196 β 22 0.9476 0.0071 0.0000

ρ 0.4939 0.0162 0.0000

註：資料為日報酬率。

(表九) 兩市場在相關係數為常數之下的二元 G ARCH 模式的Ljung-Box Q statistics Nikkei 225 Index

Q(5) 0.1583 (0.9995)

Q(10) 5.0523 (0.8877)

Q(15) 5.4808 (0.9872)

Q(20) 7.0187 (0.9966) Q²(5) 5.7740

(0.3288)

Q²(10) 12.2729 (0.2672)

Q²(15) 18.7475 (0.2254)

Q²(20) 20.8806 (0.4042) Hang Seng Index

Q(5) 6.4287 (0.2667)

Q(10) 8.7079 (0.5600)

Q(15) 17.3658 (0.2975)

Q(20) 22.1075 (0.3347) Q²(5) 8.1142

(0.1501)

Q²(10) 9.2258 (0.5108)

Q²(15) 16.0546 (0.3784)

Q²(20) 21.3476 (0.3769)

註：1. ( )內為 P-value。

2. Q(10)及 Q²(20)分別為落後期數 10 的標準化殘差之 Q-統計量及標準化殘差平方之 Q-統計 量，是用來檢視報酬的自我迴歸之 Ljung-Box 統計量。

(表十)兩市場在相關係數隨時間變動之下的多變量模式 Variable Estimation Std Error P-value

p

21 0.0353 0.0201 0.0790

q

12 -0.0357 0.0190 0.0607

q

23 0.0531 0.0183 0.0037

α10 0.0527 0.0108 0.0000

α 11 0.0855 0.0116 0.0000 β 11 0.8904 0.0127 0.0000

γ 1 0.9999 0.0001 0.0000

γ 2 0.0020 0.0008 0.0144

α 21 0.0093 0.0028 0.0008 α 22 0.0667 0.0062 0.0000 β 22 0.9252 0.0070 0.0000

註：資料為日報酬率。

(表十一)兩市場在相關係數隨時間變動之下的多變量模式的Ljung-Box Q statistics Nikkei 225 Index

Q(5) 0.6496 (0.9856)

Q(10) 5.3160 (0.8691)

Q(15) 5.4875 (0.9871)

Q(20) 7.0548 (0.9965) Q²(5) 6.4593

(0.2641)

Q²(10) 11.3343 (0.3321)

Q²(15) 17.6355 (0.2823)

Q²(20) 22.9925 (0.2892) Hang Seng Index

Q(5) 5.1476 (0.3981)

Q(10) 7.5921 (0.6686)

Q(15) 15.8502 (0.3921)

Q(20) 20.1620 (0.4478) Q²(5) 6.2691

(0.2809)

Q²(10) 9.0142 (0.5308)

Q²(15) 14.4851 (0.4891)

Q²(20) 21.4502 (0.3711)

註：1. ( )內為 P-value。

2. Q(10)及 Q²(20)分別為落後期數 10 的標準化殘差之 Q-統計量及標準化殘差平方之 Q-統計 量，是用來檢視報酬的自我迴歸之 Ljung-Box 統計量。

(表十二) 三市場在相關係數隨時間變動之下的多變量模式 Variable Estimation Std Error P-value

p

131 -0.0390 0.0014 0.0000

p

132 -0.0035 0.0017 0.0447

p

211 0.2002 0.0002 0.0000

p

231 0.1997 0.0009 0.0000

p

331 0.0100 0.0003 0.0000

α0 0.0098 0.0007 0.0000

α 1 0.0531 0.0113 0.0000

α 2 0.9545 0.0164 0.0000

γ 1 0.8170 0.0016 0.0000

γ 2 -0.0353 0.0002 0.0000

β0 0.1700 0.0004 0.0000

β 1 0.0798 0.0001 0.0000

β 2 0.8901 0.0002 0.0000

u

1 0.7986 0.0010 0.0000

u

2 0.0100 0.0001 0.0000

w

0 0.0062 0.0001 0.0000

w

1 0.9793 0.0005 0.0000

w

2 0.0040 0.0001 0.0000

d

1 0.0602 0.0001 0.0000

d

2 0.6408 0.0002 0.0000

d

3 -0.0271 0.0001 0.0000

註：資料為日報酬率。

(表十三) 三市場在相關係數隨時間變動之下的多變量模式的Ljung-Box Q statistics

Nikkei 225 Index

Q(5)

3.6329 (0.6034)

Q(10)

8.9166 (0.5400)

Q(15)

9.6244 (0.8427)

Q(20)

11.1007 (0.9436)

Q

²

(5)

3.1031

(0.6841)

Q

²

(10)

3.1768 (0.9770)

Q

²

(15)

3.3593 (0.9992)

Q

²

(20)

3.5176 (0.9999)

Hang Seng Index

Q(5)

10.5544 (0.0610)

Q(10)

12.9563 (0.2261)

Q(15)

20.9477 (0.1385)

Q(20)

26.2959 (0.1563)

Q

²

(5)

4.4901

(0.4812)

Q

²

(10)

14.6176 (0.1466)

Q

²

(15)

30.8775 (0.0091)

Q

²

(20)

55.0251 (0.0001)

S&P 500 Index

Q(5)

4.5045 (0.4793)

Q(10)

6.5151 (0.7703)

Q(15)

22.1197 (0.1047)

Q(20)

27.1163 (0.1320)

Q

²

(5)

4.7002

(0.4535)

Q

²

(10)

9.8434 (0.4543)

Q

²

(15)

12.8475 (0.6141)

Q

²

(20)

16.6123.

(0.6780)

註：1. ( )內為 P-value。

2. Q(10)及 Q²(20)分別為落後期數 10 的標準化殘差之 Q-統計量及標準化殘差平方之 Q-統計量，是用來檢視報酬的自我迴歸 之 Ljung-Box 統計量。

(圖一)三個市場的時間序列圖

註：由上往下分別為日本 Nikkei 225 Index、香港 Hang Seng Index 與美國 S&P500 Index。

(圖二)三市場當期與前一期之本身的交叉相關散佈圖

註：資料採用日、港、美股市的日報酬率。

(圖三)三市場的交叉相關函數(CCF)圖

註：1.

⎥ ⎥

⎥

⎦

⎤

⎢ ⎢

⎢

⎣

⎡

SP of ACF HK,

landing SP

NI, landing SP

SP landing HK

HK, of ACF NI,

landing HK

SP landing NI

HK, landing NI

NI, of ACF

，2. 資料採用日、港、美股市的日報酬率。

(圖四) 兩市場隨時間變動的相關係數圖

(圖五)三市場隨時間變動的相關係數圖

在文檔中 全球已發展與新興之股市報酬及波動外溢效果分析：多元模式 (頁 25-40)