國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
本研究發展三元BEKK-GARCH模型為實證之基礎，區分成模型一與 模型二，探討在全樣本期間、金融海嘯前期、金融海嘯時期、歐債危機時 期、歐債危機後期以及八月股災時期，散裝海運產業金融傳導因子之間的 長期波動傳遞效果，實證結果顯示，在全樣本時期、金融海嘯前期以及金 融海嘯時期，美元指數、標普高盛商品指數與加權遠期運費協議指數間的 長期波動傳遞效果全部皆顯著，至於歐債危機時期、歐債危機後期與八月 股災時期，仍大多數長期波動傳遞效果顯著。
分市場別來看，標普高盛商品指數與美元指數的在每個時期雙向波動 傳遞效果皆顯著，然而，金融海嘯時期與歐債危機時期的正負向關係卻相 反，其雙向關係在八月股災時期亦不同，研判其主因為美元指數，因金融 海嘯的危機來源國為美國，歐債危機主要發生在歐元區，而八月股災則是 以中國經濟為震央，故不同時期因金融危機的主要發生國相異，使得不同 金融危機下會出現相異的實證結果。
此外，每個期間的加權遠期運費協議指數對波羅的海乾散貨運價指數 皆為正向關係顯著，波羅的海乾散貨運價指數與道瓊全球航運指數間皆為 雙邊正向關係顯著。
第二節 經濟意涵與建議
本研究利用時間序列之計量方式，利用不同的實證模型試圖瞭解散裝 海運產業金融傳導因子間之領先落後關係、短期報酬外溢效果與長期波動 傳遞效果，以及散裝海運產業波動傳導與對航運類股之影響，雖然本研究 仍有未臻完美之處，但在學術及實務上仍有其重要性存在，以下將針對本 研究之創新性說明如下：
71
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
一、實務的投資策略與經濟意涵
在投資策略上，利用傳遞熵所發現之散裝海運產業金融傳導因子間的 領先落後關係與三元BEKK-GARCH模型所實證之長期波動傳遞效果結合，
實證結果發現，在金融危機期間，資訊從道瓊全球航運指數流向波羅的海 乾散貨運價指數，再流向加權遠期運費協議指數，代表股票市場領先運費 市場，而運費市場又領先遠期運費協議市場，而每個期間的加權遠期運費 協議指數對波羅的海乾散貨運價指數皆為顯著正向關係，波羅的海乾散貨 運價指數與道瓊全球航運指數間皆為雙邊顯著正向關係，根據實證結果，
本研究建議預測波羅的海乾散貨運價指數的散裝海運產業業者與投資人，
可以道瓊全球航運指數與加權遠期運費協議指數作為先行指標。
除此之外，美元指數與標普高盛商品指數的資訊亦會流向加權遠期運 費協議指數，代表外匯市場與商品期貨市場亦領先遠期運費協議市場，根 據實證結果，本研究建議參與遠期運費協議市場交易的散裝海運產業業者 與投資人，可以參考美元指數、標普高盛商品指數、道瓊全球航運指數以 及波羅的海乾散貨運價指數。
在經濟意涵上，利用傳遞熵所發現之散裝海運產業金融傳導因子間的 領先落後關係與三元BEKK-GARCH模型所實證之長期波動傳遞效果結合，
發現在金融危機期間，資訊從其他四個散裝海運產業金融傳導因子大量流 向加權遠期運費協議指數，而其他四個散裝海運產業金融傳導因子對加權 遠期運費協議指數的長期波動傳遞效果亦較非金融期間顯著，代表在金融 危機期間，金融市場動盪程度提高，連帶影響散裝海運運價價格波動劇烈，
使得散裝海運產業業者與投資人的避險需求提升，由於波羅的海乾散貨運 價指數為散裝海運產業業者的每日報價，並非金融市場交易之結果，故散 裝海運產業業者與投資人會參考商品市場、股票市場、外匯市場以及運費 市場的資訊進行避險操作。
72
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
二、學術上的研究貢獻
（一） 發展加權遠期運費協議指數
過去有關遠期運費協議的研究，多以子指數如波羅的海海岬型運價指 數、波羅的海巴拿馬極限型船運價指數、波羅的海輕便極限型船運價指數 與波羅的海輕便型船運價指數與其所對應的近月遠期運費協議價格探討 短期報酬外溢效果與長期波動傳遞效果，本研究根據波羅的海乾散貨運價 指數的公式，將各子指數所對應的近月遠期運費協議價格編製成加權遠期 運費協議指數，經簡單回歸模型分析發現加權遠期運費協議指數對波羅的 海乾散貨運價指數的解釋能力與配適度最高。
在傳遞熵與三元BEKK-GARCH模型的實證結果亦顯示，加權遠期運 費協議指數為散裝海運產業金融傳導因子中資訊流向的最終端點，此外，
在金融危機期間，其他四個散裝海運產業金融傳導因子對加權遠期運費協 議指數的長期波動傳遞效果亦較非金融危機期間顯著。
（二） 證實道瓊全球航運指數與美元指數對散裝海運產業的影響
過去有關航運類股與美元指數對散裝海運產業影響的研究甚少，在航 運類股方面，僅少數文獻探討個別國家航運類股指數與波羅的海乾散貨運 價指數的連動關係，在美元指數方面，僅有文獻探討美元指數與商品期貨 的連動關係，以及商品期貨與散裝海運運費的報酬外溢效果與波動傳遞效 果，並未有文獻直接探討美元指數對散裝海運產業的影響。
本研究經實證結果發現，資訊會從道瓊全球航運指數與美元指數傳遞 到加權遠期運費協議指數，而短期報酬外溢效果與長期波動傳遞效果方面，
在金融危機期間亦顯著，美元指數則是在不同地區造成之金融危機，如美 國次級房貸、歐洲債務危機以及中國經濟成長趨緩引發的八月股災，有不 同的顯著結果。
73
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
針對研究建議，本研究提出幾點研究完成後之心得，以做為後續研究 參考。
一、研究範圍方面
由於本研究以散裝海運產業金融傳導因子為研究對象，未來研究可擴 大範圍，加入貨櫃海運產業，進而比較散裝海運產業與貨櫃海運產業的區 別，亦或者深入散裝海運產業到公司層面，探討公司與公司之間的資訊傳 遞，短期報酬外溢效果與長期波動傳遞效果。
二、散裝海運產業金融傳導因子方面
影響散裝海運運價的因素還有很多，如全球經濟的成長、船噸的供給 與需求、原物料商品的需求，都是影響散裝海運產業的變數之一，然而，
目前由於散裝海運產業的數據多配合不上，未來建議可以找尋其他散裝海 運產業金融傳導因子探討本研究未涵蓋的市場。
三、研究方法的方面
本研究所利用的傳遞熵為流體力學應用在金融方面的方法論，跳脫傳 統計量模型的基本假設框架，然而，由於方法論為近十幾年才開始發展，
故建議未來可利用其他更複雜的非傳統計量方法論來探討。
此外，三元BEKK-GARCH模型僅能證實變數與變數之間有長期波動 傳遞效果，但未能呈現衝擊所造成的波動反應大小，以及波動持續時間，
未來可利用波動衝擊反應函數來呈現。
最後，本研究所提出之具體結論、未來研究方向與建議等，係根據實 證模型、相關計量方法及檢定結果分析而得，在引用時仍須考量實務上之 法令制度、時空背景環境，以做為適度調整，方能靈活、正確運用。
74
‧
1. Alizadeh, A. H. (2013). Trading volume and volatility in the shipping forward freight market. Transportation Research Part E: Logistics and Transportation Review, 49(1), 250-265.
2. Alizadeh, A. H., Kappou, K., Tsouknidis, D., & Visvikis, I. (2015). Liquidity effects and FFA returns in the international shipping derivatives market.
Transportation Research Part E: Logistics and Transportation Review, 76, 58-75.
3. Andriosopoulos, K., Doumpos, M., Papapostolou, N. C., & Pouliasis, P. K.
(2013). Portfolio optimization and index tracking for the shipping stock and freight markets using evolutionary algorithms. Transportation Research Part E:
Logistics and Transportation Review, 52, 16-34.
4. Antonakakis, N., & Kizys, R. (2015). Dynamic spillovers between commodity and currency markets. International Review of Financial Analysis, 41, 303-319.
5. Alter, A., & Beyer, A. (2014). The dynamics of spillover effects during the European sovereign debt turmoil. Journal of Banking & Finance, 42, 134-153.
6. Batchelor, R., Alizadeh, A., & Visvikis, I. (2007). Forecasting spot and forward prices in the international freight market. International Journal of Forecasting, 23(1), 101-114.
7. Boltzmann, L. (1866). Über die mechanische Bedeutung des zweiten Hauptsatzes der Wärmetheorie:(vorgelegt in der Sitzung am 8. Februar 1866).
Staatsdruckerei.
75
‧
8. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of econometrics, 31(3), 307-327.
9. Chistè, C., & Van Vuuren, G. (2014). Investigating the cyclical behaviour of the dry bulk shipping market. Maritime Policy & Management, 41(1), 1-19.
10. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica:
Journal of the Econometric Society, 987-1007.
11. Daugherty, M. S., & Jithendranathan, T. (2015). A study of linkages between frontier markets and the US equity markets using multivariate GARCH and transfer entropy. Journal of Multinational Financial Management, 32, 95-115.
12. Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American statistical association, 74(366a), 427-431.
13. Dimpfl, T., & Peter, F. J. (2014). The impact of the financial crisis on transatlantic information flows: An intraday analysis. Journal of International Financial Markets, Institutions and Money, 31, 1-13.
14. Engle, R. F., & Kroner, K. F. (1995). Multivariate simultaneous generalized ARCH. Econometric theory, 11(01), 122-150.
15. Goulielmos, A. M., & Psifia, M. E. (2011). Forecasting short-term freight rate cycles: do we have a more appropriate method than a normal distribution?. Maritime Policy & Management, 38(6), 645-672.
16. Gusanu, A., Merika, A. A., and Triantafyllou, A. (2012). Is There a Lead-lag Relationship between Freight Rates and Stock Returns in the Drybulk Shipping Industry. Unpublished Manuscript, 1-34.
17. Li, J., Liang, C., Zhu, X., Sun, X., & Wu, D. (2013). Risk contagion in Chinese banking industry: A Transfer Entropy-based analysis. Entropy, 15(12), 5549-5564.
18. Jin, X., Lin, S. X., & Tamvakis, M. (2012). Volatility transmission and volatility impulse response functions in crude oil markets. Energy Economics, 34(6), 2125-2134.
19. Jin, X., & An, X. (2016). Global financial crisis and emerging stock market contagion: A volatility impulse response function approach. Research in International Business and Finance, 36, 179-195.
20. Kavussanos, M. G., & Nomikos, N. K. (2003). Price discovery, causality and forecasting in the freight futures market. Review of Derivatives Research, 6(3), 203-230.
21. Kavussanos, M. G., & Visvikis, I. D. (2004). Market interactions in returns and volatilities between spot and forward shipping freight markets. Journal
76
‧
of Banking & Finance, 28(8), 2015-2049.
22. Kavussanos, M., Visvikis, I., & Dimitrakopoulos, D. (2010). Information linkages between Panamax freight derivatives and commodity derivatives markets. Maritime Economics & Logistics, 12(1), 91-110.
23. Kavussanos, M. G., Visvikis, I. D., & Dimitrakopoulos, D. N. (2014).
Economic spillovers between related derivatives markets: The case of commodity and freight markets. Transportation Research Part E: Logistics and Transportation Review, 68, 79-102.
24. Kou, Y., & Luo, M. (2015). Modelling the Relationship between Ship Price and Freight Rate with Structural Changes. Journal of Transport Economics and Policy (JTEP), 49(2), 276-294.
25. Kullback, S. (1968). Information theory and statistics. Courier Corporation.
26. Merikas, A. G., Merika, A. A., & Koutroubousis, G. (2008). Modelling the investment decision of the entrepreneur in the tanker sector: choosing between a second-hand vessel and a newly built one. Maritime Policy &
Management, 35(5), 433-447.
27. Morales, L., & Andreosso-O'Callaghan, B. (2014). The global financial crisis:
World market or regional contagion effects?. International Review of Economics & Finance, 29, 108-131.
28. Olson, E., Vivian, A. J., & Wohar, M. E. (2014). The relationship between energy and equity markets: Evidence from volatility impulse response functions. Energy Economics, 43, 297-305.
29. Paas, T., & Kuusk, A. (2012). Contagion of financial crises: what does the empirical evidence show?. Baltic Journal of Management, 7(1), 25-48.
30. Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346.
31. Shannon, C. E. (1951). Prediction and entropy of printed English. Bell system technical journal, 30(1), 50-64.
32. Scarsi, R. (2007). The bulk shipping business: market cycles and shipowners’
biases. Maritime Policy & Management, 34(6), 577-590.
33. Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71(3),
33. Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71(3),