TDRs與原上市地股票價格關係之探討 - 政大學術集成

全文

(1)國立政治大學金融學系碩士班碩士論文. TDRs 與原上市地股票價格關係之探討 Price Transmission Dynamics between TDRs and the Underlying Foreign Securities. 指導教授: 朱浩民博士. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. i n C U h e n張韡華研究生: gchi 撰. 中華民國一○一年六月. v.

(2) 謝辭研究所生活一轉眼就過去了，過得很充實，所上老師與同學們帶給我許多知識和美好回憶，此篇論文也是因各方之力而順利完成。首先要感謝的是指導教授朱浩民老師，在撰寫論文的過程中總能不厭其煩地給予指導，不論在論文本身的研究上，還是在撰寫內文的過程中，遇到的困難和瓶頸朱浩民老師都給予詳盡的解說和協助，讓我得到很多啟發和幫助。另外，感謝口詴評審委員何中達老師和廖四郎老師不辭辛勞地審閱論文，給予意見，讓學生的論文得以更加完備。感謝我的父母，這些年在校念書的期間，給予我非常大的支持，讓我可以安心於學業，謝謝他們對我做的一切。在撰寫論文過程中，除了朱浩民老師，陳彥碩同學、陳明陽同學和辛柏緯同學也都給我許多幫助，像是軟體的操作或文獻蒐集等，還有我女朋友王薇婷，在每個時間點都給予我心靈上的支持，不僅如此，在論文研究和模型設計上也給了我實質的建議，總之，感謝大家的幫忙，讓我順利完成碩士論文。. 立. 政治大. 這段研究所光陰中難忘的回憶非常多，感謝每個同學；一同去長灘島畢旅，. ‧. ‧ 國. 學. 感謝曹君龍和藍婉如這對情侶的籌畫；送舊晚會雖然辛勞回憶卻非常美好，感謝陳明陽發起和每個同學的熱情參與；還有在研究室的生活，首要感謝林楙然開疆闢土，打下研究室的一隅，讓我們能與學長姐共用一室；還有陳冠孙，提供研究室許多器材，讓我們能夠更忘情於學術研究，常常都待到半夜三更才一起回宿舍；陳彥碩把每台電腦都升級到非常適合作研究，讓各台電腦都得以被充分利用；陳奕淙、葉祐齊、林春霖和楊育霖常為研究室提供歡樂，讓笑話新梗層出不窮；蘇煒程、林鼎堯和楊旭文也常是做研究時不可或缺的好夥伴；把研究室當第二個家的陳哲偉，讓研究室常保清潔；政大的好山好水伴我數載，其間，要感謝的人事物還有很多很多，沒有寫在這裡的，在此也都一併感恩在心裡。. n. er. io. sit. y. Nat. al. Ch. engchi. i. i Un. v.

(3) 摘要台灣存託憑證(TDRs)從 2009 年起在台盛行，至今有三十五檔 TDRs 在台灣證劵交易所掛牌，各檔 TDRs 交易期間至今約半年至三年不等，目前 TDRs 檔數和交易時間已足以做比較和計量檢定，因此本文以在台灣證劵交易所掛牌之 TDRs 為對象，選取 13 檔 TDRs 做實證研究，資料期間為各檔 TDRs 上市日至 2012 年 2 月 17 日的日資料。研究內容包含兩部分：1.透過單根檢定、共整合檢定、VAR 模型、Granger 關係檢定和誤差修正模型等實證分析，觀察兩地股價是否具有長期的穩定關係和價格發現功能，以及股價波動是否具有因果關係；2.近年來台灣. 政治大結果顯示股價、匯率和大盤指數間具有長期的穩定關係，即是有共整合現象；誤立的相關法規是否對 TDRs 交易機制有正向幫助。實證結果主要如下：1.大部分 TDRs. ‧ 國. 學. 差修正模型(VECM)中各變數的係數大多不顯著，也就是說各變數在短期並無法透過此模型來預測股價；2.在因果檢定方面，樣本中有 5 檔 TDRs 的原股股價對 TDRs. ‧. 股價有領先效果，另外 8 檔 TDRs 的原股股價和 TDRs 股價間並沒有顯著的領先或. sit. y. Nat. 落後效果；3.台灣近年陸續發布的相關法規確實改善市場的供需問題. n. al. er. io. 和價格偏離現象，對投資人有正面幫助。. Ch. engchi. ii. i Un. v.

(4) 目錄第一章緒論.................................................................................................................. 1 第一節研究動機與背景 .................................................................................................... 1 第二節研究目的 ................................................................................................................ 3 第三節研究架構 ................................................................................................................ 3. 第二章文獻探討.......................................................................................................... 5 第一節國內及中國大陸相關文獻 .................................................................................... 5 第二節國外相關文獻 ........................................................................................................ 8 第三節文獻探討小結 ...................................................................................................... 12. 治政大第三章研究方法........................................................................................................ 13 立第一節單根檢定 .............................................................................................................. 13 ‧ 國. 學. 第二節共整合檢定 .......................................................................................................... 15. ‧. 第三節向量自我迴歸模型 .............................................................................................. 17 第四節誤差修正模型 ...................................................................................................... 18. y. Nat. io. sit. 第五節 Granger 因果關係 ................................................................................................ 19. n. al. er. 第四章實證結果與分析............................................................................................ 21. Ch. i Un. v. 第一節資料描述與基本統計分析 .................................................................................. 21. engchi. 第二節單根檢定 .............................................................................................................. 25 第三節 Johansen 共整合檢定 ........................................................................................... 26 第四節誤差修正模型實證結果與分析 ........................................................................... 27 第五節因果關係檢定的實證結果與分析 ....................................................................... 31 第六節事件研究分析 ...................................................................................................... 34 第七節 TDR 上市前原股報酬與上市後折溢價之討論 .................................................. 37 第八節 TDRs 配對交易之可能性探討 ............................................................................ 40 第九節實證分析小結 ...................................................................................................... 43. 第五章研究結論與建議............................................................................................ 44 iii.

(5) 第一節研究結論 .............................................................................................................. 44 第二節研究建議 .............................................................................................................. 46. 參考文獻...................................................................................................................... 47 國內文獻 ............................................................................................................................ 47 國外文獻 ............................................................................................................................ 48. 附錄一 TDRs 首次承銷價與 2012 年 2 月 17 日收盤價 .......................................... 50 附錄二各檔 TDRs 與其變數之單根檢定結果 ......................................................... 52. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. iv. i Un. v.

(6) 表次表 1-1 歷年 TDR 送件與掛牌數(2012/02/17 止) ....................................................... 2 表 4-1 本文選取之 TDRs(按時間排列) ..................................................................... 22 表 4-2 各檔 TDRs 之樣本數....................................................................................... 22 表 4-3 各檔 TDRs 之敘述統計................................................................................... 23 表 4-4 參數代號對照表 ............................................................................................. 25 表 4-5 共整合檢定結果 ............................................................................................. 26 表 4-6 誤差修正模型實證結果 ................................................................................. 28 表 4-7 TDRs 因果關係檢定結果 ................................................................................ 32. 治政表 4-8 原股股價於申請上市前三個月至掛牌日期間報酬率比較 ......................... 34 大立表 4-9 開放融資券前後帄均折溢價 ......................................................................... 36 ‧ 國. 學. 表 4-10 市場供求調節機制對照表 ........................................................................... 38. ‧. 表 4-11 公開申購配售額度 ....................................................................................... 39. n. al. er. io. sit. y. Nat. 表 4-12 近 20 交易日之帄均折溢價 ......................................................................... 42. Ch. engchi. v. i Un. v.

(7) 圖次圖 4-1 各檔 TDRs 原股對大盤的相對報酬.............................................................. 36 圖 4-2 各檔 TDR 在上市後前 130 個交易日的折溢價走勢 ................................... 37. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. vi. i Un. v.

(8) 第一章緒論第一節研究動機與背景. 臺灣存託憑證(Taiwan Depositary Receipts，TDRs)係指外國上市公司（外國發行人）或股東，將公司有價證券（股票）交付保管機構保管，由存託機構在中華民國境內發行表彰存放於保管機構之外國有價證券（股票）之憑證。臺灣存託憑證於臺灣證券市場上市，買賣、交割方式與臺灣上市股票相同。 TDRs 對投資人的好處有：1.增加投資管道，2.買賣方式簡便如台股，3.交易. 治政以台幣計價免除匯兌損失，4.原股上市地和台灣採雙邊聯集管理，交易需要同時大立滿足兩邊相關主管機關的要求，亦即在監理面、資訊揭露面及投資人保護等，將 ‧ 國. 學. 給予投資人雙重擴大管理；對發行人來說，赴海外掛牌可以增加公司財務規劃彈. ‧. 性，同時提高企業知名度，反映公司市場價值，並進一步可以和台灣產業結合；. y. sit. io. er. 政府稅收。. Nat. 對台灣證券市場而言，可以擴大市場規模和邁向國際化，以及增加證券商收入和. 1998 年第一檔 TDR，福雷電子，在台上市掛牌，直至 2008 年共 5 家 TDR. al. n. iv n C 成功掛牌上市；2009 年中國旺旺、巨騰、康師傅等 h e n g c h i UTDR 陸續在臺灣證券交易所. 上市交易，引起一波追捧熱潮。台灣證券交易所指出 TDR 興起主因有三：1.主管機關對資金的管制放寬，2.增列香港市場納入核准的交易所，3.兩岸關係因 ECFA、MOU，有結構性改變1。由表 1-1 可以得知歷年 TDR 申請送件數和掛牌數資料，2009 年至 2011 年送件數和掛牌數相較於 2008 年之前有明顯的大幅增加。截至 2012 年 2 月 17 日止，共有 35 檔 TDRs 在台掛牌交易，原上市地有香港、新加坡、馬來西亞、泰國和東京，大部分來自香港和新加坡。. 1. 此處對 TDR 歷史之介紹與法規背景，引用自臺灣證券交易所所提供之資料。 1.

(9) 表 1-1 歷年 TDR 送件與掛牌數(2012/02/17 止) TDR 送件數. TDR 已掛牌數 3(註). 2009 2010 2011. 2 15 22 15. 10 12 10(註). 累計. 54. 35. 2008 及以前. 註:2008 年前共 5 家 TDR 掛牌，其中福雷電子、東亞科技分別於 2008 年、2011 年間下市。資料來源：臺灣證券交易所。. TDRs 的市場在近年交易過程中慢慢浮現出各種交易、承銷和監理機制上的. 政治大原股股價，使得原上市地股價在詢圈申購前便出現一波漲幅，藉此提高 TDRs 之立問題：1.溢價發行的問題。海外企業在確定來台申請上市後，因承銷價格會參考. 訂價，以便募得更多資金，此舉嚴重損害投資人權益；2.承銷價的失孚，讓多數. ‧ 國. 學. 投資人承受虧損。全部 35 檔 TDRs 中，以 2012 年 2 月 17 日之收盤價來看，有. ‧. 28 檔跌破承銷價(詳請參看附錄一)，一開始 TDRs 上市之訂價溢價過高是否為主. sit. y. Nat. 因，值得讓人質疑與探討；3.交易機制不完善。原上市地沒開盤，但 TDRs 仍可. io. er. 交易，在資訊不對稱下的摸黑交易有損投資人權益；4.市場承銷機制的問題。超. al. 額申購顯示市場對該 TDRs 的需求遠超過供給，未中簽投資人接著直接在集中市. n. iv n C h e n TDRs 場掛單追買，這種供需失衡的情況，使 i U g c h掛牌上市之後連續漲停，讓原先已溢價上市的股價再次擴大溢價幅度，追價買進的投資人承受高度風險。種種的問題使得相關監理單位於近兩年做出了預防與監督措施，以防止投資人權益受損，像是自 2011 年 8 月起，全面實施 TDR 暫停交易機制，當原上市地沒開盤時，TDRs 便暫停交易，解決摸黑交易的問題；自 2010 年 12 月 3 日起，在詢圈暨申購公告時，若所表彰之股票在前三個月股價有異常變化者，將暫緩辦理圈購及申購作業，防止作價行為；自 2010 年 6 月 1 日起，針對超額認購市場追價問題，公會實施提高公開申購配售額度，讓原先僅能申購 10%的 TDRs，調高至最多可申購 50%，解決市場供需不均衡問題。政府和相關監理單位為改善台 2.

(10) 灣投資人權益，已逐步改進相關法規與機制，解決資訊不對稱問題，企圖讓市場交易上能符合公帄原則，但各項問題是否有因此獲得改善，仍有待實證探討。. 第二節研究目的存託憑證在學界已有許多相關研究，主要是對一公司在兩地上市之股價從事兩股價之波動探討，內容包含股價間的傳遞因果關係、兩股價是否滿足一價理論、和哪些市場變數對兩者累積報酬率有影響等，過去文獻研究標的以 ADR、GDR 和在兩地以上上市之股票為主，本文研究標的則是 TDRs。. 政治大並從事因果關係檢定，以探討 TDR 與原股股價之領先落後關係。2.藉由分析監立. 本文研究目的有三：1.以共整合檢定找出各參數間是否具有長期均衡關係，. ‧ 國. 學. 理法規與交易機制的改變，和比較 TDRs 過去與現在的交易狀況，幫助了解 TDRs 交易市場的演進和未來有哪些潛在問題仍需要改進；3.討論 TDRs 與原股配對交. ‧. 易之可能性，讓投資人了解配對交易在目前台灣現行交易法規上的可行性。. n. Ch. er. io. al. sit. y. Nat. 第三節研究架構. i Un. v. 本文研究架構如下：第一章為緒論，說明本研究之研究動機與目的、研究架. engchi. 構與研究流程圖；第二章為過去文獻之探討，將過去學界對於在兩地上市公司股價之實證研究做整理；第三章為研究方法之說明，包括 ADF 單根檢定、共整合檢定、向量自我回歸模型、誤差修正模型、Granger 因果關係檢定；第四章則利用第三章之研究方法進行實證並對結果加以分析；第五章則為結論與建議。. 3.

(11) 第四節研究流程圖本研究之流程圖如下：. 研究動機與目的. 研究流程說明. 立. 政治大. ‧. ‧ 國. 學. 國內外文獻回顧. Nat. n. sit er. io. al. y. 研究方法介紹. i Un. Ch. engchi 實證結果與分析. 結論與建議圖 1-1 論文研究流程圖. 4. v.

(12) 第二章文獻探討第一節國內及中國大陸相關文獻沈中華、邱志豪(1999)在考慮交易成本的情況下，研究GDR與原股間的套利交易。資料期間為台灣有發行ADR之公司上市日期至1998年的日資料，採用ADF 檢定、Granger因果關係及門檻共整合檢定，實證結果如下：(一)考慮交易成本後，價差存在不一定代表可套利，而套入門檻共整合模型後發現，當價差超過門檻質時，誤差會逐步調整回均衡狀態，當價差沒有超過門檻值時，套利機會不存在，調整過程相當緩慢，即均衡誤差並非每一期皆朝著均衡調整；(二)領先落後檢定. 治政結果顯示，不論存託憑證於哪個海外市場，國內原標的股價均領先海外存託憑證大立市場。 ‧ 國. 學 ‧. 吳禮祥(2000)以 1992 年至 1999 年日資料，從實際交易角度來檢驗 ADR 與. sit. y. Nat. 台灣原股之間的套利與價差交易是否可行。實證結果如下：(一)套利交易的樣本. io. er. 期間 ADR 皆處於溢價，若要將普通股轉換成 ADR，礙於因法律規定，實務上難以達成；(二)針對台積電和其 ADR 之價差交易，以賣出高價、買進低價的操作. al. n. iv n C 方式賺取價差，但該文指出此法將會承受巨大虧損，主要是因為 ADR 發行初期 hengchi U 無券可空，至 ADR 增資發行有券可空時，又因美國市場牛市，ADR 漲幅超過台灣原股，使得原先價差部位將承受嚴重虧損。. 黃營杉、李銘章(2004)研究台灣母公司股票報酬與其ADR報酬間的資訊傳遞過程。資料採用台灣各家公司ADR上市日期至2001年12月31日的日資料，利用常態性檢定、恆定性檢定、ARCH效果檢定、白噪音、獨立性及共整合檢定等做分析，實證結果如下：(一)台灣母公司個別的槓桿效果較顯著，說明台灣母公司股票報酬率的波動易受到前期標準化殘差的影響，而美國市場ADR的槓桿效果. 5.

(13) 不顯著；(二)原股和ADR的報酬率間存有共整合現象，即是長期有穩定關係，但短期存有波動外溢效果，具有套利空間。. 周冠男、徐之強、吳昭勳(2004)研究台灣和日本的美國存託憑證與其相關變數，如原股股價、S&P500指數與匯率間報酬與風險的動態傳遞過程，日本公司之資料期間為1978年1月1日至2000年12月31日，台灣公司為1996年5月14日至 2001年10月31日，利用向量自我迴歸模型、誤差修正模型、和殘差交叉相關函數等方法，比較日本和台灣股票的ADR報酬以及報酬波動的傳遞效果，實證結果如下：(一)原股報酬最能解釋台灣ADR報酬的變動，日本則是原股與ADR自身解. 治政釋ADR報酬變動的能力相當，S&P500報酬對ADR報酬的解釋能力則是台灣顯著大立高於日本；(二)在波動外溢效果部分，日本波動外溢效果期間較台灣短，即是日 ‧ 國. 學. 本ADR對資訊反應較為迅速，但兩國ADR與匯率間的波動外溢效果皆不顯著；(三). ‧. S&P500與台灣ADR間的報酬波動關係較S&P500與日本ADR間密切，顯示日本. er. io. sit. y. Nat. ADR與美國股市的跨市場避險效果較佳。. 楊聲勇、董澍琦、王澤世及張德立(2005)研究原上市地為亞洲四小龍的 ADR. al. n. iv n C 與其原股之報酬率與波動性的日內動態傳遞過程，資料使用各檔 ADR 上市日至 hengchi U 2004 年的日內資料，利用 GARCH 模型和 GJR-GARCH 模型研究，實證結果如. 下：(一)該文發現 ADR 和原股存在雙向的報酬外溢效果，且報酬率是原股對 ADR 的影響較大；(二)波動度的傳遞上，標的股的波動性會影響到 ADR 的波動性，而 ADR 的波動性則不一定能影響到標的股的波動性。. 蘇欣玫、徐銥琦、鄭婉秀(2008)研究ADR與其原股之價量動態傳遞過程，資料為各檔ADR掛牌日至2006年11月15日的日資料，運用ARJI-Trend 模型，結合 Engle and Lee(1993)將條件變異數分解成恆常成份與短暫成份，與Chan and. 6.

(14) Maheu(2002)所設定的條件跳躍強度模型，來檢驗ADR和標的現貨間之資訊傳遞效果及日報酬率等現象，實證結果如下：(一)經由ARJI-Trend模型配適後，原股股價報酬與美國大盤報酬皆對ADR報酬呈現正向相關，只要資訊充分傳遞，兩者報酬率的變動也會亦步亦趨；(二)ADR和原股具有量與價的資訊傳遞關係，即使在不同市場交易，只要資訊充分傳遞，兩者報酬率的變動就會有共伴現象；(三) 資訊或是異常資訊的衝擊，都會先透過原股現貨成交量反應，並進一步反映到 ADR，有「量先價行」之現象。. 邱建良、劉聰衡、紀嘉政(2000)研究台灣股市與國際股市之共移性. 治政 (co-movements)現象。資料期間為1996年至1998年的日資料，利用正定多變量大立 GARCH模型來驗證台灣、美國、香港以及深圳股票市場間股票報酬共移性的時 ‧ 國. 學. 間變異特性，實證結果發現台灣、美國、日本、香港及深圳股市間不論長短期彼. ‧. 此間都有相關性，但各國之間的條件相關係數並非固定不變，當重大事件發生，. sit. y. Nat. 如該文文中提到的俄羅斯金融風暴，各國股市之間的條件相關係數脫離原先的水. io. er. 準，各市場耗時二至五天不等才能回復到恆常水準，也就是說，若投資者參考每天的條件相關係數改變之過程來調整最適資產負債組合，則可擴大國際投資組合. n. al. 風險分散的潛在利益。. Ch. engchi. i Un. v. 張世潔(2000)研究美股和台股股價之共移性及海外存託憑證與台灣原股之報酬波動外移溢效果。挑選 6 檔有發行 ADR 或 GDR 的台灣上市公司，資料為 1998 年 1 月 1 日至 2000 年 2 月 29 日的日資料，用 GARCH 模型做研究，實證結果如下：(一)海外存託憑證與原股有明顯報酬外溢效果；(二)Granger causality test 檢定發現部份樣本公司的海外股價變動是源自於原股，即原股股價對海外股價有單向的影響，但部份樣本公司則具有相互影響的效果。. 7.

(15) 第二節國外相關文獻 Kim, Szakmary and Mathur(2000)研究全部5個國家共60檔的ADR和其原股的股價動態傳遞關係。資料期間為1988年至1991年的日資料，利用向量自我迴歸模型(VAR)來檢驗各種因素(原股股價、匯率、美國大盤指數等)對ADR股價報酬率的影響。實證結果如下：(一)原股股價影響ADR股價最為顯著，同時美國市場和匯率對ADR的股價也有影響；(二)ADR股價在反應美國市場本身時會過度反應，同時又對國外原股股價和匯率反應不足，這使單日ADR報酬走勢和美國股票報酬走勢，比起國外原股報酬有更高的相關性，不過這些單日報酬的偏離情況輕微，. 政治大. 慮到交易門檻仍不足以被用來套利。. 立. ‧ 國. 學. Hansda and Ray(2002)使用 Granger causality test 和向量自我迴歸模型(VAR)，研究 10 家印度上市公司股價與其 ADR 的關係，資料為 1992 年至 2001 年的日. ‧. 資料。實證結果如下：(一)不同股票市場，同一支股票對事件的反應為雙向影響，. sit. y. Nat. 例如 ADR 的收盤價波動度和隔日印度原股的開盤價有顯著關係；(二)雖然印度. n. al. er. io. 和美國這兩市場的開盤時間交錯，但因 ADR 和原股對於影響股價的資訊傳遞和. i Un. v. 反應是有效率且動態及時的，所以就算有先一步的資訊，也被限制了可套利空間。. Ch. engchi. Susmel, Rabinovitch and Silva(2003)使用門檻非線性自我迴歸模型(Nonlinear Threshold Autoregressive Model)，研究阿根廷和智利這兩個新興市場的股票與其 ADR 之間是否有套利機會，資料期間為 1993 年至 2001 年的日資料。實證結果如下：(一)在考慮匯率、交易成本、流動性和交易時間的情況下，當阿根廷的股票及其 ADR 出現套利機會，其回到無套利空間所需的時間會比智利短，意即智利出現套利的機會比阿根廷大；(二)兩個國家在套利上有不一樣的結果，主要影響交易成本的因素是市場流動性問題，而非國家對資金控管的政策不同。 8.

(16) Gagnon and Karolyi(2004)使用迴歸分析探討一公司在多個股票市場上市，其股價彼此之間是否可套利，資料期間為 1993 年至 2002 年，全部 39 個國家共 587 檔在各地上市股價的日資料，實證結果如下：(一)海外上市股票報酬和當地市場的連動性會比原上市地市場還要高；(二)同一支股票在不同市場的報酬率差異雖然小，但結果顯示超額共伴效應(excess co-movement)和市場指數報酬有關；(三) 偏離帄價理論的價差確實存在，有時持續五天以上，但仍屬可解釋預測範圍。每檔股票在當地交易即受當地影響，而影響市場的控制變數和市場交易障礙 (market frictions)有關，包括法規限制、會計標準和放空限制等，實際上大部分套. 治政利理論模型都受到這些因子限制，因此，雖然長期股價終會收斂至理論價差內，大立但市場的套利交易者還是可能因價差在短期持續擴大而選擇或被迫停損出場。 ‧ 國. 學 ‧. Zhou and Kutan(2006)研究中國公司所發行之 ADR，決定其報酬率與波動度. sit. y. Nat. 之因子(determinants)為何。資料為 1998 年 4 月 15 日至 2004 年 9 月 30 日的日資. io. er. 料，利用自我迴歸的 GARCH 模型結合向量自我迴歸模型，實證結果如下：(一) 就報酬率而言，不論成交量高還是低的 ADR，皆可用上海 A 股市場、美國股票. al. n. iv n C 市場、香港股票市場的報酬率，來預測中國 ADRU hengch i 的帄均報酬率，其中香港股票市場報酬率對 ADR 最為顯著，美國市場報酬和 ADR 報酬為負相關；(二)就波動. 率而言，美國股票市場的震盪對 ADR 的條件波動度沒有顯著影響；(三)基於前述美股報酬率和 ADR 報酬為負相關與美股波動不影響 ADR 之波動度之結果，該文指出 ADR 因此提供有效的分散風險效果。. Bryan(2007)在不考慮基本風險(fundamental risk)的情況下，探討 ADR 是否違反帄價理論。資料為 2002 年 1 月 1 日至 2007 年 3 月 31 日所有 ADR 的日資料，該文利用迴歸分析做研究，實證結果如下：(一)ADR 和原股之間的相對價格. 9.

(17) 有時會被加入市場對未來匯率的預期，而使短期單看兩者股價會存在有可套利的價差，但最後 ADR 與原股的價差會因為匯率的變動而收斂；(二)當市場不是效率且並非完全整合(fully integrated)，即是兩地存在各種層面的市場區隔(segment)，像是資訊上、法律上、交易所等，都會使價差出現。換句話說，縱然現在是全球化市場，但因前述的問題而尚未徹底整合(fully integrated)，所以兩個不同國家的股價不會一直維持帄價理論的單一價格。. De Jong, Rosenthal and van Dijk(2008)使用1980年至2002年12家於兩地上市公司的日資料，利用複迴歸和股價帄價(parity)理論模型，探討其於兩地股價之套. 治政利機會與風險。實證結果如下：(一)在兩地上市的股價常有顯著偏離理論帄價現大立象，即是有可套利的價差現象存在。該文指出，使用簡單套利交易方法，每年可 ‧ 國. 學. 從兩地之股價價差賺取10%的報酬，且價差仍持續存在，主要是因為套利策略需. ‧. 面臨很大的非系統風險和左厚尾(fat left-tail)現象；(二)實務上套利需要等到價差. sit. y. Nat. 收斂才算成功，但價差有時會持續很長一段時間，甚至會繼續擴大，企圖套利者. io. er. 頇承受不知多長期間的風險與虧損，這使企圖套利者卻步而使得價差持續存在。. al. n. iv n C Roosenboom and van Dijk(2009)研究全部 526 家有在不同地方上 U h e n g c h44i 個國家共. 市的公司，當公司發佈重要事件後，股價在各個市場的反應。一家公司於各國股票市場上市時，因市場條件的不同，而在股票報酬上有不同程度的反應，該文使. 用 1982 年至 2002 年的日資料，採用迴歸模型和事件研究法，探討每次公司事件發布後一段期間內對該公司股價累積報酬的反應。實證結果如下：(一)不同地區的交易所在公司訊息發布日期附近的帄均累積異常報酬顯著不相同；(二)在流動性、資訊揭露程度、投資人保護程度等變數中，投資人保護(investor protection) 對累積異常報酬具有顯著的解釋力。. 10.

(18) Sarkissian and Schill(2008)探討海外上市股票和原股之間是否存在永久的評價利益(valuation gains)。研究全部 42 個國家共 1,130 家公司，在海外上市前後十年的期間，各公司股價報酬的表現和各地區不同的市場條件有何關係，利用事件研究法(event study method)，實證結果如下：(一)轉換股票的障礙、資訊的流通程度、不同市場的流動性、揭露訊息要求的差異、少數股東保護等因素，對短期投資報酬有影響，但這些因素對長期報酬沒有持續的影響；(二)長期來說，對報酬有影響的是揭露訊息規定的改善，而這項特色的驗證結果和 Ammer(2005)相同。. 治政 Halling, Pagano, Randl and Zechner(2008)分析來自不同國家的公司在美國交大立叉上市(cross-listings)時，具有哪些特徵的公司在美國交易量會比較大。資料為 ‧ 國. 學. 1980年至2001年的日資料，利用迴歸分析和事件研究法做分析，實證結果如下：. ‧. (一)來自開發中國家的公司在美國的交易量會比來自已開發國家大；(二)在原上. sit. y. Nat. 市地對投資人保護較差的國家(如內線交易情況嚴重)，在美國上市後的交易量會. io. er. 比對投資人保護較好的國家大；(三)在已開發國家的公司之中，屬規模小、波動大且為科技相關產業的公司在美國會具有較大的交易量，但在開發中國家則沒有. n. al. 此現象。. Ch. engchi. i Un. v. Chung(2006)討論在 ADR 市場中，投資人保護機制和股票流動性之間的關係。資料期間為 1997 年 7 月 1 日至 1997 年 12 月 31 日的日內資料，採用事件研究法，實證結果如下：(一)發行 ADR 的公司之中，有較低資訊不對稱成本的公司會有較好的流動性，換句話說，對投資人保護較好的存託憑證，反應在流動性時會有較高的買單深度，即是買單掛單量大，相反地，來自投資人保護機制相對較弱的國家的 ADR，賣壓會比較高；(二)法律規範可減輕市場資訊不對稱的現象。. 11.

(19) 第三節文獻探討小結在股價與存託憑證價格之關係，文獻指出不同市場、不同標的結果並無一定規律，有時為雙向影響，有時為單向影響。相關文獻包括：Kim, Szakmary and Mathur(2000)之 VAR 模型實證結果指出，原股股價影響 ADR 股價最為顯著，同時美國市場和匯率對 ADR 的股價也有影響；Hansda and Ray(2002)之 Granger causality test 和 VAR 實證結果為不同股票市場，同一支股票對事件的反應為雙向影響，例如 ADR 的收盤價波動度和隔日印度原股的開盤價有顯著關係；Zhou and Kutan(2006)利用自我迴歸的 GARCH 模型結合向量自我迴歸模型來預測中國. 治政 ADR 的帄均報酬率，實證結果顯示，香港股票市場報酬率對大 ADR 報酬最為顯著，立美國市場報酬和 ADR 報酬為負相關。 ‧ 國. 學. Gagnon and Karolyi(2004)、Bryan(2007)和 De Jong, Rosenthal and van. ‧. Dijk(2008)等文獻則指出，長期而言，異地相互掛牌之兩地股價經過匯率轉換或. sit. y. Nat. 許可以符合一價理論，但無法確定價差多久才會收斂，而主要影響價差收斂速度. io. er. 的有兩地市場在法律規範和交易機制等因素，同時，價差的套利交易策略需面臨非系統風險和左厚尾現象，讓企圖投資人卻步，使價差會持續存在。. n. al. 最後，Roosenboom. and C van h. iv n eDijk(2009)、Sarkissian ngchi U. and Schill(2008)和. Chung(2006)等文獻均指出，法規可改善投資人買賣存託憑證的報酬。. 12.

(20) 第三章研究方法第一節單根檢定時間序列資料依特性可以分為定態(stationary)與非定態(nonstationary)，傳統的迴歸模型其選取資料若為非定態，則可能出現 Granger and Newbold(1974)所提出的「假性迴歸」(spurious regression)，意思是雖然迴歸係數顯著異於零，R2 也很高，但其實兩者之間的因果關係是假的，換句話說，進行傳統的迴歸分析前要先確定選取資料為定態，才可以避開假性迴歸(spuriousregression)的現象。當一組時間序列資料其變數有單根現象，該變數就不符合定態的統計定義，. 治政因此，需要先使用單根檢定(unit root test)檢定資料屬於定態或非定態，同時也可大立 ‧ 國. 學. 以藉此確認時間序列的整合階次。整合階次定義為，若時間序列資料 Yt 不需差分即為定態，代表此時序資料沒有單根(unit root)現象，可表示為 Yt ~ I (0) 。若非定. ‧. 態時間序列資料 Yt 需經過 d 次差分(difference)才能成為定態，可表示為 Yt ~ I (d ) 。. sit. y. Nat. io. er. 欲檢定時間序列資料是否為定態，常用檢定方法有 Dickey-Fuller(DF)檢定、. al. Augmented Dickey-Fuller(ADF)檢定及 Phillips and Perron(PP)檢定，本文以 ADF. n. iv n C 檢定為主，為了解 ADF 推導，需先從模型講起，過程如下： h e nDF gchi U 一、Dickey-Fuller(DF)檢定. Dickey-Fuller(1979)發表 Dickey-Fuller 檢定法，檢定一時間序列資料 {Yt } 是否存在單根現象，考慮一階自我相關模型 AR(1)，殘差項符合白噪音(white noise) 之假設。考慮是否有截距項(drift term)和時間趨勢項(trend)，可分為以下三個模型，利用 OLS 進行估計，並檢定估計參數 1 是否為 0： 1. Yt  1Yt 1   t 2. Yt   0  1Yt 1   t 13.

(21) 3. Yt   0  t  1Yt 1   t iid. 式中 Yt  Yt  Yt 1 ，  0 代表截距項， t 為時間趨勢項，  t ~ (0,  2 ) 。第一式為無截距與無趨勢項之原始模型，第二式為有截距項無趨勢項模型，第三式為考慮截距與趨勢項模型。虛無假設為 H 0 : 1  0 ，若拒絕虛無假設則表示時間序列資料不具單根，屬於定態資料；若無法拒絕虛無假設，即表示存在單根，需再對資料進行差分，並再次進行單根檢定，直到資料呈現定態，拒絕虛無假設為止。. 治政二、Augmented Dickey-Fuller(ADF)檢定大立在 Dickey-Fuller 檢定下，需假設殘項為白噪音，但許多時間序列資料殘差 ‧ 國. 學. 項存在高度自我相關，不符合白噪音的假設，故 Said and Dickey(1984)提出 DF. ‧. 檢定的修正模型：Augmented Dickey-Fuller 檢定(ADF 檢定)，可以在殘差項有自. sit. y. Nat. 我相關的現象時使用。在原本 DF 迴歸式右邊加入應變數落後期數，選取足夠的. io. 間趨勢項(trend)，可分為以下三個模型：. n. al. p. 1. Yt  1Yt 1    j Yt 1   t. Ch. j 1. engchi. er. 落後期數 p，以消除殘差項自我相關的情況，考慮是否有截距項(drift term)和時. i Un. v. p. 2. Yt   0  1Yt 1    j Yt 1   t j 1. p. 3. Yt   0  1Yt 1  t    j Yt 1   t j 1. iid. 式中 Yt  Yt  Yt 1 ，  0 代表截距項， t 為時間趨勢項，  t ~ (0,  2 ) ，p 為可使殘差項為白噪音的最適落後期數，使白噪音不存在自我相關現象，可採用 AIC 準則和 SBC 準則，選取最適落後期數 p。虛無假設為 H 0 : 1  0 ，若拒絕虛無假設則表示不具單根，屬於定態資料；若無法拒絕虛無假設，即表示存在單根，需 14.

(22) 再對資料進行差分，並再次進行單根檢定，直到拒絕虛無假設，表示資料已為定態。. 第二節共整合檢定根據 Engle and Granger(1987)對共整合的定義，若一組非定態時間序列變數的線性組合為定態，則稱這些變數有共整合現象。數學式表達如下：假設有一向量為 Yt  (Y1 , Y2 ,    , Yn ) ，且所有變數皆符合 I (d ) ，則存在一向量  使得. E   Yt ~ I d  b ，其中 b  0 ，則稱 {Yt } 存在 d , b  階共整合關係，可定義為. 政治大 Y ~ CI d , b  ，其中向量  稱為共整合向量 ( c o i n t e g r a t i o n 立 t. vector)。. ‧ 國. 學. 常用之共整合檢定有 Engle and Granger(1987)提出的兩階段共整合檢定法與 Johansen(1991)的最大概似估計法(Maximum Likelihood Method)。Engle and. ‧. Granger 的兩階段共整合檢定存在部份限制且會出現誤差，也只能對兩變數進行. sit. y. Nat. 共整合檢定，在多變數時無法使用，而 Johansen 以向量迴歸模型 (Vector. al. n. 下：. er. io. Auto-regression Model)為基礎，以最大概似函數求得共整合向量，模型設定如. Ch. engchi. i Un. v. Yt 為一 ( p  1) 之向量，且所有變數為 I (1) 數列，則 VAR 模型：. Yt  1Yt 1   2Yt 2   3Yt 3       k Yt k    Dt   t iid. 其中  為 ( p  1) 常數向量，k 為落後期數， Dt 為季節虛擬變數， t ~ N (0, )  為共變異數矩陣。將上式做一階差分後，結果如下：. Yt  1Yt 1  2 Yt 2  k 1Yt k 1      Yt k    Dt   t k 1.   i Yt i  Yt k    Dt   t i 1. 15.

(23) i  ( I  1   2       i ) ， i  1,2,..., k  1   ( I  1       k ) k 1. 其中  i Yt i 描述 Yt 各變數之短期動態關係，指當短期受到干擾脫離長期 i 1. 均衡的動態調整過程，  Yt  k 為誤差修正項，  為衝擊矩陣(impact matrix)，反應了長期關係，藉由分析衝擊矩陣中的秩 (rank)，可決定變數間共整合向量的個數。衝擊矩陣的秩(rank)，可分為下列三種情形：. 政治大. 1. 若 ( )  0 ，則  為零秩矩陣，表示變數間不存在共整合向量，亦即變數. 立. 間無長期均衡關係。. ‧ 國. 學. 2. 若 ()  P ，則  為全秩矩陣，表示 Yt 為定態時間序列。. ‧. 3. 若 0  ()  r  P ，表示 Yt 存在 r 個共整合向量，依據 G r a n g e r. y. Nat. Representation 定理，可將     ，  和  皆為 ( p  r ) 的矩陣。其中  為. er. io. sit. 調整係數，當  越大調整至長期均衡的帄均速度越快；  為共整合向量。. al. n. iv n C Johansen 提出兩種共整合檢定的方法，軌跡檢定(trace test )與最大特性根檢 hengchi U. 定(maximum eigenvalue test)，檢定模型是否存在 r 個共整合向量，分別如下： 1. 軌跡檢定：. H 0 : rank ()  r ，最多有 r 個共整合向量. H 1 : rank ()  r ，至少有 r  1 個共整合向量檢定統計量為. trace(r )  T ir 1 ln(1  î ) p. 其中 T 為樣本數， î 為  的特徵根個數。 16.

(24) 2. 最大特性根檢定. H 0 : rank ()  r ，有 r 個共整合向量. H 1 : rank ()  r  1 ，有 r  1 個共整合向量檢定統計量為. max (r )  T ln(1  î1 ) 最大特性根檢定從變數無任何共整合關係開始，即 r  0 開始，逐漸加入共整合個數，直到拒絕虛無假設為止，表示變數間存在 r 個共整合向量。. 政治大第三節向量自我迴歸模型立. ‧ 國. 學. 向量自我迴歸模型是一組由多變數、多條迴歸方程式所組成的，每一方程式中因變數皆以因變數自己的落後期，在加上其他變數落後期來表式。以往的時間. ‧. 序列分析模型中，我們常以經濟理論，認定何者為內生變數與外生變數，但經濟. sit. y. Nat. 變數每個變數間之因果關係認定不易，故 Sim(1980)提出「向量自我迴歸模型」. n. al. er. io. (Vector Auto Regression model；簡稱 VAR)以解決此問題，在 VAR 模型中不頇先. i Un. v. 對變數的內生性與外生性作認定，而是將每個變數皆視為內生變數，觀察各變數. Ch. engchi. 之間的動態關聯性，可以克服內生變數與外生變數認定上的困難，此法較具有彈性。一般化的 VAR 模型如下：. Yt  0  i 1iYt i   t p. 其中 Yt 為 (n  1) 之內生變數向量，n 為內生變數個數，0 為 (n  1) 常數向量，. i 為 (n  n) 之係數矩陣， Yt i 為 Yt 落後期之 (n  1) 向量，  t 為白噪音。 VAR 模型落後期數若選擇過長，需估計更多參數造成自由度減少，模型過度參數化，使模型變得無效率；但落後期數過短，會造成配適度不足，所以需藉由 A k ai k e(1 97 4) 提出之 A IC 準則(A k a ik e In fo r ma t io n Cr i t er io n ) 與 17.

(25) Schwarz(1978)提出之 SBC 準則(Schwartz Bayesian Information Criterion)來選取 VAR 模型最適落後期數，並檢測其殘差是否有自我相關現象，若存在自我相關現象必頇延長落後期數，直到殘差無自我相關為止。其中 AIC 準則與 SIC 準則如下：. 1. AIC 準則(Akaike Information Criterion). AIC  T ln   2 p 其中 T 為總樣本數，  為殘差共變異數矩陣之行列式值， p 為待估計參數. 政治大. 總數，選取 AIC 之最小值為 VAR 模型最適落後期數。. 立. ‧ 國. 學. 2.SBC 準則（Schwartz Bayesian Information Criterion）. ‧. SBC  T ln   k ln(T ). sit. y. Nat. 其中 T 為總樣本數，  為殘差共變異數矩陣之行列式值，選取 SIC 之最小. n. al. er. io. 值為 VAR 模型最適落後期數。. i Un. Ch. v. ngchi 第四節e誤差修正模型. 共整合在探討變數間的長期均衡關係，而誤差修正是一個動態調整機制的概念，當短期線性組合偏離長期均衡時，兩者之間的差異會在模型中做調整，換句話說，在變數存在共整合關係的前提下，可導出對應的誤差修正模型。當兩變數 xt、yt 具有共整合關係時，誤差修正模型表示如下式： 𝑚. 𝑛𝑗. ∆Yt = β0 + βε (εt−1 ) +. 𝛽𝑗𝑖 ∆𝑋jt−i + εt 𝑗 =1 𝑖=0. 其中∆X jt = X jt − X jt−1，∆Yt = Yt − Yt−1，Y 為因變數，X 為自變數，共有 m 個，每一自變數的落後期各為nj，βε 為調整速度參數(speed of adjustment parameter)， 18.

(26) iid.  t ~ (0,  2 ) 為獨立隨機變數，ε. t−1 為偏離值，β0 為常數項。. 誤差修正模型主要是將短期動態調整現象，藉由前期的共整之偏離值部分加以修正，以說明變數間的短期變動關係，還有短期下從不均衡調整至長期均衡的過程。傳統估計模型通常只對變數間的長期均衡或是變數間的動態效果做估計，誤差修正模型則能同時提供整體的長期趨勢和短期動態調整效果。. 第五節 Granger 因果關係 Granger(1969)提出以變數的預測能力(predictability)來探討變數間的因果關. 政治大. 係。Granger 以不同訊息集合下加入不同的變數，看是否能降低其預測均方誤差. 立. (mean square error of forecasting)和增加解釋能力，若是則表示變數間存在因果關. ‧ 國. 學. 係。Granger 因果關係為統計上的因果關係，指的是變數間的領先-落後(lead-lag) 關係。. ‧. Nat. y. Granger(1969)雙變數 VAR 模型設定如下：. Yt   0  i 1 i Yt i   j 1  j X t  j   t ………………（1） q. er. io. sit. p. X t   0  i1 i X t i   j 1  jYt  j   t ………………（2） p. q. n. al. Ch. engchi. 對上述兩式進行 Wald test，假說檢定為. i Un. v. H0 :  j  0. H 1 :  j 不全為 0 若第(1)式拒絕 H 0，表示加入 X 可以增加對 Y 的解釋力，即 X Granger causes Y，為單向因果關係。若第(2)式拒絕 H 0 ，表示加入 Y 可以增加對 X 的解釋力，即 Y Granger causes X，亦為單向因果關係。若兩式都無法拒絕 H 0 ，表示兩變數間無因果關係，即為相互獨立。若兩式皆拒絕 H 0 ，則表示兩變數間會相互影響， 19.

(27) 為回饋因果關係。 Granger 因果關係有三種情況： 1. 獨立關係(Independence) 表示變數間不存在因果關係，即預測 Y 時無法藉由加入另一變數 X 的落後期數來增加其預測能力，反之亦然。表示變數相互獨立。. 2. 單向因果關係(Causality) 指預測 Y 時，藉由加入另一變數 X 的落後期數，可以增加其預測能力。則稱 X Granger causes Y，表示 X 領先 Y。但預測 X 時，無法藉由加入 Y 的落後期數. 治政來增加其預測能力，故稱為單向因果關係。大立 ‧ 國. 學. 3. 回饋因果關係(Feedback). ‧. 指預測 Y 時，藉由加入另一變數 X 的落後期數，可以增加其預測能力，反之. sit. y. Nat. 亦然。表示兩變數間相互影響，加入另一變數的落後期數有助於兩變數的相互預. io. n. al. er. 測，稱為回饋關係。. Ch. engchi. 20. i Un. v.

(28) 第四章實證結果與分析本章將依第三章所介紹之計量方法對選定之 TDRs 進行檢定，首先定義各參數，接著做單根檢定，再以共整合檢定找出各參數間是否具有長期均衡關係，最後則從事因果關係檢定，以探討 TDR 與原股股價之領先落後關係。. 第一節資料描述與基本統計分析一、TDRs 介紹與樣本之選取 (一) TDRs 介紹外國企業在台上市的有兩種方法，一是向證交所申請初次上市，二是向證交. 治政所申請發行台灣存託憑證(Taiwan Depository Receipts, 大TDRs)。立台灣存託憑證是指外國上市公司（外國發行人）或股東，將公司有價證券（股 ‧ 國. 學. 票）交付保管機構保管，由存託機構在中華民國境內發行表彰存放於保管機構之. ‧. 外國有價證券（股票）之憑證。臺灣存託憑證於臺灣證券市場上市，買賣、交割. sit. y. Nat. 方式與臺灣上市股票相同。初次上市和第二上市差異為，第二上市指該企業已在. io. er. 國外掛牌，另外再臺灣申請上市，以存託憑證掛牌，進行募資。 TDRs 對投資人的好處有：1.增加投資管道，2.買賣方式簡便如台股，3.交易. al. n. iv n C 以台幣計價免除匯兌損失，4.原股上市地和台灣採雙邊聯集管理，上市公司不僅 hengchi U 頇遵孚原上市地規定，也需遵孚台灣地區的規定，在監理面、資訊揭露面及投資人保護等，將給予投資人雙重管理。對發行人來說，赴海外掛牌可以增加公司財務規劃彈性，同時提高企業知名度，反映公司市場價值並進一步可以和台灣產業結合。對台灣證券市場而言，可以擴大市場規模邁向國際化，以及增加證券商收入和政府稅收。自民國 90 年起至今共有 35 檔 TDRs 申請在台灣證券交易所上市成功，原上市地有香港、新加坡、馬來西亞、泰國和東京，其中大部分來自香港和新加坡。. 2001 年至 2003 年共有四檔 TDRs 在台上市，但並未引起投資人注意，市場沉寂. 21.

(29) 多年，直到 2009 年旺旺回台上市超額認購 20 倍才再次掀起 TDRs 熱潮，緊接著半年便有 14 家申請 TDRs 上市。 (二)樣本 TDRs 之選取目前(民國 101 年 4 月)共有 35 檔 TDRs 在台掛牌交易，2009 年之後上市的共 32 檔，為方便做比較，本文將依照周轉率和上市日期兩個因素來挑選 TDRs，周轉率反應股票在市場之流動性，上市日期則是考慮到時間的完整性，以期在每個時間點都有樣本。選取的樣本如表 4-1：表 4-1 本文選取之 TDRs(按時間排列). 旺旺. 聖馬丁. 政治大. 友佳. 聯環. 2009/4/28 2009/12/31. 2010/3/18. 2010/10/22. 巨騰. 大成糖. 滬安. 歐聖. ‧ 國. 康師傅. 2010/3/25. 新傳媒. 新曄. 華運中國. 2011/3/9. 2011/7/19. 2011/10/5. 2011/12/30. 2010/10/28. 學. 2009/5/25 2009/12/22. 立. 杜康. 2009/12/16. ‧. 註：TDR 底下之數字為其上市日期。. Nat. sit. y. 資料來源：本文整理。. n. al. er. io. 本文將針對此 13 檔 TDRs 做比較與檢定，上市日期相近者置於同行，各檔. i Un. v. TDRs 上市的時間區隔約為三個月至半年，2008 年之前申請上市之 TDRs 包括美. Ch. engchi. 德醫、萬孙科和泰金寶，分別在 2002 年和 2003 年上市，但因時間過於久遠，投資市場和法規背景相差較大，因此本文僅討論 08 年之後申請上市之存託憑證。周轉率代表著市場交易的熱絡程度，實際交易時會影響成本甚至股票價格，所以將此做為挑選根據之一，本文計算 TDRs 過去一年的帄均週轉率，並取前十名作為研究標的。二、TDRs 基本統計特性各檔 TDRs 的樣本期間皆為各自上市交易日至 2012 年 2 月 17 日，資料來源為台灣經濟新報(TEJ)以及彭博(Bloomberg)資料庫，表 4-2 顯示各檔之上市日以及資料筆數，其中華運因資料筆數僅 30 檔，後續計量檢定時將省略此檔 TDR。表 4-2 各檔 TDRs 之樣本數 22.

(30) 上市日. 樣本筆數. 旺旺. 2009/4/28. 701. 巨騰. 2009/5/25. 683. 康師傅. 2009/12/16. 538. 聖馬丁. 2009/12/18. 536. 歐聖. 2009/12/31. 527. 友佳. 2010/3/18. 479. 大成糖. 2010/3/25. 474. 聯環. 2010/10/22. 326. 滬安. 2010/10/28. 322. 杜康. 2011/3/9. 236. 新傳媒. 2011/7/19. 146. 新曄華運. 立. 資料來源：同表 4-1。. 政治大 2011/10/5. 91. 2011/12/30. 30. ‧ 國. 學. 表 4-3 為選定 12 檔 TDRs 與原股報酬率之敘述統計。TDRs 報酬和原股報酬不論是帄均值還是偏態等，都沒有一穩定關係，唯一可下定論的是，J-B 統計量. TDR 報酬原股報酬 a l 原股報酬 v i 帄均值 -0.001029 C-0.000843 n -0.002189 -0.002875 U h en hi 0 0 g c中位數 -0.001307 0. n. TDR 報酬帄均值中位數標準差. sit. io. 歐聖. er. Nat. 聯環. 表 4-3 各檔 TDRs 之敘述統計. y. ‧. 皆拒絕報酬率為常態分配的虛無假設。. 0.031287. 0.026996. 標準差. 0.030196. 0.033378. 偏態係數. -0.004373. 0.558458. 偏態係數. 0.086549. 0.64759. 峰態係數. 3.368595. 6.024923. 峰態係數. 3.561459. 14.00478. Jarque-Bera. 1.840839. 140.8016. Jarque-Bera. 7.565614. 2690.985. Probability. 0.398352. 0. Probability. 0.022759. 0. 滬安. 聖馬丁 TDR 報酬. 原股報酬. TDR 報酬. 原股報酬. 帄均值. -0.002463. -0.002626. 帄均值. -0.000117. -0.000409. 中位數. 0. 0. 中位數. 0. 0. 標準差. 0.03246. 0.038714. 標準差. 0.027051. 0.028198. 偏態係數. -0.71222. -0.42967. 偏態係數. 0.01114. 0.129568. 峰態係數. 6.794865. 16.82552. 峰態係數. 3.813695. 7.049935. 23.

(31) Jarque-Bera. 219.7516. 2566.443. Jarque-Bera. 14.77036. 367.1242. Probability. 0. 0. Probability. 0.00062. 0. 新曄. 巨騰 TDR 報酬. 原股報酬. TDR 報酬. 原股報酬. 帄均值. -0.003042. -0.002247. 帄均值. -0.000635. -0.001311. 中位數. -0.002837. 0. 中位數. -0.002533. -0.00171. 標準差. 0.025575. 0.035279. 標準差. 0.031285. 0.033304. 偏態係數. 0.041848. -0.94614. 偏態係數. 0.227572. 0.398525. 峰態係數. 5.120855. 8.581979. 峰態係數. 3.289355. 6.824783. Jarque-Bera. 16.89387. 130.272. Jarque-Bera. 8.26589. 433.7591. Probability. 0.000215. 0. Probability. 0.016036. 0. 新傳媒. 康師傅 TDR 報酬 -0.004155. 中位數. -0.002635. 標準差. -0.000243. 0.000248. 0. 中位數. 0. 0. 0.042028. 0.037309. 標準差. 0.018419. 0.021005. -0.010414. -0.930308. 偏態係數. 2.277312. 7.249102. 3.158054 0.206176. 立. Nat. 5.103962. 7.907195. 129.9971. Jarque-Bera. 106.6212. 557.606. 0. Probability. 0. 0. sit. io. a0l. n. 標準差. 峰態係數. 原股報酬. 0.000773. 中位數. 0.458362. 杜康. TDR 報酬帄均值. 0.290919. 0.023073. TDR 報酬帄均值. 0.000963. Ch. 中位數. 0. e n g c標準差 hi. 0.022681. er. 旺旺. 帄均值. ‧ 國. Probability. -0.00498. ‧. Jarque-Bera. 原股報酬. 學. 峰態係數. TDR 報酬. y. 帄均值. 偏態係數. 政治大. 原股報酬. -0.001385. i Un. 原股報酬. v -0.003578. -0.002424. 0.026736. 0.069843. 0. 偏態係數. 0.35085. -0.059489. 偏態係數. 0.189803. 0.005652. 峰態係數. 4.432994. 5.620063. 峰態係數. 4.177925. 44.1103. Jarque-Bera. 74.2541. 200.6341. Jarque-Bera. 14.99698. 16548.47. Probability. 0. 0. Probability. 0.000554. 0. 精熙. 大成糖 TDR 報酬. 原股報酬. TDR 報酬. 原股報酬. 帄均值. -0.001289. -0.001399. 帄均值. -0.001579. -0.001476. 中位數. -0.001307. 0. 中位數. -0.001363. 0. 標準差. 0.024999. 0.023856. 標準差. 0.024759. 0.030034. 偏態係數. 0.221954. -0.286014. 偏態係數. 0.01224. -0.154599. 峰態係數. 4.971088. 6.028434. 峰態係數. 4.058788. 7.320133. Jarque-Bera. 99.67476. 231.9249. Jarque-Bera. 22.10548. 369.7117. 24.

(32) Probability. 0. 0. Probability. 0.000016. 0. 資料來源：同表 4-1。. 三、參數的設定與介紹在參數的選定上除了 TDR 與原股股價之外，還加入了匯率、台灣加權指數與原股上市地大盤指數，共五個參數。匯率為計算 TDR 與原股股價之必要參數，而兩地之大盤指數會加入模型中，主要是過去文獻曾發現，存託憑證與原股股價會受兩地大盤指數影響，因此選定兩地大盤指數作為參數。本文會使用之參數有 TDRs、原股、匯率、兩地大盤指數，在符號上為了表達方便將做以下代換，TDRs 股價=price，以 p 代表，原股股價=original price，. 政治大至於國外大盤指數則以國家名稱代表，例如香港 hk，新加坡 sin，泰國 tha 等，立. 以 op 代表，匯率=currency，以 cur 代表，台灣大盤指數=Taiwan index，以 t 代表，. 代號. TDR 股價. price. p. 原股股價. original price. op. 匯率. currency. cur. y. 英文名稱. er. io. sit. Nat. 名稱. ‧. ‧ 國. 表 4-4 參數代號對照表. 學. 若再取過對數，則加上 ln，以 TDRs 股價來說則記為 lnp 依此類推。. 台灣大盤指數. n. Taiwan index t a l C Hong Kong Hk n i v 國外大盤指數 h eSingapore n g c h iSinU Thailand. Th. 資料來源：同表 4-1。. 第二節單根檢定為了滿足「檢驗是否具有共整合現象」的條件，必頇先檢定各個參數數列是否為同階定態數列，本文對所有參數的時間序列進行 ADF 單根檢定，若該數列不需差分便為定態(無單根)，則為零階定態數列，經過一階差分後無單根，屬一階定態。各檔 TDRs 在各自樣本期間五個參數的單根檢定，一如預期的，差分前此五 25.

(33) 參數皆有單根現象，經過一階差分之後顯著拒絕有單根現象，皆為一階定態 I(1)，符合共整合檢定所需同階定態條件，詳細結果請參照附錄二。. 第三節 Johansen 共整合檢定本研究採用 Johansen(1990)所提出之方法做 TDR 與原股股價之共整合檢定，由於各檔 TDRs 的參數皆為一階定態 I(1)，參數之間有機會存在長期共整合關係。首先從 VAR 模型中以 AIC(Akaike Information Criterion)與 SBIC(Schwartz Bayesian Information Criterion)準則選出最適落後期數，AIC 和 SBIC 在本篇研究. 政治大在此皆已 AIC 準則為主。接著以 AIC 最適落後期數對變數進行檢定，若檢定結立. 結果顯示有兩種情況，一是兩者相同，二是 AIC 最適落後期數較 SBIC 多一期，. ‧ 國. 學. 果拒絕共整合向量為零的虛無假設，則代表結果判定此五參數存在一組共整合向量，即是長期來說，存在有穩定。. ‧. 表 4-5 結果顯示，12 檔中，除了聯環、杜康和滬安沒有顯著之外，有 9 檔存. y. sit er. io. 有一穩定關係。. Nat. 在共整合關係，代表 TDRs 股價、原股股價、匯率以及兩地大盤的報酬率間長期. n. a l 表 4-5 共整合檢定結果 i v n Ch 巨騰 engchi U. 康師父 Hypothesized. Trace. 0.05. Hypothesized. Trace. No. of CE(s). Statistic. No. of CE(s). Statistic. None *. 97.83134. 76.97277. 0.0006. None *. 88.68126. 76.97277. At most 1 *. 60.36883. 54.07904. 0.0124. At most 1. 53.35590. At most 2. 29.40318. 35.19275. 0.1841. At most 2. At most 3. 11.46998. 20.26184. 0.4974. At most 4. 4.380414. 9.164546. 0.3584. Critical Value Prob.**. 旺旺. 0.05. Hypothesized. Trace. No. of CE(s). Statistic. 0.0049. None *. 89.44688. 76.97277. 0.0041. 54.07904. 0.0579. At most 1. 53.54029. 54.07904. 0.0558. 27.75466. 35.19275. 0.2524. At most 2. 24.29472. 35.19275. 0.4439. At most 3. 11.73353. 20.26184. 0.4730. At most 3. 9.491444. 20.26184. 0.6895. At most 4. 1.925008. 9.164546. 0.7926. At most 4. 1.653411. 9.164546. 0.8452. Hypothesized. Trace. 0.05. No. of CE(s). Statistic. Critical Value Prob.**. 新傳媒. Hypothesized. Trace. 0.05. No. of CE(s). Statistic. None *. 106.2392. 76.97277. At most 1. 48.88714. 54.07904. 友佳 0.05 Critical Value Prob.**. 大成糖. Hypothesized. Trace. No. of CE(s). Statistic. 0.0001. None *. 106.3732. 76.97277. 0.0001. None *. 84.47086. 76.97277. 0.0120. 0.1341. At most 1. 48.99486. 54.07904. 0.1316. At most 1. 50.09536. 54.07904. 0.1082. Critical Value Prob.**. 26. 0.05 Critical Value Prob.**. Critical Value Prob.**.

(34) At most 2. 22.22218. 35.19275. 0.5805. At most 2. 18.50631. 35.19275. 0.8141. At most 2. 28.32109. 35.19275. 0.2273. At most 3. 10.48354. 20.26184. 0.5924. At most 3. 9.069990. 20.26184. 0.7297. At most 3. 13.62134. 20.26184. 0.3163. At most 4. 4.246887. 9.164546. 0.3766. At most 4. 3.938441. 9.164546. 0.4214. At most 4. 4.792740. 9.164546. 0.3069. Hypothesized. Trace. 0.05. No. of CE(s). Statistic. 聯環. 聖馬丁. Hypothesized. Trace. 0.05. No. of CE(s). Statistic. None. 58.82486. 69.81889. 0.2732. At most 1. 34.01837. 47.85613. At most 2. 17.55266. At most 3 At most 4. 歐聖. Hypothesized. Trace. No. of CE(s). Statistic. None *. 290.9813. 76.97277. 0.0000. None *. 80.50839. 76.97277. 0.0262. 0.5009 At most 1 *. 67.00530. 54.07904. 0.0023. At most 1. 35.24726. 54.07904. 0.7111. 29.79707. 0.5992. At most 2. 31.73762. 35.19275. 0.1126. At most 2. 15.97604. 35.19275. 0.9242. 7.835389. 15.49471. 0.4831. At most 3. 16.60092. 20.26184. 0.1481. At most 3. 9.047642. 20.26184. 0.7318. 2.900933. 3.841466. 0.0885. At most 4. 7.009406. 9.164546. 0.1259. At most 4. 2.938885. 9.164546. 0.5922. Hypothesized. Trace. 0.05. No. of CE(s). Statistic. None *. 106.6590. 76.97277. 0.0001. 56.54562. 54.07904. 0.0296. Critical Value Prob.**. 杜康. 0.05 Critical Value Prob.**. 滬安. Hypothesized. Trace. 0.05. Hypothesized. No. of CE(s). Statistic. None. 74.31166. 76.97277. 0.0784. 立. At most 1. 39.20994. 54.07904. 0.5104. At most 2. 21.64807. 35.19275. At most 3. 6.519788. 20.26184. At most 4. 2.409331. 9.164546. Critical Value Prob.**. No. of CE(s). 新曄. 政治大 Trace. Statistic. 0.05. Critical Value Prob.**. Critical Value Prob.**. 76.97277. 0.2707. At most 1. 34.52700. 54.07904. 0.7448 At most 1 *. 0.6191. At most 2. 21.01247. 35.19275. 0.6615. At most 2. 31.28953. 35.19275. 0.1242. 0.9252. At most 3. 7.733508. 20.26184. 0.8455. At most 3. 10.73540. 20.26184. 0.5677. 0.6956. At most 4. 2.121679. 9.164546. 0.7534. 0.999693. 9.164546. 0.9516. 學. 65.50768. ‧. ‧ 國. None. Critical Value Prob.**. At most 4. er. io. sit. y. Nat. 資料來源：同表 4-1。. n. 第四節a 誤差修正模型實證結果與分析 v. i l C n U h e n g cEngle h i and Granger(1987)的當變數間的共整合關係存在時，依據. Ganger. Representation Theorem，兩數列之間必存在一向量誤差修正模型與其相對應，換句話說，共整合和 VECM 互為充分與必要條件。當經濟變數受到新資訊衝擊而使模型脫離長期均衡時，VECM 模型透過誤差修正項的調整，使模型再次回到長期均衡。表 4-6 是各檔 TDRs 模型之實證結果。由表中結果可知，當被解釋變數為 D(LNP)項，解釋變數 D(LNOP)項的係數為正，雖然各模型係數大小不一，但皆為正數，代表當原股股價上漲，TDR 股價也會上漲，反之亦然；不過 VECM 模型中的變數係數大部分並不顯著，僅 D(LNP)項有較多的解釋變數為顯著的，代 27.

(35) 表此五變數在長期雖有穩定關係，但短期並無法透過此模型來預測股價。表 4-6 誤差修正模型實證結果. D(LNP(-2)). D(LNP(-3)). D(LNCUR(-1)). D(LNCUR(-2)). D(LNOP(-2)). D(LNOP(-3)). D(LNT(-1)). D(LNT(-2)). D(LNT(-3)). 巨騰. D(LNOP). D(LNCUR). D(LNT). D(LNHK). -0.058851. 0.003830. -0.000485. 0.030434. 0.000467. CointEq1. -0.093173. -0.031295. -0.005812. -0.018869. -0.011978. [-3.15149]**. [ 1.56744]. [-0.03226]. [ 1.33573]. [ 0.03573]. [-3.56408]**. [-2.33542]**. [-1.22979]. -0.20071. 0.005763. 0.000380. 0.030872. -0.034474. [-3.43915]**. [ 0.75466]. [ 0.00807]. [ 0.43356]. [-0.84342]. -0.084662. 0.003244. 0.076801. 0.193242. 0.062811. [-1.46420]. [ 0.42869]. [ 1.64846]. [ 2.73911]**. [ 1.55101]. -0.045785. 0.014058. 0.008550. 0.032910. -0.008903. [-0.84432]. [ 1.98109]. [ 0.19569]. [ 0.49740]. [-0.23442]. -0.180369. 0.057453. 0.017215. -0.822861. -0.032808. [-0.53909]. [ 1.31226]. [ 0.06386]. [-2.01568]**. [-0.14000]. 0.527181. -0.01076. 0.094082. 0.774525. 0.097395. [ 1.56693]. [-0.24440]. [ 0.34705]. [ 1.88679]. [ 0.41333]. 0.408881. 0.028847. -0.05502. 0.107174. 0.077430. [ 1.46087]. [ 0.78765]. [-0.24397]. [ 0.31383]. [ 0.39500]. 0.065235. -0.056138. 0.014051. 0.105532. 0.032647. [ 0.83860]. [-5.51502] **. [ 0.22417]. [ 1.11188]. [ 0.59922]. -0.032613. -0.006618. 0.090698. -0.10469. 0.119501. [-0.40998]. [-0.63581]. [ 1.41504]. -0.064798. 0.002555. -0.020839. [-0.81121]. [ 0.24445]. 0.325841. 立. [-1.07864]. al. n. D(LNOP(-1)). D(LNP). io. D(LNHK(-3)). Error Correction:. Nat. D(LNHK(-2)). D(LNT). [-6.47913]** [-2.06778]** D(LNP(-1)). -0.176254. -0.031944. 0.017290. 0.033671. 0.016630. [-3.81719]**. [-0.65734]. [ 3.30222] **. [ 1.29790]. [ 0.53177]. -0.016121. -0.056888. 0.013846. -0.069476. -0.071211. [-0.34401]. [-1.15346]. [ 2.60568] **. [-2.63873] **. [-2.24369] **. 0.030287. -0.067121. 0.007229. 0.002956. 0.011142. [ 0.67987]. [-1.43162]. [ 1.43097]. [ 0.11809]. [ 0.36929]. 0.232606. -0.066456. -0.011345. -0.02855. -0.039219. [ 5.26850]**. [-1.43020]. [-2.26597]**. [-1.15093]. [-1.31156]. 0.100779. 0.016212. -0.010899. 0.024573. 0.044277. [ 2.18676]**. [ 0.33425]. [-2.08546]**. [ 0.94901]. [ 1.41853]. -0.081653. -0.084122. -0.007762. -0.006613. -0.024422. [-1.79609]. [-1.75819]. [-1.50570]. [-0.25892]. [-0.79319]. -0.028669. -0.065631. -0.114823. -0.000321. [-0.08063]. [-1.71309]. [-0.60489]. [-0.00140]. D(LNP(-2)). D(LNP(-3)). 政治大 D(LNOP(-1)). D(LNOP(-2)). D(LNOP(-3)). D(LNCUR(-1)). -0.457808 [-1.35505]. D(LNCUR(-2)). -0.115723. -0.148666. -0.053292. 0.151735. 0.264870. [-0.35132]. [-0.42884]. [-1.42675]. [ 0.81987]. [ 1.18727]. -0.162311. 0.335535. -0.012884. 0.084623. -0.091669. [-0.55379]. [ 1.08775]. [-0.38767]. [ 0.51388]. [-0.46179]. 0.111290. 0.025603. -0.067579. 0.074288. -0.015564. [ 1.18433]. [ 0.25888]. [-6.34199] **. [ 1.40705]. [-0.24454]. -0.130521. -0.011226. 0.003257. -0.04915. 0.059824. [-1.36953]. [-0.11193]. [ 0.30138]. [-0.91789]. [ 0.92683]. 0.207163. 0.037080. -0.01414. 0.074787. 0.083971. [ 2.21656] **. [ 0.37697]. [-1.33416]. [ 1.42419]. [ 1.32656]. 0.106264. 0.161783. -0.044495. 0.054170. 0.057472. [ 1.37580]. [ 1.99020]. [-5.08023] **. [ 1.24826]. [ 1.09863]. 0.119270. 0.076411. 0.000646. 0.045254. 0.023499. [ 1.51904]. [ 0.92468]. [ 0.07258]. [ 1.02581]. [ 0.44189]. -0.048268. 0.042421. 0.000496. -0.02882. 0.001068. [-0.61583]. [ 0.51426]. [ 0.05583]. [-0.65445]. [ 0.02012]. [ 2.14493] **. 0.066437. -0.005193. [-0.32378]. [ 0.68168]. [-0.09283]. 0.002463. 0.037522. 0.055125. 0.048773. [ 6.59530] **. [ 0.38105]. [ 0.94256]. [ 0.91449]. [ 1.40954]. 0.108936. 0.000356. -0.068744. -0.076683. -0.07568. [ 2.12555] **. [ 0.05313]. [-1.66469]. [-1.22630]. [-2.1084] **. -0.01802. -0.014495. -0.00622. -0.099516. -0.008218. [-0.35775]. [-2.19919] **. [-0.15327]. [-1.61932]. [-0.23295]. -0.040026. -0.079321. -0.017924. -0.095508. 0.101164. [-0.44573]. [-6.75043]. [-0.24772]. [-0.87171]. [ 1.60852]. -0.044305. 0.013767. -0.002231. -0.02114. -0.152457. [-0.47906]. [ 1.13758]. [-0.02994]. [-0.18735]. [-2.3537] **. 0.076209. -0.010812. 0.039583. -0.005832. 0.008912. [ 0.82487]. [-0.89431]. [ 0.53173]. [-0.05174]. [ 0.13774]. Ch. ‧. D(LNHK(-1)). D(LNOP). 學. D(LNCUR(-3)). D(LNHK). y. D(LNP(-1)). D(LNCUR). sit. CointEq1. D(LNP). er. Error Correction:. 旺旺. ‧ 國. 康師傅. D(LNCUR(-3)). engchi U D(LNT(-1)). D(LNT(-2)). D(LNT(-3)). D(LNHK(-1)). D(LNHK(-2)). D(LNHK(-3)). 友佳 28. v ni.

(36) Error Correction:. D(LNP). D(LNOP). D(LNCUR). D(LNT). D(LNTH). Error Correction:. D(LNP). D(LNOP). D(LNCUR). D(LNT). D(LNHK). CointEq1. -0.000524. 0.000539. -0.000294. -9.61E-06. -1.27E-05. CointEq1. -0.010813. -0.017522. 0.000930. 0.004067. 0.001428. [-0.85183]. [ 0.79921]. [-5.77168] **. [-0.03944]. [-0.04352]. [ 2.4046] **. [ 2.0064] **. [ 0.60548]. 0.178278. 0.031313. 0.003824. -0.000305. 0.031875. 0.004580. 0.043256. 0.050345. [ 4.06073] **. [ 0.64983]. [ 1.05162]. [-0.01753]. [ 1.52633]. [ 0.98899]. [ 1.78234]. [ 1.78261]. 0.037061. 0.014845. -0.005437. -0.011572. 0.023357. [ 0.85205]. [ 0.31096]. [-1.50893]. [-0.67173]. [ 1.12892]. 0.026110. 0.064947. -0.004015. 0.025498. -0.001085. [ 0.68620]. [ 1.55516]. [-1.27394]. [ 1.69196]. [-0.05996]. 0.013949. -0.001409. -0.000859. -0.011724. 0.000784. [ 0.36700]. [-0.03377]. [-0.27279]. [-0.77883]. [ 0.04335]. -0.054468. 0.158079. -0.176153. -0.20262. -0.094003. [-0.11872]. [ 0.31392]. [-4.63520] **. [-1.11506]. [-0.43074]. 0.207010. -0.297049. -0.06101. 0.037006. -0.01864. [ 0.48986]. [-0.64042]. [-1.74291]. [ 0.22109]. [-0.09273]. 0.374183. 0.384176. -0.04291. 0.076179. -0.070526. [ 1.35791]. [-1.04674]. 0.013976. -0.12794. -0.06206. [ 1.17790]. [-2.2552] **. [-0.91084]. -0.048839. 0.019650. 0.036042. D(LNCUR(-1)). D(LNCUR(-2)). D(LNT(-1)). 立. -0.00909. [-1.89657]. [-0.05782]. -0.172958. -0.114872. [-1.57126]. [-0.95079]. [-5.35640] **. [ 0.45072]. [ 0.68835]. 0.264232. -0.066932. 0.001309. 0.056046. 0.048878. [ 2.37177] **. [-0.54737]. [ 0.14190]. Nat. D(LNTH(-2)). io. [ 1.27017]. al. Error Correction:. D(LNP). D(LNOP). D(LNCUR). D(LNT). CointEq1. -0.061829. 0.023932. -0.001845. [-5.6903] **. [ 1.87355]. 0.223785. D(LNP(-1)). D(LNP(-2)). D(LNOP(-1)). D(LNOP(-2)). D(LNCUR(-1)). D(LNCUR(-2)). D(LNOP(-2)). D(LNCUR(-1)). D(LNCUR(-2)). D(LNT(-1)). D(LNT(-2)). D(LNHK(-1)). 0.016995. -6.02E-05. 0.004488. 0.010235. [ 0.94572]. [ 0.28608]. [-0.01357]. [ 0.19308]. [ 0.37838]. 0.215848. -0.011152. 0.001186. -0.004816. 0.023291. [ 4.87427] **. [-0.22101]. [ 0.31483]. [-0.24394]. [ 1.01372]. -0.070742. -0.087958. -0.004452. -0.03067. -0.037932. [-1.54748]. [-1.68859]. [-1.14463]. [-1.50478]. [-1.59923]. 0.480468. -0.125511. 0.057057. -0.033433. 0.010411. [ 0.88554]. [-0.20301]. [ 1.23602]. [-0.13821]. [ 0.03698]. -0.251624. -0.002213. 0.012869. 0.040243. 0.023119. [-0.56070]. [-0.00433]. [ 0.33704]. [ 0.20113]. [ 0.09929]. 0.026716. -0.076874. -0.080006. 0.062729. -0.092294. Ch. [ 0.17360]. [-0.43838]. [-6.11029] **. [ 0.91421]. [-1.15586]. -0.346334. -0.029065. 0.020345. -0.134665. 0.012882. [-2.1966] **. [-0.16178]. [ 1.51665]. [-1.91571]. [ 0.15747]. 0.129098. -0.06117. 0.037368. 0.023532. [ 0.90899]. [-5.76828] **. [ 0.67243]. [ 0.36388]. 0.008475 [ 0.06799]. D(LNHK(-2)). [ 0.92234]. n. 歐聖. D(LNOP(-1)). 0.049306. ‧. D(LNTH(-1)). D(LNP(-2)). 學. D(LNT(-2)). [ 2.44529] ** [ 3.25014] **. 政治大. -0.271661. [ 2.64173] ** [ 2.47114] ** [-3.65726] **. 0.201588. y. D(LNOP(-2)). 0.133105. sit. D(LNOP(-1)). D(LNP(-1)). 0.298522. 0.181847. -0.004894. 0.130005. 0.102221. [ 2.32566] **. [ 1.24330]. [-0.44818]. [ 2.27164] **. [ 1.53487]. er. D(LNP(-2)). ‧ 國. D(LNP(-1)). [-2.3787] ** [-3.38273] **. 新曄. engchi. i Un. v. D(LNSIN). Error Correction:. D(LNP). D(LNOP). D(LNCUR). D(LNT). D(LNSIN). -0.007015. -0.001718. CointEq1. -0.292727. -0.233377. -0.009424. 0.018780. 0.011208. [-1.76899]. [-1.54092]. [-0.44016]. [-0.90447]. [ 0.46459]. [ 0.32297]. 0.114075. -0.005852. 0.009929. 0.013475. [ 4.68913] **. [ 2.03323]. [-1.27777]. [ 0.49656]. [ 0.78586]. -0.023192. -0.054372. 0.000769. -0.000115. -0.010811. [-0.49040]. [-0.97795]. [ 0.16951]. [-0.00580]. [-0.63623]. 0.027668. 0.049443. 0.002281. -0.009295. 0.008131. [ 0.66981]. [ 1.01816]. [ 0.57529]. [-0.53707]. [ 0.54787]. -0.080978. 0.071782. -0.003902. -0.038993. -0.01784. [-1.96646]. [ 1.48275]. [-0.98732]. [-2.2600] **. [-1.20576]. 0.750406. -0.080835. 0.014842. 0.370848. 0.247739. [ 1.62469]. [-0.14887]. [ 0.33482]. [ 1.91632]. [ 1.49282]. -0.043427. 0.775642. -0.075058. -0.064743. -0.043557. [-5.4467] ** [-2.75844] ** D(LNP(-1)). D(LNP(-2)). D(LNOP(-1)). D(LNOP(-2)). D(LNCUR(-1)). D(LNCUR(-2)). 29. -0.130452. -0.03518. -0.010035. -0.071205. -0.058933. [-1.21593]. [-0.20830]. [-0.48247]. [-0.88241]. [-0.85074]. 0.026849. -0.084961. -0.018686. 0.051272. -0.021863. [ 0.27045]. [-0.54365]. [-0.97095]. [ 0.68666]. [-0.34108]. 0.059569. -0.70249. 0.004915. 0.047535. 0.031393. [ 0.82697]. [-6.19512] **. [ 0.35195]. [ 0.87737]. [ 0.67496]. 0.076208. -0.23138. 0.006736. -0.001221. 0.012374. [ 1.09460]. [-2.11114] **. [ 0.49906]. [-0.02331]. [ 0.27527]. 0.894190. 0.816745. -0.131451. 0.550144. 0.274384. [ 1.50910]. [ 0.87561]. [-1.14435]. [ 1.23443]. [ 0.71718]. 0.116216. -0.198259. -0.024779. 0.138970. -0.232055.

(37) D(LNT(-1)). D(LNT(-2)). D(LNSIN(-1)). D(LNSIN(-2)). [-0.09959]. [ 1.51303]. [-1.79352]. [-0.35436]. [-0.27801]. 0.106249. -0.131601. 0.054574. -0.040056. -0.038163. [ 0.70609]. [-0.74393]. [ 3.77899] **. [-0.63533]. [-0.70586]. 0.063035. 0.086958. -0.020015. -0.111201. 0.068710. [ 0.42238]. [ 0.49564]. [-1.39742]. [-1.77837]. [ 1.28137]. 0.204354. -0.014456. 0.047658. 0.268541. 0.047958. [ 1.16175]. [-0.06990]. 0.107239. 0.160835. 0.013352. 0.117889. -0.006511. [ 0.60093]. [ 0.76664]. [ 0.77958]. [ 1.57668]. [-0.10155]. [ 2.82306] ** [ 3.64365] **. D(LNT(-1)). D(LNT(-2)). D(LNSIN(-1)). [ 0.75880]. [-0.24391]. [-0.24755]. [ 0.35784]. [-0.69605]. 0.193933. 0.201170. -0.004328. -0.07196. 0.042283. [ 0.81199]. [ 0.53506]. [-0.09349]. [-0.40058]. [ 0.27419]. 0.205238. 0.718459. -0.01777. 0.121545. 0.192518. [ 0.91957]. [ 2.04488] **. [-0.41071]. [ 0.72405]. [ 1.33592]. -0.585893. -0.270082. 0.162349. 0.150604. -0.044335. [-2.3079] **. [-0.67581]. [ 3.29877] **. [ 0.78873]. [-0.27047]. -0.53546. -1.1288. 0.073217. -0.080123. -0.132443. [-1.92314]. [-2.57537] **. [ 1.35645]. [-0.38260]. [-0.73671]. 新傳媒. Error Correction:. D(LNP). D(LNHK). D(LNCUR). D(LNOP). D(LNT). Error Correction:. D(LNP). D(LNOP). D(LNCUR). D(LNT). D(LNHK). CointEq1. -0.000595. -0.000126. -0.079361. -0.000788. 0.000197. CointEq1. -0.103997. -0.040523. 0.000338. -0.006414. -0.029885. [-1.26524]. [-0.52374]. [-16.4201] **. [-1.59105]. [ 0.93694]. [ 0.33940]. [-0.75374]. [-3.01608] **. 0.092230. 0.006094. -0.18723. 0.092360. -0.006117. [ 1.84425]. [ 0.23725]. [-0.36401]. [ 1.75329]. [-0.27303]. -0.086333. 0.036290. -0.576847. -0.15056. 0.058192. [-0.73889]. [ 0.60468]. [-0.48002]. [-1.22331]. [ 1.11166]. 0.000728. 0.002793. 0.070919. 0.004099. -0.000587. [ 0.17220]. [ 1.28600]. [ 1.63063]. [ 0.92024]. [-0.30965]. 0.009945. -0.048833. ‧ 國. 聖馬丁. D(LNSIN(-2)). [ 0.22508]. 0.262266. -0.007137. -0.050063. [ 0.23132]. [-2.21130] **. [ 0.59312]. [-0.15760]. [-2.59908]. 0.270227. 0.004555. 2.257352. 0.240731. 0.109043. [ 1.89244]. [ 0.06210]. [ 1.53706]. io. [ 1.60048]. D(LNOP(-1)). D(LNOP(-2)). 0.005504. [ 1.32713]. [ 1.21111]. [-1.36230]. [ 0.06973]. [ 0.11340]. 0.016715. 0.042133. 0.003301. -0.039358. -0.081136. [ 0.20632]. [ 0.47425]. [ 0.71487]. [-0.99673]. [-1.76472]. 0.297366. 0.025442. 0.007709. 0.045227. 0.066780. [ 3.54947] **. [ 0.27692]. [ 1.61411]. [ 1.10756]. [ 1.40453]. -0.00313. -0.010659. 0.083982. 0.091802. [-0.03235]. [-2.11979] **. [ 1.95335]. [ 1.83384]. 1.246539. 0.061729. 0.000927. 1.295441. [ 0.71050]. [ 0.67686]. [ 0.00119]. [ 1.42677]. 2.873404. 0.169736. 0.599401. 0.894155. [ 1.05430]. [ 1.35075]. 0.106418. D(LNCUR(-1)). 2.180027. [ 1.70449]. Ch. 0.002907. [ 1.20646]. [ 1.36266]. n. al. -0.006641. y. Nat. D(LNT(-1)). 0.113579. ‧. D(LNOP(-1)). D(LNP(-2)). 0.113492. 學. D(LNCUR(-1)). D(LNP(-1)). sit. D(LNHK(-1)). 立. 政治大. er. D(LNP(-1)). [-5.9567] ** [-2.11648] **. D(LNCUR(-2)). engchi. i Un. D(LNT(-1)). v. 2.315750. [ 1.98536]. [ 2.24636] ** [ 2.55274] **. -0.021231. 0.173990. -0.046147. 0.118437. -0.038758. [-0.07797]. [ 0.58267]. [-2.97297] **. [ 0.89239]. [-0.25081]. -0.428097. 0.162193. 0.050293. -0.252176. -0.081856. [-1.55374]. [ 0.53679]. [ 3.20208] **. [-1.87775]. [-0.52348]. 0.268112. 0.202181. -0.060006. -0.023926. 0.081114. [ 1.16299]. [ 0.79972]. [-4.56605] **. [-0.21293]. [ 0.61997]. 0.243543. 0.068779. -0.018242. 0.181030. 0.266126. [ 0.98669]. [ 0.25409]. [-1.29646]. [ 1.50472]. [ 1.89979]. Error Correction:. D(LNP). D(LNCUR). D(LNHK). D(LNOP). D(LNT). CointEq1. -0.067856. 0.011124. -0.004071. -0.041808. -0.006644. D(LNT(-2)). D(LNHK(-1)). D(LNHK(-2)). 大成糖. [-4.2339] ** [ 3.90972] ** [-0.41798] ** [-2.02635] ** D(LNP(-1)). 30. -0.111565. 0.002272. -0.004532. -0.020015. [-0.79175] -0.014453.

(38) D(LNP(-2)). D(LNCUR(-1)). D(LNCUR(-2)). D(LNHK(-1)). D(LNHK(-2)). D(LNOP(-1)). D(LNT(-1)). [-0.29846]. [-0.52990]. -0.042291. 0.001280. -0.003709. 0.023218. 0.001435. [-0.85262]. [ 0.14531]. [-0.12304]. [ 0.36362]. [ 0.05525]. -0.333885. -0.474898. 0.198828. 0.383011. 0.101292. [-1.19096]. [-9.54202] **. [ 1.16703]. [ 1.06124]. [ 0.69007]. -0.062143. -0.141088. 0.107828. -0.026456. 0.034060. [-0.22325]. [-2.85516] **. [ 0.63744]. [-0.07383]. [ 0.23370]. 0.006866. -0.031472. 0.043669. 0.151354. 0.050588. [ 0.05881]. [-1.51840]. [ 0.61546]. [ 1.00696]. [ 0.82753]. 0.295423. -0.000485. 0.071163. 0.226528. 0.113649. [ 2.56267] **. [-0.02372]. [ 1.01580]. [ 1.52642]. [ 1.88292]. 0.136877. -0.004673. -0.00156. -0.088214. -0.017538. [ 3.02409] **. [-0.58151]. [-0.05671]. [-1.51393]. [-0.74007]. 0.090074. -0.003094. 0.035933. 0.065507. 0.019400. [ 1.98523] **. [-0.38413]. [ 1.30320]. [ 1.12152]. [ 0.81663]. 0.222690. -0.02503. -0.018601. 0.299364. 0.106987. [ 1.73881]. [-1.10092]. [-0.23899]. [ 1.81574]. [ 1.59551]. -0.198842. -0.011441. 0.008140. -0.068131. -0.160244. [-1.54979]. [-0.50232]. [ 0.10440]. [-0.41249]. [-2.38543] **. -0.000259. 0.000111. -0.00143. -7.83E-06. [-1.36724]. [ 0.17108]. [-1.04015]. [-0.01401]. n. al. er. sit. [-1.43073]. y. ‧ 國. -0.001528. ‧. C. io. 註：表中[‧]數值為 z 值。. [-0.14315]. 學. D(LNT(-2)). Nat. 資料來源：同表 4-1。. [ 0.24570]. 政治大 D(LNOP(-2)). 立. [-2.1417] **. Ch. engchi. i Un. v. 第五節因果關係檢定的實證結果與分析本文採用 Granger Causality Test 檢定此五參數之間的因果關係。從第三節共整合檢定中得知，某些 TDR 存在一組長期穩定均衡關係的共整合向量，因此進一步以誤差修正模型做 Granger 因果關係檢定。根據 Toda and Yamamoto(1995)提出新的因果關係檢定方法，假設原先 VAR 模型落後期數為 k，在檢定因果關係採用的落後期數應為 k+dmax，dmax 代表共整合模型中的最高整合級次，先前根據作共整合的結果顯示，本篇所採用之參數皆為一階共整合，因此 dmax 為 1，此部分因果檢定所用採用之落後期數為將原先 31.