• 沒有找到結果。

經濟政策不確定性指數真的可以預測加密貨幣報酬及波動率嗎?

N/A
N/A
Protected

Academic year: 2021

Share "經濟政策不確定性指數真的可以預測加密貨幣報酬及波動率嗎?"

Copied!
43
0
0

加載中.... (立即查看全文)

全文

(1)

國立高雄大學金融管理學系

碩士論文

經濟政策不確定性指數真的可以預測加密貨幣報酬及波

動率嗎?

Can economic policy uncertainty really predict

cryptocurrency returns and volatility?

研究生:黃日廷 撰

指導教授:王功亮 博士

(2)
(3)

誌謝

又到了六月畢業季,想起第一次踏進高雄大學已是兩年前的事了,如今又將踏上人 生另外一段旅程。回想起這段日子和大學時期最大的不同,那就是面對事情的態度。慶 幸自己當初在面臨抉擇時,選擇讀研究所這條路,才讓今天的自己變得更好。 首先,感謝我的指導老師 – 王功亮老師。老師在我的論文中給予我非常大的空間 來讓我完成屬於自己的論文,在遇到自己無法解決的問題時適時給我幫助,在沒有寫作 靈感時,和我一起思考討論,使我的論文內容更加豐富。其次我想感謝我的三位朋友 – 陳證傑、米志中和陳致維,沒有你們的相互扶持,我想我的研究所生活會過得相當艱辛。 最後,我想感謝我的家人,不論在任何時候,都支持我並且讓我能在沒有經濟壓力下, 完成我的學業。沒有以上的幫助,我是無法完成我的論文和學業的,再次感謝你們。 學生 黃日廷 謹至於 國立高雄大學金融管理學系碩士班 中華民國一零九年六月

(4)

經濟政策不確定性性指數真的可以預測加密貨幣

報酬及波動率嗎?

指導教授:王功亮 博士 國立高雄大學金融管理學系(所) 研究生:黃日廷 國立高雄大學金融管理學系(所) 摘要

Demir, Gozgor, Lau, and Vigne在 2018 年的研究報告中提及「經濟政策不確定性對

比特幣具有預測力」,然而Wang, Xie, Wen, and Zhao (2019) 卻有不一樣的想法。因此本

研究將探討經濟政策不確定性 (Economic Policy Uncertainty, EPU) 是否真的會影響 加 密 貨 幣 報 酬 與 波 動 率 , 利 用 美 國 經 濟 政 策 不 確 定 性 (USA Economic Policy Uncertainty, USEPU) 和 股 權 市 場 不 確 定 性 (Equity Market-related Economic

Uncertainty, EMU) 作為經濟政策不確定性的代理變數。透過結構式向量自我回歸

(Structural Vector Autoregressive Model, SVAR) 、 多 變 數 分 位 模 型 (Multivariate

Quantile Model, MVQM) 和最小平方法對「比特幣」、「以太幣」和「萊特幣」進行分

析。研究結果顯示,不論是短期或長期,經濟政策不確定性皆不會對加密貨幣造成影響,

且在多數情況下,從經濟政策不確定性至加密貨幣的風險溢出效應近乎為零。本文的結 果與 Wang, Xie, Wen, and Zhao (2019) 一致,且為投資者在建構投資組合上提供了一些

訊息,投資人可以將「比特幣」、「以太幣」或「萊特幣」納入投資組合中,藉以作為

在經濟政策不確定性衝擊下的避風港。

(5)

Can economic policy uncertainty really predict

cryptocurrency returns and volatility?

Advisor: Dr. David K. Wang Department of Finance National University of Kaohsiung

Student: Ri-Ting Huang Department of Finance National University of Kaohsiung

ABSTRACT

Demir, Gozgor, Lau, and Vigne (2018) show that economic policy uncertainty (EPU) index has predictive power on daily Bitcoin returns. However, Wang, Xie, Wen, and Zhao (2019) offer an opposite opinion. This study aims to examine whether EPU can really predict cryptocurrency returns and volatility. We use Bitcoin, Ethereum and Litecoin to represent the cryptocurrency market, and US EPU index and equity market uncertainty index as proxies for EPU. Using the structural vector autoregressive (SVAR), multivariate quantile model (MVQM) and the ordinary least squares (OLS), we find that EPU does not have a predictive power on cryptocurrency returns or volatility, both in the short and long term, and the risk spillover effect from EPU to cryptocurrency apparently is near zero in most cases. Our results are consistent with Wang, Xie, Wen, and Zhao (2019), and offer some information on establishing efficient portfolios for investors. Our findings suggest that investors can add Bitcoin, Ethereum and Litecoin to their portfolios to act as a safe havens under EPU shock.

(6)

i

目錄

目錄... I 表目錄 ... II 圖目錄 ... III 第一章 緒論 ... 4 第二章 文獻回顧 ... 7 第一節 經濟政策不確定性及相關文獻 ... 7 第二節 加密貨幣及相關文獻 ... 8 第三節 經濟政策不確定性和加密貨幣相關文獻 ... 10 第三章 研究方法 ... 12 結構式向量自我迴歸 (SVAR) ... 12 多變數分位模型 (MVQM) ... 14 最小平方法 ... 15 第四章 樣本資料 ... 16 第五章 實證結果 ... 22 第一節 加密貨幣報酬率與 EPU 變動 ... 22 第二節 加密貨幣波動率與 EPU 變動 ... 28 第六章 結論 ... 33 參考文獻 ... 35

(7)

表目錄

表 1 敘述統計 ... 17 表 2 單根檢定 ... 18 表 3 相關係數矩陣 ... 19 表 4 長期限制矩陣 ... 24 表 5 長期限制矩陣 ... 25 表 6MVQM ... 27

(8)

iii

圖目錄

圖 1 變數資料 ... 21 圖 2 衝擊反應函數: 加密貨幣報酬率受到 USEPU 或 EMU 一單位標準差衝擊後的反應 ... 26 圖 3 衝擊反應函數: 加密貨幣波動率受到 USEPU 或 EMU 一單位標準差衝擊後的反應 ... 31

(9)

第一章 緒論

近期的政治和經濟事件使人們對政策不確定性所帶來的經濟影響再次感到興趣。已 有許多文章探討政策衝擊下對經濟變數所造成的影響,又或是對股票市場所帶來的效應,

卻鮮少有文章將焦點放在經濟政策不確定性 (Economic Policy Uncertainty, EPU) 對加

密貨幣的影響。就本文所知,和此議題最相關的文章只有三篇,分別是 1. Bouri, Gupta,

Tiwari, and Roubaud (2017),2. Demir, Gozgor, Lau, and Vigne (2018),3. Wang, Xie, Wen, and Zhao (2019)。

Bouri et al. (2017) 利用 Wavelet-Based Quantile-in-Quantile Regressions 來研究,不

同於後兩篇,Bouri et al. 利用 VIX 指數作為不確定性指數的代理變數,雖然此篇文章 不是直接利用 EPU 指數作為研究變數,但卻是研究經濟政策不確定性是否會影響加密 貨幣議題的開端,因此對往後的文章影響甚遠。Bouri et al. 首先運用小波分析將比特幣 報酬拆分成不同的頻率,即投資期限,再做分位回歸。研究發現在長投資期限下,不確 定性會對比特幣報酬率產生負面影響,但在低分位和高分位時,不確定性卻會對比特幣 報酬率產生正面且顯著的影響,特別是在短期投資期限下。因此Bouri et al. 認為,當全 球市場處於不確定性程度較極端時,投資者可以短期投資比特幣以達到避險的目的。

Demir et al. (2018) 利 用 普 通 最 小 平 方 法 和 Quantile-on-Quantile Regression

Estimations 來探討經濟政策不確定性指數是否可以預測比特幣報酬率。研究結果顯示經

濟政策不確定性指數對比特幣報酬的影響顯著為負,但在極端不確定情況下,影響卻由 負轉正且顯著,因此 Demir et al. 認為比特幣可作為安全的避險工具。此結果也和 Bouri et al. (2017) 一致。

不同於上述兩篇,Wang et al. (2019) 以風險溢出的觀點來切入此議題,作者提出一 個假說:「若是比特幣獨立於現有經濟及金融體系,那麼經濟政策不確定性就不會對其

(10)

5

產生太大的影響」,倘若假設成立,則經濟不確定性指數對比特幣所產生的風險溢出效

應會是較弱或是可忽略的。Wang et al. 使用多變數分位模型 (Multivariate Quantile Model, MVQM) 和 Granger Causality Risk Test 來分析,研究結果發現,經濟政策不確定性對比

特幣的風險值影響程度非常小且不太顯著,且不論是上行或是下行風險溢出效應,在整 個樣本期間都是可以忽略不計的。此一結果支持作者的假說,即比特幣獨立於現有經濟 及金融體系,經濟政策不確定性不會對其產生太大的影響。

上述三篇的研究結果不一致,Bouri et al. (2017) 和 Demir et al. (2018) 認為在正常 情況下,經濟政策不確定性對比特幣有顯著的負面影響,但在極端情況下 (低分位及高 分位) 卻有顯著為正的影響,因此兩篇文章皆認為比特幣可以在經濟政策極端不確定情 況下,作為一向良好的避險工具;然而,Wang et al. (2019) 卻表示比特幣和經濟政策不 確定性之間無明顯關聯。因此本研究將會在此處,即經濟政策不確定性是否會對比特幣 報酬率具有顯著的影響,加以著墨,並且在研究中,藉由加入不同的加密貨幣來了解經 濟政策不確定性是否對加密貨幣的報酬和波動造成影響,是針對單一加密貨幣,又或是 大多數加密貨幣乃至於整個加密貨幣市場。 本文的貢獻主要有兩點: 第一,Demir et al. (2018) 在文章中提到,經濟政策不確定 性對比特幣報酬有預測力,且在大多數時間會對比特幣造成負面且顯著的影響,Wang et al. (2019) 則是發現從經濟政策不確定性至比特幣的風險溢出效應微乎其微,證實兩 者無直接關係,因此本文針對經濟政策不確定性是否對加密貨幣具有預測力,亦即經濟 政策不確定性是否對加密貨幣造成影響,進行研究來釐清何者屬實。第二,大部分關於 加密貨幣的文章主要都在探討「比特幣」,但至今,根據「Yahoo Finance」統計1,已有 多達 5,392 種加密貨幣在市場上進行交易,總市值達到 2,010 億美元,本文將針對三種 不同加密貨幣作探討,分別是「比特幣」、「以太幣」和「萊特幣」,選取這三種幣別的 1 資料來源為: https://finance.yahoo.com/news/top-10-cryptocurrencies-market-capitalisation-160046487.html

(11)

原因有二,第一,「以太幣」和「萊特幣」在加密貨幣中和「比特幣」一樣較廣為人知 且使用者較多。第二,它們的市值合計占總市值 73%。本文藉由加入更多的加密貨幣來 對加密貨幣市場進行更全面性地探討。

本文利用三種加密貨幣來替代加密貨幣市場,利用兩種指數,分別是美國經濟政策 不確定性 (USA Economic Policy Uncertainty, USEPU) 和股權市場不確定性 (Equity

Market-related Economic Uncertainty, EMU) 作為經濟政策不確定性的代理變數。樣本

時間因資料可用性的不同而有所不同,「比特幣」的樣本期間為 2013 年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日。本文運用 結構式向量自我回歸模型 (Structural Vector Autoregressive Model, SVAR) 和多變數分 位模型 (Multivariate Quantile Model, MVQM) 和普通最小平方法進行分析,研究結果發 現,經濟政策不確定性的變動長期而言對加密貨幣無顯著影響,且在大多數情況下,經 濟政策不確定性至加密貨幣的風險溢出效應幾近為零。本文的結果與 Wang et al. (2019) 一致,認定加密貨幣獨立於現有經濟及金融體系,因此在面對經濟政策不確定性所帶來 的風險時,加密貨幣的表現不會受到影響。 本文研究架構共分為五章。本章節為緒論,說明研究背景與動機及研究範圍與架構。 第二章為文獻回顧,分為三小節討論,第一節為經濟政策不確定性相關文獻,第二節為 加密貨幣相關文獻,第三節為和研究兩者關係的相關文獻。第三章為研究方法。第四章 為樣本資料。第五章為實證結果,第一節為加密貨幣報酬與經濟政策不確定性之關係, 第二節為加密貨幣波動率與經濟政策不確定性之關係。最後,第六章為結論。

(12)

7

第二章 文獻回顧

第一節 經濟政策不確定性及相關文獻

近年來,美國和歐洲的經濟政策不確定性 (EPU) 顯著增加,一些人認為此現象和 已開發經濟體的經濟增長在平均水準之下有很大的關聯(Baker, Bloom, and Davis, 2015)。

經濟政策不確定性指數 (Economic Policy Uncertainty, EPU)2 是 Baker、Bloom 和

Davis 於 2016 年建構 (Baker, Bloom, and Davis, 2016)。目的是用來衡量和政策相關的經

濟不確定性。指數由三個部分所組成。第一部分為量化報紙對政策相關經濟不確定性的

報導,由十間大型報社搜索結果所建立的指數,列入衡量指數的報紙分別是《今日美國》,

《邁阿密先驅報》,《芝加哥論壇報》,《華盛頓郵報》,《洛杉磯時報》,《波士頓環球報》,

《舊金山紀事》,《達拉斯晨報》,《紐約時報》和《華爾街日誌》,從這些報紙中,建立

一個關於探討經濟政策不確定性新聞量的標準化指數。第二部分為反映在未來幾年到期 的聯邦稅法條款數量,來源為美國國會預算局(Congressional Budget Office) 的一份報告, 該份報告為編制臨時聯邦稅法條款的清單。藉由建構預計未來十年內到期的法條數量的 加權平均數來衡量未來聯邦稅法採取方向的不確定性。第三部分使用經濟預測者的分歧 來代理不確定性。預測者為費城聯邦儲備銀行(Federal Reserve Bank of Philadelphia) 的 專業預測員。利用各個預測者對未來消費者物價指數、聯邦支出和州和地方支出的預測 差異來建構與政策相關的總體經濟變數的不確定性指數。

近年來,越來越多學者使用 EPU 來做研究,Arouri, Estay, Rault, and Roubaud (2016) 探討 EPU 對美國股市的效應,樣本期間為 1900-2014 年,研究發現 EPU 的變動對股價 報酬率有顯著的負效應。Bekiros, Gupta, and Kyei (2016) 使用短期 (1960/7-2011/12) 及 長期樣本 (1900/01-2014/02) 來探討 EPU 在長短樣本期間是否能預測股票報酬及波動

(13)

率,研究發現 EPU 在短樣本期間無法預測股票報酬率,但長期卻能有效預測。波動率 方面,無論是短期或長期,EPU 對股票波動率都具有很強的預測性。Karnizova, and Li (2014) 使用衰退機率預測模型(Probit Recession Forecasting Model) 來評估 EPU 對未來

美國的衰退是否造成影響,研究發現 EPU 在預測超過五季的經濟衰退具有經濟及統計 顯著性。Colombo (2013) 調查了美國 EPU 衝擊在多大程度上可能會觸發歐元區總體經 濟的反應。透過結構式向量自我回歸 (SVAR) 發現美國 EPU 衝擊對歐洲總體經濟變數 的影響大於歐元區特定不確定性所造成的影響。Wang, Chen, and Huang (2014) 以中國 為例,研究 EPU 是如何影響中國上市公司的投資,研究發現當經濟政策不確定性程度 較高時,企業將降低其投資,反之亦然。而且,市場化程度較高的地區的公司對經濟政 策的不確定性更加敏感。Balcilar, Gupta, Kyei, and Wohar (2016) 探討 EPU 能否預測匯 率報酬及波動率,利用 16 個國家及美國 EPU 和各自國家 EPU 差異做樣本,研究發現 各國 EPU 對美國 EPU 的差異對匯率報酬及波動率具有預測能力。 第二節 加密貨幣及相關文獻 加密貨幣是新興的交易媒介,其依賴於名為「區塊鍊」的分散式帳本結構,系統中 的密碼學是用來產生和分配貨幣單位。此過程要求在去中心化的情況下對交易進行核對, 其中包括付款人擁有貨幣與否,確認交易金額,同時確保貨幣單位不會有「雙花問題」, 此驗證過程稱為「挖礦」。因有此驗證過程使用戶可以對每筆交易不會產生疑慮。 Satoshi Nakamoto (2008) 推出比特幣,是一種數位貨幣和全新型態的支付系統,比 特幣透過「區塊鏈」達到完全去中心化。其總量為 2100 萬。自推出以來,比特幣的市 場價值迅速增長。但縱使如此,直到 2012 年,加密貨幣才漸漸開始對金融市場產生影 響力 (Wong, Saerbec, and Silva, 2018)。

儘管加密貨幣問世僅十餘年,但快速成長、價格急速上漲及背後的「區塊鏈」技術, 吸引不少學術界對它的目光。加密貨幣相關文獻大致分為幾個領域,分別是加密貨幣價 格的形成、加密貨幣做為不同角色(資產或交換媒介)的作用、分析在投資組合中納入加

(14)

9

密貨幣的便利性,加密貨幣和其他資產類別的相關性以及加密貨幣是否有避險或多樣化 性質。

Ciaian, Rajcaniova, and Kancs (2016) 是第一篇同時考慮傳統貨幣價格決定因素(例:

市場供需力量)和虛擬貨幣特定因素(比特幣對用戶和投資者的吸引力)來研究比特幣價 格形成的文章。研究發現傳統和特定因素皆會對比特幣價格的形成有顯著的影響,但是 影響會隨著時間改變。除此之外,Ciaian et al. 不支持「長期而言,總體金融的發展正帶 動比特幣價格」的論點。Bouoiyour, Selmi, Tiwari, and Olayeni (2016) 運用一種稱為 Empirical Mode Decomposition (EMD) 的新技術來分析比特幣價格的形成,Bouoiyour et

al. 的研究發現和當時社會上對比特幣的主流想法不同,儘管比特幣看起來是個投機泡

沫,但長期基本面似乎才是影響比特幣價格變化的主要貢獻者。此論點與 Van Wijk (2013) 和 Kristoufek (2013) 一致。

Baur, Hong, and Lee (2017) 探討「比特幣是資產還是交易媒介」,更具體來說,鑒於

其特性,現今比特幣的用途是什麼,未來的用途又是什麼。Baur et al. 發現比特幣和傳 統資產類別,如股票、債券和商品,無論在正常時期或是動盪時期皆不相關。藉由分析 比特幣帳戶的交易數據發現,比特幣主要被用來作為投機性投資,而非替代性貨幣或交 易媒介。Dyhrberg (2016) 將比特幣拿來與美元即黃金做比對,研究發現,三者有許多相 似之處,比特幣作為交易媒介的特質非常明確,且比特幣對聯邦基金利率變動有顯著的 反應,此表明比特幣為一種貨幣。但由於比特幣的去中心化性以及在很大的程度上是不 受監管的,因此它永遠不會像當今市場上的貨幣一樣。整體來說,因去中心化的性質和 市場規模有限,因此 Dyhrberg 認為比特幣介於貨幣和商品之間。

Brière, Oosterlinck, and Szafarz (2015) 從擁有多樣化投資組合的美國投資者角度對

比特幣投資進行分析,多樣化投資組合裡包括傳統資產(股票、債券及強勢貨幣)及另類 投資(商品、避險基金及房地產),研究發現在樣本期間內,投資比特幣具有異常高的報

(15)

酬和波動率,它與其它資產類別的相關性非常低,並且能提供顯著的多樣化效益。Briè re et al. 認為即使投資組合中只包含一小部分的比特幣也能顯著提升多樣化投資組合中

風險與報酬的取捨。Eisl, Gasser, and Weinmayer (2015) 利用 CVaR (Conditional Value at Risk) 進行研究發現比特幣報酬與傳統投資資產相關性非常低,且支持將比特幣納入投

資組合當中。雖然投資比特幣會增加投資組合的條件風險值,但這種額外的風險也會因 高報酬而得到過度的補償,從而擁有更高的風險報酬率。Dyhrberg (2016) 利用 GARCH 模型來研究比特幣的金融資產研究,結果表明,比特幣可以結合商品和貨幣在金融市場 的某些優勢,在進行資產組合管理,風險分析和市場情緒分析時,比特幣可作為一項有 用的工具。Corbet, Meegan, Larkin, Lucey, and Yarovaya (2018) 和 Liu (2019) 在增加不同 的加密貨幣進入投資組合中也得到相同的結果。

Bouri, Jalkh, Molnár, and Roubaud (2017) 探討比特幣是否能抵抗大多數商品(特別

是能源商品)的日常波動來評估比特幣多樣化和避險的能力。研究發現,在整個樣本期 間比特幣可視為一個強大的避險工具,能抵抗一般及能源商品的波動。Corbet et al. (2018) 加入不同的加密貨幣並探討它們與其他金融資產的關係,研究發現加密貨幣獨立於金融 資產,且加密貨幣不受外部市場衝擊,這也使它們能在短期間作為多樣化及避險的工具, 因為它們在降低風險的同時也增加了投資組合的收益。 第三節 經濟政策不確定性和加密貨幣相關文獻 Nakamoto 於 2008 年 11 月推出比特幣,此時正是全球金融危機時期。當時,人們 對未來的經濟和銀行體系的穩定性有極大的疑慮,不確定性快速瀰漫在整個世界當中。 因此 Weber (2014) 認為比特幣的發展是受惠於當時的環境。在之後的危機,如 2010-2013 年歐洲主權債務危機、2012-2010-2013 年塞浦路斯銀行倒閉危機和 2018 年土耳其貨幣 和債務危機,許多投資者利用比特幣作為避險工具因為他們認為比特幣可以規避傳統經 濟和銀行體系的不確定性。

(16)

11

Bouri et al. (2017) 探討比特幣是否能規避全球不確定性,利用 VIX 指數作為 EPU

的代理變數來衡量,研究發現比特幣確實可以規避全球不確定性,Bouri et al. 認為在全

球市場處於不確定性程度較極端時,投資者可以短期投資比特幣以達到避險的目的。

Demir et al. (2018) 則是以 EPU 是否能預測比特幣報酬來進行研究,研究結果發現 EPU

確實對比特幣報酬具有預測力,EPU 對比特幣有顯著的負面影響,但在高度不確定性 時,EPU 卻會對比特幣呈現顯著為正的影響,因此 Demir et al. 認為,在高度不確定性 下,比特幣可作為避險工具來規避經濟政策不確定性。Wang et al. (2019) 則是以風險溢 出觀點對 EPU 和比特幣進行分析,和 Demir et al. (2018) 結果不同,研究發現從 EPU 至 比特幣的風險溢出效應在大多數情況下幾近為零,認定 EPU 不能影響比特幣,但 Wang et al. 認為比特幣在 EPU 衝擊時能作為避風港或是分散風險者。Matkovskyy, Jalan,

Dowling, and Bouraoui (2019) 分析 EPU 對比特幣市場與傳統金融市場之間的影響,研

究結果與上述文章一致,即比特幣在能作為一個安全的避風港或是分散風險者。Wu, Tong, Yang, and Derbali (2019) 比較黃金和比特幣的避險特性,研究發現 EPU 衝擊時,

比特幣規避風險的程度會大於黃金。Bystrom, and Krygier (2018) 探討什麼因素會影響 比特幣波動率,研究發現 EPU 的變動對比特幣波動率無顯著影響。Cheng, and Yen (2019) 探討 EPU 變動和加密貨幣波動率之間的關係。研究發現中國 EPU 變動對加密貨幣波動 率具有預測力,但日本、韓國及美國 EPU 變動卻無法預測加密貨幣波動率,除此之外, 中國 EPU 的變動和加密貨幣未來的波動率呈現負相關,此表示加密貨幣可規避 EPU 所 帶來的風險。

(17)

第三章 研究方法

結構式向量自我迴歸 (SVAR)3 定義 SVAR 模型為: 𝑍𝑡 = 𝐴0+ ∑𝑝𝑖=1𝐴𝑖𝑍𝑡−𝑖+ 𝐶𝜀𝑡 (1) 𝑍𝑡 = (𝑦𝑡, ∆𝑥𝑡)′為一包含兩變數的向量,其中,𝑦𝑡為加密貨幣報酬率,∆𝑥𝑡為 EPU 指數。 其結構性衝擊的 V-C(變異-共變異數)矩陣: E(𝜀𝑡𝜀′ 𝑡) = ( 𝜎21 𝜎12 𝜎21 𝜎22) = 𝐼 (2) 𝐼 = [1 0 0 1]為單位矩陣,此表示結構式衝擊是相互獨立的。 縮減式 VAR 的誤差𝑒𝑡的共變異數矩陣為: Ʃ = E(𝑒𝑡𝑒′𝑡) = 𝐸{(𝐶𝜀𝑡)(𝐶𝜀𝑡)′} = 𝐶𝐸(𝜀𝑡𝜀′𝑡)𝐶′ = 𝐶𝐶′ (3) 透過觀察縮減式結構衝擊的共變異數矩陣可以得知變數間是否相關,各自的變異數 和結構性衝擊。 ∆𝑥𝑡衝擊的長期影響是∆𝑥𝑡, ∆𝑥𝑡+1, ∆𝑥𝑡+2, … , ∆𝑥𝑡+𝑛影響的總和,𝑦𝑡也是如此。因此模 型𝑍𝑡 = 𝐴0+ ∑𝑝𝑖=1𝐴𝑖𝑍𝑡−𝑖+ 𝐶𝜀𝑡的衝擊反應: C 為當期影響,AC 為一期之後,A2C 為兩期 之後,以此類推。 3

Long-term Blanchard-Quah SVAR 研究方法節錄至: Whelan, K. (2016). MA advanced macroeconomics: 4. VARs with long-run restrictions. Retrieved from University College Dublin, School of Economics website: https://www.karlwhelan.com/MAMacro/part4.pdf

(18)

13 因此長期影響為: D = (I + A + 𝐴2 + 𝐴3+. . +𝐴𝑛)𝐶 (4) 若所有 A 的特徵值皆在單位圓之內,則(I + A + 𝐴2+ 𝐴3+. . +𝐴𝑛) = (𝐼 − 𝐴)−1 因此: D = (𝐼 − 𝐴)−1𝐶 (5) 接著將等式兩邊皆乘上「𝐷′」: 𝐷𝐷′= (𝐼 − 𝐴)−1𝐶𝐶((𝐼 − 𝐴)−1) (6) 由於「𝐶𝐶′」=「Ʃ」因此可將方程式(6)改寫成: 𝐷𝐷′= (𝐼 − 𝐴)−1Ʃ((𝐼 − 𝐴)−1) (7) 𝐷𝐷′為一對稱矩陣。

Blanchard, and Quah(1989) 對 D 矩陣描述的長期影響作出限制:假設 D 為下三角矩 陣,只有第一個衝擊對第一個變數有長期影響,第一和第二個衝擊對第二個變數具有長 期影響。

D = [𝑑11 0 𝑑21 𝑑22]

(19)

𝑑11,前期 EPU 變動會影響後期變動。 𝑑21,前期 EPU 變動會影響後期加密貨幣報酬率。 𝑑22,前期加密貨幣報酬率會影響後期報酬率。 由於D = (𝐼 − 𝐴)−1𝐶,因此可將方程式(5)改寫成: 𝐶 = (𝐼 − 𝐴)𝐷 (8) 藉此得出定義結構性衝擊的矩陣 C,並計算出結構衝擊下的衝擊反應函數。 多變數分位模型 (MVQM)4 多變數分位模型 (MVQM) 為向量自我回歸延伸至分位數的模型,也稱作風險值的

向量自我回歸,White, Kim, and Manganelli (2015) 建構多變數分位模型的「縮減式」與

「結構式」,它是 Engle, and Manganelli (2014) 提出的 CAViaR 模型的多變數延伸,因此

多變數分位模型亦稱為 MVQM-CAViaR 模型。多變數分位模型非常直觀,時間序列的 分位數取決於自變數和依變數的落後期,因此可將模型定義為: 𝑞1𝑡 = 𝑐1+ 𝛼𝑞1,𝑡−1+ 𝛽𝑞2,𝑡−1 (9) 𝑞2𝑡 = 𝑐2+ 𝛾𝑞1,𝑡−1+ 𝛿𝑞2,𝑡−1 (10) 𝑞1,𝑡−1為加密貨幣報酬率的條件分位數,𝑞2,𝑡−1為 EPU 變動率的條件分位數。 Shen (2018) 定義:

4多變數分位數模型(MVQM)研究方法參考至: Wang, G. J., Xie, C., Wen, D., & Zhao, L. (2019). When

Bitcoin meets economic policy uncertainty (EPU): Measuring risk spillover effect from EPU to Bitcoin. Finance Research Letters, 31.

(20)

15 𝑞𝑖,𝑡 = 𝑉𝑎𝑅𝑖,𝑡 = −𝑄𝜃(𝑟𝑖,𝑡|𝐼𝑡−1) = −𝑖𝑛𝑓⏟ 𝑞 {𝑞 ∈ 𝑅|𝑃𝑟(𝑟𝑖,𝑡 ≤ 𝑞|𝐼𝑡−1) ≥ 𝜃}, 𝑖 = 1,2, (11) 因此𝑞1,𝑡, 𝑞2,𝑡實際代表兩變數的風險值,𝑄𝜃為在信心水準θ ∈ (0,1)的分位函數,𝐼𝑡−1為在 t-1 時設定的可用資訊。 方程式 (9) 中,加密貨幣報酬率的分位數(𝑞1𝑡),在信心水準θ下,取決於自身落後 期𝛼和 EPU 的分位數𝛽,相同的解釋也適用於方程式 (10)。本文主要注重於從 EPU 至 加密貨幣的風險溢出效應或是 EPU 對加密貨幣的影響,因此在下一章節實證結果中, 本文只會針對方程式 (9) 做探討。 最小平方法 本文利用 OLS 來探討 EPU 對加密貨幣波動率的影響,將模型定義為: 𝑉𝑜𝑙𝑡= 𝑐 + 𝐸𝑃𝑈𝑡+ 𝑉𝑜𝑙𝑡−1+ 𝜀 (12) 𝑉𝑜𝑙𝑡為當期加密貨幣波動率,𝐸𝑃𝑈𝑡為當期 EPU 變動率,𝑉𝑜𝑙𝑡−1為前期加密貨幣波動率。

(21)

第四章 樣本資料

本文有兩個重要變數,加密貨幣和 EPU 指數,本文利用三種加密貨幣來替代加密

貨幣市場,分別是「比特幣」、「萊特幣」和「以太幣」。「比特幣」的樣本期間為 2013

年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日 , 樣 本 資 料 為 日 資 料 。 本 文 依 據 Demir et al. (2018) , 從 「 CoinDesk 」 (http:// www.coindesk.com/price/) 取得「比特幣」價格的樣本資料,「萊特幣」和「以太幣」方 面,由於「CoinDesk」網站中無收錄較完整資訊,因此改以從「Yahoo Finance」取得。 波動率方面,本文依據 Forsberg, and Ghysels (2007),將加密貨幣報酬取絕對值作為加密 貨幣的波動率。本文遵循 Wang et al. (2019) 方法,將 Baker et al. (2016) 創建的 USEPU 指數和 EMU 指數作為 EPU 的代理變數,從 Baker et al.所開發的網站「Economic Policy Uncertainty Index」 (http://www.policyuncertainty.com) 取得 USEPU 及 EMU 的樣本資料。

使用 USEPU 及 EMU 作為 EPU 代理變數不僅是因為資料可用性,還是因為加密貨幣價 格主要是以美元報價。由於加密貨幣價格為非定態性且本文主要探討的是加密貨幣的報 酬及波動率,因此將樣本資料皆取自然對數後進行一皆差分。 表一為加密貨幣和 EPU 指數的敘述統計表。平均而言,三種加密貨幣報酬皆為正, 且都具有較大的標準差,表示加密貨幣是個具有吸引力但高風險的投資機會。從偏態和 峰態得知,加密貨幣為「厚尾」分布且較 EPU 來的大,代表相較於 EPU,加密貨幣會 面臨更大的「厚尾」風險。利用 Jarque-Bera 檢驗兩變數也得到相同的結果(非常態分布)。 表二為單根檢定表,本文採用兩種不同的單根檢定(ADF 檢驗為主和 KPSS 檢驗為 輔),ADF 單根檢定的虛無假設為序列有單根,KPSS 單根檢驗的虛無假設為序列為趨 勢平穩。從表中可以得知,所有變數在 ADF 檢驗下,皆無單根。除加密貨幣波動率之 外,其它變數在 KPSS 檢驗下,皆趨勢平穩。因此表示本文所採用的資料皆為「定態」。

(22)

17 表三為變數之相關矩陣,為 pwcorr 相關係數矩陣,從表中可得知加密貨幣與 EPU 間存在非常低的相關性,因兩者相關性低,使本文在選擇衝擊反應期數時,較不會遇到 問題。 圖一為取自然對數後的樣本資料和由其轉換而成的報酬率及變動率。如圖一所示, 加密貨幣價格自 2017 年中開始一路攀升,到 2018 年初時達到最高點,但之後卻開始大 幅度下跌,直到 2019 年初才止跌回升。相較於加密貨幣價格大幅地動盪,EPU 指數至 2018 年初開始持續上升,時至今日,依然沒有下降的趨勢。 表 1 敘述統計 statistic

Variable Mean Median Maximum Minimum Std. Dev. Skewness Kurtosis Jarque-Bera Observations Panel A : Bitcoin Returns 0.0019 0.0014 0.3064 -0.2845 0.0433 -0.3102 9.4948 4115*** 2321 Volatility 0.0278 0.0162 0.3064 0.0000 0.0333 2.6491 13.5634 14000*** 2321 USEPU 0.0000 -0.0066 3.8922 -3.4839 0.5618 -0.0143 6.8016 1397*** 2321 EMU 0.0002 -0.0514 4.2257 -4.1866 0.9768 0.0409 3.7294 52.08*** 2321 Panel B: Ethereum Returns 0.0027 -0.0008 0.4103 -1.3029 0.0708 -3.4488 75.7201 370000*** 1646 Volatility 0.0423 0.0253 1.3029 0.0000 0.0568 8.1073 153.8459 1600000*** 1646 USEPU 0.0027 -0.0108 3.8922 -3.4839 0.5604 0.1465 7.3155 1282*** 1646 EMU 0.0011 -0.0259 4.2257 -4.1866 0.9993 0.0116 3.7195 35.52*** 1646 Panel C: Litecoin Returns 0.0014 -0.0007 0.5114 -0.5146 0.0567 0.7098 16.8259 16000*** 1970 Volatility 0.0340 0.0184 0.5146 0.0000 0.0453 3.7608 26.2772 49000*** 1970 USEPU 0.0009 -0.0073 3.8922 -3.4839 0.5546 0.0939 6.8957 1248*** 1970 EMU 0.0003 -0.0394 4.2257 -4.1866 0.9814 0.0239 3.7645 48.14*** 1970 註: 「比特幣」的樣本期間為 2013 年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日。USEPU 和 EMU 樣本時間對應於加密貨幣。USEPU 為美國經濟政策不確定性,EMU 為股 權市場不確定性,Returns 為報酬率,Volatility 為波動率。Jarque-Bera 檢驗,H0:常態分布。

(23)

表 2 單根檢定

Augmented Dickey–Fuller test KPSS test

with time trend with time trend

Test statistic p-value Test statistic

Panel A :Bitcoin Returns -49.1080 0.0000 0.1240 Volatility -34.3040 0.0000 2.4100 USEPU -73.0840 0.0000 0.0007 EMU -72.0480 0.0000 0.0004 Panel B: Ethereum Returns -43.3320 0.0000 0.1310 Volatility -41.3960 0.0000 0.3560 USEPU -62.4890 0.0000 0.0034 EMU -61.2960 0.0000 0.0007 Panel C: Litecoin Returns -43.7990 0.0000 0.1710 Volatility -35.3090 0.0000 1.3500 USEPU -68.1330 0.0000 0.0007 EMU -66.4030 0.0000 0.0005

註: Augmented Dickey fuller(ADF)檢驗,H0:序列有單根。KPSS 檢驗,10%: 0.119 5% : 0.146 2.5%: 0.176 1% : 0.216,H0:序列為趨勢平穩。Returns 為報酬率,Volatility 為波動率。

(24)

19

表 3 相關係數矩陣

Panel A :Bitcoin

Returns Volatility USEPU EMU

Returns 1 Volatility -0.028 1 (0.1719) USEPU -0.022 0.008 1 (0.2806) (0.6934) EMU -0.026 -0.005 0.257* 1 (0.2091) (0.8007) (0.0000) Panel B: Ethereum

Returns Volatility USEPU EMU

Returns 1 Volatility -0.108* 1 ( 0.0000) USEPU 0.000 0.011 1 (0.9931) (0.6676) EMU -0.015 -0.021 0.267* 1 (0.5386) (0.3911) (0.0000) Panel C: Litecoin

Returns Volatility USEPU EMU

Returns 1 Volatility -0.180* 1 (0.0000) USEPU 0.020 -0.004 1 (0.36710) (0.8711) EMU 0.007 -0.009 0.255* 1 (0.7628) (0.6794) (0.0000) 註: *代表 p<0.05

(25)

a. b.

c. d.

(26)

21 g. h. i. j. 圖 1 變數資料 a).比特幣價格,樣本期間為 2013/10/01-2020/02/07 b).比特幣報酬率 c).以太幣價格,樣本期間為 2015/08/07-2020/02/07 d).以太幣報酬率 e).萊特幣價格,樣本期間為 2014/09/17-2020/02/07 f).萊特幣報

(27)

第五章 實證結果

本文藉由 Johansen 共整合檢定檢驗變數間是否具有共整合,因無法找到加密貨幣 和 EPU 之間有共整合的證據,所以本文採用長期 SVAR 來探討 EPU 是否會影響加密貨 幣。透過衝擊反應函數來估計 SVAR 模型。使用雙變數 SVAR 架構,即估計雙變數 SVAR(p) 模型,變數包含 3 個加密貨幣變數和 2 個 EPU 代理變數。

本文利用 FPE (final prediction error) 和 AIC (Akaike information criterion) 準則來選 取 SVAR 的最適落後期數。根據 FPE 和 AIC 準則,所有 SVAR 模型之最適落後期數皆 落在 3 或 4 期(取決於變數)。為了更完整地了解 EPU 是否會對加密貨幣市場造成影響, 本文亦採用不同的觀點(風險溢出效應)和方法(MVQM 和 OLS)進行探討。使用 MVQM 來研究 EPU 至加密貨幣市場的風險溢出效應,本文考慮了四個信心水準,包括 θ = 0.01、 0.05、0.95 和 0.99,0.01 和 0.05 的風險值代表下行風險,0.95 和 0.99 則代表上行風險。 本文將實證結果分成兩部分,第一部分為加密貨幣報酬與 EPU 變動,利用結構式 向量自我回歸 (SVAR) 和多變數分位模型 (MVQM) 來探討經濟政策不確定性是否會 影響加密貨幣報酬。第二部分為加密貨幣波動率與 EPU 變動,方法為結構式向量自我 回歸 (SVAR) 和最小平方法。 第一節 加密貨幣報酬率與 EPU 變動 結構式向量自我回歸和衝擊反應函數 表四和表五為長期限制矩陣,表四為代理變數 USEPU 和不同加密貨幣之間的關係, 表五為代理變數 EMU 和不同加密貨幣之間的關係。從表四可以發現係數 d21皆不顯著 (p 值分別為: 0.189,0.115,0.255),因此表示前期 USEPU 變動不會對後期「比特幣」、 「以太幣」或「萊特幣」的報酬產生長期影響。係數 d11皆顯著為正,代表前期 USEPU 變動會長期正向影響後期 USEPU 變動。係數 d22同樣皆顯著為正,代表前期加密貨幣

(28)

23 報酬會長期正向影響後期加密貨幣報酬,但影響程度非常小。相同的情況也發生在 EMU 作為 EPU 之代理變數(表五),係數 d21皆不顯著(p 值分別為: 0.609,0.151,0.116),表 示前期 EMU 變動不會對後期「比特幣」、「以太幣」或「萊特幣」的報酬產生長期影響。 係數 d11皆顯著為正,代表前期 EMU 變動會長期正向影響後期 EMU 變動。係數 d22同 樣皆顯著為正,代表前期加密貨幣報酬會長期正向影響後期加密貨幣報酬,但同樣地, 影響程度非常小。 圖二為衝擊反應函數,藉由衝擊反應函數可以看出當 EPU(代理變數 USEPU 和 EMU)變動一個標準差時,加密貨幣(「比特幣」、「以太幣」和「萊特幣」)對此一衝擊反 應為何,反應的程度是持續還是波動,時間是長期或短期,影響方向為正向還是負向。 由圖可知,USEPU 變動對「比特幣」和「以太幣」衝擊較平緩,約略在第 3 期以後影 響力就接近為零,但對「萊特幣」有短期來回衝擊,前 5 期升幅最大,第 5 期開始影響 力下降,第 8 期後影響力接近為零。而 EMU 變動會短期來回衝擊「比特幣」,前 4 期 最明顯,但第 4 期後影響力接近為零,對「以太幣」的衝擊,從第 1 期的正面衝擊後漸 漸減少,至第 4 期後影響力接近零。對「萊特幣」的衝擊雖來回幅度不像 USEPU 對「萊 特幣」來的那麼大,但相較於其他,仍顯而易見,直至第 7 期影響力才接近零。從衝擊 反應分析,可以看出 EPU 發生變化對加密貨幣市場的衝擊是短期性的且無永久性衝擊, 但衝擊卻非常小,反應幅度皆在-0.0025 至 0.0025 之內,幾乎不會影響加密貨幣,因此 推論不論是短期或長期,EPU 變動不會對加密貨幣市場造成顯著的影響。

(29)

表 4 長期限制矩陣 Panel A : Bitcoin No. of obs 2316 Log likelihood 2399.199 USEPU Returns USEPU 0.1937*** 0 (0.0028) Returns -0.0012 0.0427*** (0.0009) (0.0006) Panel B: Ethereum No. of obs 1642 Log likelihood 1078.539 USEPU Returns USEPU 0.2332*** 0 (0.0041) Returns 0.0026 0.0664*** (0.0016) (0.001) Panel C: Litecoin No. of obs 1965 Log likelihood 1542.583 USEPU Returns USEPU 0.1903*** 0 (0.0030) Returns -0.0015 0.0595*** (0.0013) (0.0009) 註: 本表為長期限制矩陣之係數,其主要代表 USEPU 對加密貨幣報酬率的影響。「比特幣」的樣本期間 為 2013 年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日。USEPU 為美國經 濟政策不確定性,Returns 為報酬率。括弧中的數字代表相應係數的標準誤差。***,** 和 * 分別代表 1%,5% 和 10% 統計顯著性。

(30)

25 表 5 長期限制矩陣 Panel A : Bitcoin No. of obs 2317 Log likelihood 1072.503 EMU Returns EMU 0.4101*** 0 (0.0060) Returns -0.0004 0.0414*** (0.0009) 0.000609 Panel B: Ethereum No. of obs 1642 Log likelihood 111.8365 EMU Returns EMU 0.4155*** 0 (0.0007) Returns 0.0024 0.0664*** (0.0016) (0.001) Panel C: Litecoin No. of obs 1965 Log likelihood 409.0342 EMU Returns EMU 0.3403*** 0 (.0054) Returns 0.0021 0.0594*** (0.0013) ( 0.0009) 註: 本表為長期限制矩陣之係數,其主要代表 EMU 對加密貨幣報酬率的影響。「比特幣」的樣本期間為 2013 年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日。EMU 為股權市場不 確定性,Returns 為報酬率。括弧中的數字代表相應係數的標準誤差。***,** 和 * 分別代表 1%,5% 和 10% 統計顯著性。

(31)

a. b.

c. d.

e. f.

圖 2 衝擊反應函數: 加密貨幣報酬率受到 USEPU 或 EMU 一單位標準差衝擊後的反應

a). 比特幣報酬/ USEPU 指數 b). 比特幣報酬/ EMU 指數 c). 以太幣報酬/ USEPU 指數 d). 以太幣報酬/ EMU 指數 e). 萊特幣報酬/ USEPU 指數 f). 萊特幣報酬/ EMU 指數

(32)

27 多變數分位模型 表 6 為方程式 9 之估計結果,本文將目光放在係數 β,即 USEPU 和 EMU 指數對加 密貨幣風險值的影響,從表中可得知,USEPU 和 EMU 在不同分位數 (0.01, 0.05, 0.95, 0.99) 下,無論對任一種加密貨幣都無顯著的影響,此結果表示,在整個樣本期間從 EPU 至加密貨幣市場的風險溢出效應,無論是上行風險效應或是下行風險效應,皆微乎其微。 α 為自我回歸係數,可以發現,大多數情況下,係數 α 皆不顯著,此表示加密貨幣的風 險值為序列不相關的。綜合以上所述,EPU 的變動和先前的風險皆和加密貨幣的價格風 險不相關。 表 6 MVQM USEPU EMU θ c1 α β c1 α β Panel A: Bitcion 0.01 -0.1303*** -0.0035 0.0073 -0.1327*** -0.0097 -0.0073 (0.0072) (0.1553) (0.0127) (0.0089) (0.1368) (0.0092) 0.05 -0.0664*** 0.0461 0.0051 -0.0669*** 0.0672 -0.0024 (0.0036) (0.1030) (0.0089) (0.0042) (0.0798) (0.0052) 0.95 0.0693*** -0.0350 -0.0036 0.0687*** -0.0250 -0.0001 (0.0030) (0.0779) (0.0052) (0.0028) (0.0766) (0.0024) 0.99 0.1235*** 0.0101 -0.0022 0.1233*** 0.0054 -0.0001 (0.0080) (0.0978) (0.0083) (0.0066) (0.1001) (0.0051) Panel B: Ethereum 0.01 -0.1745*** 0.3046** 0.0037 -0.1713*** 0.2927 0.0160* (0.0130) (0.1289) (0.0196) (0.0095) (0.1205) (0.0090) 0.05 -0.0901*** 0.0769 0.0060 -0.0894*** 0.1049 0.0063 (0.0051) (0.0710) (0.0096) (0.0041) (0.0708) (0.0047) 0.95 0.1086*** 0.0944 0.0109 0.1085*** 0.0864 0.0049 (0.0072) (0.0760) (0.0105) (0.0068) (0.0673) (0.0066) 0.99 0.1917*** 0.1641 0.0257 0.1919*** 0.1307 0.0038 (0.0115) (0.1394) (0.0201) (0.0140) (0.1091) (0.0146) Panel C: Litecoin 0.01 -0.1446*** 0.1163 -0.0008 -0.1461*** 0.1401 0.0113 (0.0090) (0.1271) (0.0116) (0.0088) (0.1345) (0.0079)

(33)

表 6 MVQM (續) 0.05 -0.0813*** 0.0244 0.0030 -0.0812*** 0.0245 0.0003 (0.0036) (0.0312) (0.0071) (0.0035) (0.03949) (0.0037) 0.95 0.0838*** 0.1916** -0.0047 0.0835*** 0.1530 0.0022 (0.0062) (0.0955) (0.0075) (0.0060) (0.1050) (0.0052) 0.99 0.1971*** 0.1106 -0.0105 0.1975*** 0.1256 0.0006 (0.1971) (0.1594) (0.0346) (0.0188) (0.1557) (0.0181) 註: 本表僅估計方程式 (9) 之係數,其主要代表 USEPU 或 EMU 對加密貨幣報酬的影響。「比特幣」的 樣本期間為 2013 年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日。括弧中 的數字代表相應係數的標準誤差。***,** 和 * 分別代表 1%,5% 和 10% 統計顯著性。 第二節 加密貨幣波動率與 EPU 變動 結構式向量自我回歸和衝擊反應函數 表七和表八為長期限制矩陣,表七為代理變數 USEPU 和不同加密貨幣波動率之 間的關係,表八為代理變數 EMU 和不同加密貨幣波動率之間的關係。從表七可以發 現係數 d21皆不顯著(p 值分別為: 0.148,0.587,0.84),因此表示前期 USEPU 變動不會 對後期「比特幣」、「以太幣」或「萊特幣」的波動率產生長期影響。係數 d11皆顯著為 正,代表前期 USEPU 變動會長期正向影響後期 USEPU 變動。係數 d22同樣皆顯著為 正,代表前期加密貨幣波動率會長期正向影響後期加密貨幣波動率,但影響程度非常 小。相同的情況也發生在 EMU 作為 EPU 之代理變數(表八),係數 d21皆不顯著(p 值分 別為: 0.65,0.119,0.171),表示前期 EMU 變動不會對後期「比特幣」、「以太幣」或 「萊特幣」的波動率產生長期影響。係數 d11皆顯著為正,代表前期 EMU 變動會長期 正向影響後期 EMU 變動。係數 d22同樣皆顯著為正,代表前期加密貨幣波動率會長期 正向影響後期加密貨幣波動率,但同樣地,影響程度非常小。 圖三為衝擊反應函數,由圖可知,當受到 USEPU 一單位標準差的衝擊時,比特幣 的反應幅度不大,在第 1 期最為劇烈,但在第 2 期之後,反應幅度趨近於零,反應期數 約略為 5 期,5 期之後 USEPU 的衝擊便不再有任何影響。以太幣方面,前 4 期反應幅 度約在-0.001 至 0.001 之內,USEPU 在第 1 期後,衝擊由負轉正,但影響力仍微乎其 微,約略第 5 期後衝擊不再有任何影響。萊特幣方面,同樣前 4 期較有反應,但反應幅

(34)

29 度不大且漸漸下降,第 5 期後不再有反應;當受到 EMU 一單位標準差的衝擊時,比特 幣會受到短期來回衝擊,但反應幅度不大,約略在第 5 期後 EMU 衝擊不再有任何影響。 以太幣方面,反應期數約為 4 期,大部分反應為負向,在第 5 期後 EMU 衝擊無任何影 響。萊特幣方面,和以太幣相反,大部分反應為正向,但同樣地,EMU 衝擊在第 5 期 後無任何影響。從衝擊反應分析,可以看出 EPU 發生變化對加密貨幣波動率的衝擊為 短期且非永久性,衝擊影響力微乎其微,因此推論不論是短期或長期,EPU 變動不會對 加密貨幣市場波動率造成顯著的影響。 表 7 長期限制矩陣 Panel A: Bitcion No. of obs 2316 Log likelihood 3235.432 USEPU Volatility USEPU 0.1936*** 0 (0.0028) Volatility 0.0022 0.0736*** (0.0015) (0.0011) Panel B: Ethereum No. of obs 1642 Log likelihood 1671.832 USEPU Volatility USEPU 0.2331*** 0 (0.0041) Volatility -0.0011 0.0821*** (0.0020) (0.0014) Panel C: Litecoin No. of obs 1966 Log likelihood 2031.055 USEPU Volatility USEPU 0.2331*** 0 (.0037) Volatility 0.0003 0.0752*** (.0017) (.0012)

(35)

註: 本表為長期限制矩陣之係數,其主要代表 USEPU 對加密貨幣波動率的影響。「比特幣」的樣本期間 為 2013 年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日。USEPU 為美國經 濟政策不確定性性,Volatility 為波動率。括弧中的數字代表相應係數的標準誤差。***,** 和 * 分別 代表 1%,5% 和 10% 統計顯著性。 表 8 長期限制矩陣 Panel A: Bitcion No. of obs 2317 Log likelihood 1904.251 EMU Volatility EMU 0.4088*** 0 (0.0060) Volatility 0.0009 0.0683*** (0.0014) (0.0010) Panel B: Ethereum No. of obs 1642 Log likelihood 704.1345 EMU Volatility EMU 0.4159*** 0 (0.0072) Volatility -0.0032 0.0820*** (0.0020) (0.0014) Panel C: Litecoin No. of obs 1966 Log likelihood 908.8548 EMU Volatility EMU 0.4075*** 0 (.0065) Volatility 0.0023 0.0750*** (.0017) (.0012) 註: 本表為長期限制矩陣之係數,其主要代表 EMU 對加密貨幣波動率的影響。「比特幣」的樣本期間為 2013 年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日。EMU 為股權市場不 確定性,Volatility 為波動率。括弧中的數字代表相應係數的標準誤差。***,** 和 * 分別代表 1%, 5% 和 10% 統計顯著性。

(36)

31

a. b.

c. d.

e. f.

圖 3 衝擊反應函數: 加密貨幣波動率受到 USEPU 或 EMU 一單位標準差衝擊後的反應

a). 比特幣波動率/ USEPU 指數 b). 比特幣波動率/ EMU 指數 c). 以太幣波動率/ USEPU 指數 d). 以太 幣波動率/ EMU 指數 e). 萊特幣波動率/ USEPU 指數 f). 萊特幣波動率/ EMU 指數

(37)

最小平方法

表九為式 12 估計之結果,(1)(2)分別為比特幣波動率與 USEPU 和 EMU 變動之關 係,(3)(4)為以太幣,(5)(6)為萊特幣。從表中可得知,無論是 USEPU 或 EMU 作為 EPU 的代理變數,對任一種加密貨幣波動率皆無顯著的影響,前期加密貨幣波動率會對後期 波動率產生顯著影響。此結果和 SVAR 模型一致,因此可以確定 EPU 變動不會對加密 貨幣市場波動率產生影響。 表 9 OLS Variable (1) (2) (3) (4) (5) (6) USEPU 0.0004 -0.0059 -0.0012 (0.0012) (0.0020) (0.0018) EMU -0.0004 -0.00152 -0.0006 (0.0007) (0.0011) (0.0010) VOL(-1) 0.3281*** 0.3283*** 0.1910*** 0.1895*** 0.2289*** 0.2285*** (0.0196) (0.0196) (0.0201) (0.0201) (0.0220) (0.0220) _cons 0.0187*** 0.0187*** 0.0335*** 0.0336*** 0.0262*** 0.0262*** (0.0009) (0.0009) (0.0014) (0.0014) (0.0012) (0.0012) R-squared 0.1077 0.1078 0.056 0.0523 0.0523 0.0523 Adj-R-squared 0.107 0.107 0.0548 0.0512 0.0513 0.0513 N 2319 2319 1644 1644 1968 1968 註: 本表為估計方程式 (12) 之係數,其主要代表 USEPU 或 EMU 對加密貨幣波動率的影響。「比特 幣」的樣本期間為 2013 年 10 月 1 日至 2020 年 2 月 7 日,「萊特幣」的樣本期間為 2014 年 9 月 17 日 至 2020 年 2 月 7 日,「以太幣」的樣本期間為 2015 年 8 月 7 日至 2020 年 2 月 7 日。USEPU 為美經濟政策不確定性,EMU 為股權市場不確定性,Volatility 為波動率。括弧中的數字代 表相應係數的標準誤差。***,** 和 * 分別代表 1%,5% 和 10% 統計顯著性。

(38)

33

第六章 結論

加密貨幣問世時間雖短暫,卻已風靡全球,關於加密貨幣的文獻不計其數,例如加 密貨幣價格的形成、角色與作用和與其它資產類別,指標關係等等,但大多數文獻皆已 「比特幣」進行探討。早期的文獻發現比特幣和傳統資產類別(如股票、債券和黃金)和 指標(如 S&P500 和系統性風險指標)不相關。卻鮮少有文獻探討經濟政策不確定性指數 和加密貨幣的關係,且僅有的文獻中有著不同的結果,Demir et al. (2018) 認為經濟政策 不確定性對比特幣報酬具有顯著的負面影響,Wang et al. (2019) 則認為經濟政策不確定 性和比特幣間無明顯關聯,為了釐清真相,本文使用兩種觀點(長短期和風險溢出)來做 研究。 本文使用美國經濟政策不確定性 (USEPU) 和股權市場不確定性 (EMU) 作為經 濟政策不確定性 (EPU) 的代理變數,使用「比特幣」、「以太幣」和「萊特幣」來替代 加密貨幣市場。本文不僅考慮報酬,還將波動率也納入探討中,藉以更完整地了解經濟 政策不確定性對加密貨幣市場的預測力,換句話說,即經濟政策不確定性對加密貨幣是 否具有顯著的影響。 本文使用的樣本起始時間因加密貨幣的不同而有所不同,但末端時間皆為 2020 年 2 月 7 日,樣本資料為日資料。根據結構式向量自我回歸 (SVAR) 和衝擊反應函數發 現 EPU 的變動長期而言不會對加密貨幣報酬或波動率造成顯著的影響,在短期間內 EPU 衝擊對加密貨幣報酬或波動率的影響微乎其微。根據多變數分為模型 (MVQM) 分 析風險溢出效應,研究發現 EPU 變動至加密貨幣報酬的風險溢出效應,無論是上行風 險或是下行風險效應,幾近為零,表示 EPU 和加幣貨幣兩者間沒有任何關聯。最後根 據最小平方法 (OLS) 也發現 EPU 變動不會對加密貨幣波動率造成顯著的影響。綜合以 上所述,本文結果與 Wang et al. (2019) 一致,認為加密貨幣獨立於現有經濟及金融體 系,無論是報酬或是波動率皆無顯著關聯,因此經濟政策不確定性不會對加密貨幣市場

(39)

產生顯著的影響。總體來說,由於加密貨幣與傳統資產(股票、債券等)間的低相關性, 和與經濟政策不確定性無明顯關聯,使加密貨幣的報酬不會和傳統資產類別一樣受到經 濟政策不確定衝擊的影響,因此不僅是「比特幣」,投資人可以將其他加密貨幣加入投 資組合中,藉以作為在經濟政策不確定性下的避風港。

(40)

35

參考文獻

Arouri, M., Estay, C., Rault, C., & Roubaud, D. (2016). Economic policy uncertainty and stock markets: Long-run evidence from the US. Finance Research Letters, 18, 136-141.

Baker, S. R., Bloom, N., & Davis, S. J. (2016). Measuring economic policy uncertainty. The quarterly journal of economics, 131(4), 1593-1636.

Balcilar, M., Gupta, R., Kyei, C., & Wohar, M. E. (2016). Does economic policy uncertainty predict exchange rate returns and volatility? Evidence from a nonparametric causality-in-quantiles test. Open Economies Review, 27(2), 229-250.

Baur, D. G., Hong, K., & Lee, A. D. (2017). Bitcoin: Medium of Exchange or Speculative Assets?. Available at SSRN 2561183.

Bekiros, S., Gupta, R., & Kyei, C. (2016). On economic uncertainty, stock market predictability and nonlinear spillover effects. The North American journal of economics and finance, 36, 184-191.

Bernanke, B. S. (1986). Alternative explanations of the money-income correlation.

Blanchard, O. J., & Quah, D. (1988). The dynamic effects of aggregate demand and supply

disturbances (No. w2737). National Bureau of Economic Research.

Bouoiyour, J., Selmi, R., Tiwari, A. K., & Olayeni, O. R. (2016). What drives Bitcoin price. Economics Bulletin, 36(2), 843-850.

Bouri, E., Gupta, R., Tiwari, A. K., & Roubaud, D. (2017). Does Bitcoin hedge global uncertainty? Evidence from wavelet-based quantile-in-quantile regressions. Finance Research Letters, 23, 87-95.

Bouri, E., Jalkh, N., Molnár, P., & Roubaud, D. (2017). Bitcoin for energy commodities before and after the December 2013 crash: diversifier, hedge or safe haven?. Applied

Economics, 49(50), 5063-5073.

Briere, M., Oosterlinck, K., & Szafarz, A. (2015). Virtual currency, tangible return: Portfolio diversification with bitcoin. Journal of Asset Management, 16(6), 365-373.

(41)

Bystrom, H., & Krygier, D. (2018). What Drives Bitcoin Volatility?. Available at SSRN

3223368.

Cheng, H. P., & Yen, K. C. (2019). The relationship between the economic policy uncertainty and the cryptocurrency market. Finance Research Letters, 101308.

Chuen, D. L. K., Guo, L., & Wang, Y. (2017). Cryptocurrency: A new investment opportunity?. The Journal of Alternative Investments, 20(3), 16-40.

Ciaian, P., Rajcaniova, M., & Kancs, D. A. (2016). The economics of BitCoin price formation. Applied Economics, 48(19), 1799-1815.

Colombo, V. (2013). Economic policy uncertainty in the US: Does it matter for the Euro area?. Economics Letters, 121(1), 39-42.

Corbet, S., Meegan, A., Larkin, C., Lucey, B., & Yarovaya, L. (2018). Exploring the dynamic relationships between cryptocurrencies and other financial assets. Economics Letters, 165, 28-34.

Demir, E., Gozgor, G., Lau, C. K. M., & Vigne, S. A. (2018). Does economic policy uncertainty predict the Bitcoin returns? An empirical investigation. Finance Research Letters, 26, 145-149. Dyhrberg, A. H. (2016). Bitcoin, gold and the dollar–A GARCH volatility analysis. Finance

Research Letters, 16, 85-92.

Eisl, A., Gasser, S., & Weinmayer, K. (2015). Caveat emptor: Does Bitcoin improve portfolio diversification?. Available at SSRN 2408997.

Engle, R. F., & Manganelli, S. (2004). CAViaR: Conditional autoregressive value at risk by regression quantiles. Journal of Business & Economic Statistics, 22(4), 367-381.

Forsberg, L., & Ghysels, E. (2007). Why do absolute returns predict volatility so well?. Journal

of Financial Econometrics, 5(1), 31-67.

Kancs, D. A., Ciaian, P., & Miroslava, R. (2015). The digital agenda of virtual currencies. Can

Bitcoin become a global currency? (No. JRC97043). Joint Research Centre (Seville site).

(42)

37

probability of US recessions. Economics Letters, 125(2), 261-265.

Kristoufek, L. (2013). BitCoin meets Google Trends and Wikipedia: Quantifying the relationship between phenomena of the Internet era. Scientific reports, 3, 3415.

Liu, W. (2019). Portfolio diversification across cryptocurrencies. Finance Research Letters, 29, 200-205.

Matkovskyy, R., Jalan, A., Dowling, M., & Bouraoui, T. (2019). From bottom ten to top ten: the role of cryptocurrencies in enhancing portfolio return of poorly performing stocks. Finance

Research Letters, 101405.

Nakamoto, S. (2008). Bitcoin: A peer-to-peer electronic cash system.(2008).

Shen, Y. (2018). International risk transmission of stock market movements. Economic

Modelling, 69, 220-236.

Sims, C. A. (1986). Are forecasting models usable for policy analysis?. Quarterly Review, (Win), 2-16.

Van Wijk, D. (2013). What can be expected from the BitCoin. Erasmus Universiteit Rotterdam. Wang, G. J., Xie, C., Wen, D., & Zhao, L. (2019). When Bitcoin meets economic policy uncertainty (EPU): Measuring risk spillover effect from EPU to Bitcoin. Finance Research

Letters, 31.

Wang, Y., Chen, C. R., & Huang, Y. S. (2014). Economic policy uncertainty and corporate investment: Evidence from China. Pacific-Basin Finance Journal, 26, 227-243.

Weber, B. (2014). Bitcoin and the legitimacy crisis of money.

Whelan, K. (2016). MA advanced macroeconomics: 4. VARs with long-run restrictions. Retrieved from University College Dublin, School of Economics website: https://www.karlwhelan.com/MAMacro/part4.pdf

White, H., Kim, T. H., & Manganelli, S. (2015). VAR for VaR: Measuring tail dependence using multivariate regression quantiles. Journal of Econometrics, 187(1), 169-188.

(43)

Wong, W. S., Saerbeck, D., & Delgado Silva, D. (2018). Cryptocurrency: A new investment opportunity? An investigation of the hedging capability of cryptocurrencies and their influence on stock, bond and gold portfolios. An Investigation of the Hedging Capability of

Cryptocurrencies and Their Influence on Stock, Bond and Gold Portfolios (January 29, 2018).

Wu, S., Tong, M., Yang, Z., & Derbali, A. (2019). Does gold or Bitcoin hedge economic policy uncertainty?. Finance Research Letters, 31, 171-178.

數據

表  2  單根檢定
表  3  相關係數矩陣
表  4  長期限制矩陣  Panel A : Bitcoin          No. of obs    2316  Log likelihood          2399.199  USEPU  Returns  USEPU  0.1937***    0    (0.0028)  Returns  -0.0012    0.0427***            (0.0009)      (0.0006)  Panel B: Ethereum          No
圖  2 衝擊反應函數:  加密貨幣報酬率受到 USEPU 或 EMU 一單位標準差衝擊後的反應
+3

參考文獻

相關文件

Q: Can we at least find the exact string theory background that gives our universe. A: A

Proof. The proof is complete.. Similar to matrix monotone and matrix convex functions, the converse of Proposition 6.1 does not hold. 2.5], we know that a continuous function f

we often use least squares to get model parameters in a fitting problem... 7 Least

Interestingly, the periodicity in the intercept and alpha parameter of our two-stage or five-stage PGARCH(1,1) DGPs does not seem to have any special impacts on the model

• Any node that does not have a local replica of the object periodically creates a QoS-advert message contains (a) its δ i deadline value and (b) depending-on , the ID of the node

Regardless of the assumed copula functions, we consistently find that the Chinese market experiences not only a higher degree of dependence but also a higher variation of

On the content classification of commercial, we modified a classic model of the vector space to build the classification model of commercial audio, and then identify every kind

Using Structural Equation Model to Analyze the Relationships Among the Consciousness, Attitude, and the Related Behavior toward Energy Conservation– A Case Study