中華大學碩士論文

(1)

中華大學碩士論文

題目：金融海嘯前後美國股市對亞洲四小龍股市影響之研究

系所別：經營管理研究所學號姓名： M09619023 吳嘉琦指導教授：徐子光博士

中華民國九十八年七月

(2)

謝辭

時間飛快的過，轉眼間研究所的兩年就過去了，能夠順利完成碩士學位首 先要感謝我的指導教授徐子光博士，老師這兩年來耐心的教導以及循循善誘讓學生收獲許多。此外，感謝兩位口試老師在百忙之中特地抽空細心的審閱本文以及對本文提出寶貴的意見，使得本文更具備完善及豐富性。

這兩年來也感謝班上的同學們，因為有你們的鼓勵與打氣，才讓我可以順利的完成碩士論文。特別感謝，話匣子一打開就講不完什麼人都可以聊的很起勁的珊慧、經常上書報時總是一頭亂髮報告的能力卻讓人驚豔的慕潔、總是不到緊要關頭一副事不關己其實是在默默耕耘的晶華以及永遠感覺不出大了我一輪有餘擁有一張娃娃臉還愛裝無辜的胖達。因為這些人，讓我發現世上真的存在物以類聚定理。也因為這些人，讓我的研究所生活更豐富更精采。

最後，感謝我的家人，總是默默的付出以及支持，讓我能夠順利的拿到碩士學位。

吳嘉琦謹誌民國九十八年七月

(3)

摘要

2007 年 3 月 12 日美國新世紀金融公司(New Century Financial Corporation) 宣佈破產，此時美國抵押貸款及次級風險開始呈現出來，因而引爆了美國本世紀以來影響到全球經濟的金融海嘯。本研究以美國道瓊指數及亞洲四小龍包括台灣、新加坡、香港及韓國等股價指數為樣本，並且以GARCH(1,1)模型、Granger 因果關係檢定、衝擊反應分析以及預測誤差變異數分解探討金融海嘯前後美國股市對於亞洲四小龍股市間之關係。

本研究資料為2006 年 4 月 1 日至 2008 年 11 月 30 日的美國及亞洲四小龍大盤指數收盤價之日資料。本研究採用李晶晶(2007)“美國次級房貸對全球金融體系之影響”文中提到 2007 年 8 月 6 日美國房地產投資信託公司(American Home Mortgage，AHM)申請破產保護，接著全國金融公司(CFC)爆發財務危機，

加上法國巴黎銀行旗下三檔基金停止贖回，導致2007 年 8 月 9 日歐美股市重挫，

進而造成隔天全球股市崩盤，其中台灣加權指數跌幅 2.74%、香港恆生指數跌幅 2.88%、韓國跌幅 4.2%，以及新加坡海峽指數跌幅 1.58%。因此本研究期間以2007 年 8 月 9 日為分界線，而分為兩個期間：金融海嘯前為 2006 年 4 月 1 日至2007 年 8 月 8 日；金融海嘯後為 2007 年 8 月 9 日至 2008 年 11 月 30 日。

研究結論如下：

金融海嘯發生前：除了韓國指數報酬率皆受到美國道瓊指數報酬率與波動率的影響外，香港、新加坡以及台灣等三國股市指數報酬率皆受美國道瓊指數報酬率的正向影響。報酬波動率方面，亞洲四小龍各國股市指數報酬波動率皆受到美國道瓊指數報酬波動率的正向影響，且韓國與新加坡兩國指數報酬波動率亦受到美國道瓊指數報酬率的負向影響。新加坡海峽指數報酬率與台灣加權股價指數報酬率受到美國道瓊指數報酬率與波動率的影響。而美國道瓊指數報酬率與波動率皆會影響亞洲四小龍各國股市指數波動率。

受美國道瓊指數報酬率與波動率衝擊影響對亞洲四小龍各國股市報酬率皆

(4)

呈跳動性反應。受美國道瓊指數報酬率的衝擊對亞洲四小龍各國股市指數報酬波動率皆呈現持續性反應負向影響，美國道瓊指數報酬波動率的衝擊下對香港與韓國指數報酬波動率呈現跳動性反應，而新加坡與台灣指數報酬波動率則呈現持續性反應正向影響。

亞洲四小龍各國股市指數報酬與波動率之預測誤差變異數來源幾乎來自於本身的衝擊，對自身的變異解釋能力高。就長期而言，美國道瓊指數報酬率對亞洲四小龍各國股市報酬波動率有較高的影響力。

金融海嘯發生後：亞洲四小龍各國股市指數報酬率皆受到美國道瓊指數報酬率的正向影響，而亞洲四小龍各國股市指數報酬波動率亦皆受到美國道瓊指數報酬波動率的正向影響。香港與韓國兩國指數報酬率與報酬波動率皆受到美國道瓊指數報酬率與波動率的影響。而新加坡海峽指數報酬率與報酬波動率皆會受到美國道瓊指數報酬波動率影響，美國道瓊指數報酬率亦會影響新加坡海峽指數報酬波動率。

受美國道瓊指數報酬率的衝擊對亞洲四小龍各國股市報酬率皆呈跳動性反應。而美國道瓊指數報酬波動率的衝擊對香港、韓國與台灣指數報酬率亦為跳動性反應，新加坡則呈現持續性反應負向影響。除香港指數報酬波動率皆受到美國道瓊指數報酬率與波動率的衝擊呈現跳動性反應外，其餘三國股市指數報酬波動率皆受到美國道瓊指數報酬率的衝擊呈現持續性反應負向影響，而受到美國道瓊指數報酬波動率的衝擊呈現持續性反應正向影響。

亞洲四小龍各國股市指數報酬與波動率之預測誤差變異數來源亦來自於本身報酬率的衝擊，對自身的變異解釋能力高。在長期下，香港恆生指數報酬率受到美國道瓊指數報酬波動率有較高的影響力。美國指數報酬率對香港、新加坡與台灣指數報酬波動率有較高的影響力，而美國指數報酬波動率則對韓國有較高的影響力。

關鍵字：次級房貸、金融海嘯、波動性、因果關係

(5)

Abstract

The New Century Financial Corporation company declared bankruptcy on March 12, 2007. After this event, the United States subprime mortgage loans and risks begin to show up the impact of this century into the global economy by the financial tsunami. In this thesis examine the structure of international transmissions in daily returns for five national stock markets: the U.S., Hong Kong, Korea, Singapore, and Taiwan. By using GARCH (1,1) model, Granger causality test, impulse response analysis and forecast error variance decomposition discuss the financial tsunami about the U.S. stock market for the four Asian dragons, the relationship between the stock market. The results show as follows:

Before the financial tsunami: the Dow Jones index return and volatility impact on South Korea's index return, and Dow Jones index return impact on Hong Kong, Singapore and Taiwan stock market index return. Dow Jones index of volatility positive impact on the Four Little Dragons of Asia stock markets index of volatility.

The Dow Jones index return impact on the Four Little Dragons of Asia stock markets return.

After the financial tsunami: The Dow Jones index return positive impact on the Four Little Dragons of Asia stock markets index return and volatility . The Dow Jones index return impact on the Four Little Dragons of Asia stock markets return of all the obvious response. In the long term, the Dow Jones index return have higher influence on the Hang Seng Index.

Keywords: Subprime Mortgages、Financial Tsunami、Grange causality test

(6)

表次

表1 FICO 信用評分標準以及房屋貸款市場劃分標準表...7

表2 1987 年全球股市大崩盤，國際股市間互動相關文獻整理表 ...10

表3 國際股、匯市間互動關係之相關文獻整理表 ...16

表4 研究期間各變數及子期間之樣本數...31

表5 資料經對應後之樣本數...31

表6 經濟變數符號 ...32

表7 金融海嘯前單根檢定結果 ...33

表8 金融海嘯後單根檢定結果 ...33

表9 經濟變數之股市報酬波動率 ...34

表10金融海嘯前美國道瓊指數報酬率與波動率對亞洲四小龍各國股市報酬率 35 表11金融海嘯前美國道瓊指數報酬率與波動率對亞洲四小龍各國股市報酬波動率...36

表12金融海嘯後國道瓊指數報酬率與波動率對亞洲四小龍各國股市報酬率....37

表13金融海嘯後美國道瓊指數報酬率與波動率對亞洲四小龍各國股市報酬波動率...37

表14金融海嘯前美股對亞洲四小龍各國股市指數報酬率之因果關係 ...39

表15金融海嘯前美股對亞洲四小龍各國股市指數波動率之因果關係 ...39

表16金融海嘯後美股對亞洲四小龍各國股市指數報酬率之因果關係 ...40

表17金融海嘯後美股對亞洲四小龍各國股市指數波動率之因果關係 ...40

表18金融海嘯前美股報酬率與波動率對香港恆生指數報酬率之衝擊反應...41

表19金融海嘯前美股報酬率與波動率對韓國指數報酬率之衝擊反應 ...44

表20金融海嘯前美股報酬率與波動率對新加坡海峽指數報酬率之衝擊反應....46

表21金融海嘯前美股報酬率與波動率對台灣加權股價指數報酬率之衝擊反應 48 表22金融海嘯前亞洲四小龍股市報酬率衝擊反應分析結果整理 ...50

(9)

表23金融海嘯前美股報酬率與波動率對香港恆生指數波動之衝擊反應...51

表24金融海嘯前美股報酬率與波動率對韓國指數波動之衝擊反應 ...53

表25金融海嘯前美股報酬率與波動率對新加坡海峽指數波動之衝擊反應...55

表26金融海嘯前美股報酬率與波動率對台灣加權股價指數波動之衝擊反應....57

表27金融海嘯前亞洲四小龍股市指數波動率衝擊反應分析結果整理 ...59

表28金融海嘯後美股報酬率與波動率對香港恆生指數報酬率之衝擊反應...60

表29金融海嘯後美股報酬率與波動率對韓國指數報酬率之衝擊反應 ...62

表30金融海嘯前美股報酬率與波動率對新加坡海峽指數報酬率之衝擊反應....64

表31金融海嘯後美股報酬率與波動率對台灣加權股價指數報酬率之衝擊反應 66 表32金融海嘯後亞洲四小龍股市報酬率衝擊反應分析結果整理 ...68

表33金融海嘯後美股報酬率與波動率對香港恆生指數波動之衝擊反應...69

表34金融海嘯後美股報酬率與波動率對韓國指數波動之衝擊反應 ...71

表35金融海嘯後美股報酬率與波動率對新加坡海峽指數波動之衝擊反應...73

表36金融海嘯後美股報酬率與波動率對台灣加權股價指數波動之衝擊反應....75

表37金融海嘯後亞洲四小龍股市波動率衝擊反應分析結果整理 ...77

表38金融海嘯前美股報酬率與波動率對香港恆生指數報酬率之預測誤差分解 78 表39金融海嘯前美股報酬率與波動率對韓國指數報酬率之預測誤差分解...80

表40金融海嘯前美股報酬率與波動率對新加坡海峽指數報酬率之預測誤差分解 ...82

表41金融海嘯前美股報酬率與波動率對台灣加權股價指數報酬率之預測誤差分解...84

表42金融海嘯前美股報酬率與波動率對香港恆生指數波動率之預測誤差分解 86 表43金融海嘯前美股報酬率與波動率對韓國指數波動率之預測誤差分解...88

表44金融海嘯前美股報酬率與波動率對新加坡海峽指數波動率之預測誤差分解 ...90

(10)

表45金融海嘯前美股報酬率與波動率對台灣加權股價指數波動率之預測誤差分解...92 表46金融海嘯後美股報酬率與波動率對香港恆生指數報酬率之預測誤差分解 94 表47金融海嘯後美股報酬率與波動率對韓國指數報酬率之預測誤差分解...97 表48金融海嘯後美股報酬率與波動率對新加坡海峽指數報酬率之預測誤差分解

...99 表49金融海嘯後美股報酬率與波動率對台灣加權股價指數報酬率預測誤差分解

...101 表50金融海嘯後美股報酬率與波動率對香港恆生指數波動率之預測誤差分解

...103 表51金融海嘯後美股報酬率與波動率對韓國指數波動率之預測誤差分解...105 表52金融海嘯後美股報酬率與波動率對新加坡海峽指數波動率之預測誤差分解

...107 表53金融海嘯後美股報酬率與波動率對台灣加權股價指數波動率預測誤差分解

...109

(11)

圖次

圖1 研究架構圖 ...5

圖2 研究流程圖 ...22

圖3 金融海嘯前美股報酬率與波動率對香港恆生指數報酬率之衝擊反應...43

圖4 金融海嘯前美股報酬率與波動率對韓國指數報酬率之衝擊反應 ...45

圖5 金融海嘯前美股報酬率與波動率對新加坡海峽指數報酬率之衝擊反應....47

圖6 金融海嘯前美股報酬率與波動率對台灣加權股價指數報酬率之衝擊反應 49 圖7 金融海嘯前美股報酬率與波動率對香港恆生指數波動之衝擊反應...52

圖8 金融海嘯前美股報酬率與波動率對韓國指數波動之衝擊反應 ...54

圖9 金融海嘯前美股報酬率與波動率對新加坡海峽指數波動之衝擊反應...56

圖10金融海嘯前美股報酬率與波動率對台灣加權股價指數波動之衝擊反應....58

圖11金融海嘯後美股報酬率與波動率對香港恆生指數報酬率之衝擊反應...61

圖12金融海嘯後美股報酬率與波動率對韓國指數報酬率之衝擊反應 ...63

圖13金融海嘯前美股報酬率與波動率對新加坡海峽指數報酬率之衝擊反應....65

圖14金融海嘯後美股報酬率與波動率對台灣加權股價指數報酬率之衝擊反應 67 圖15金融海嘯後美股報酬率與波動率對香港恆生指數波動之衝擊反應...70

圖16金融海嘯後美股報酬率與波動率對韓國指數波動之衝擊反應 ...72

圖17金融海嘯後美股報酬率與波動率對新加坡海峽指數波動之衝擊反應...74

圖18金融海嘯後美股報酬率與波動率對台灣加權股價指數波動之衝擊反應....76

圖19金融海嘯前美股報酬率與波動率對香港恆生指數報酬率之預測誤差分解 79 圖20金融海嘯前美股報酬率與波動率對韓國指數報酬率之預測誤差分解...81

圖21金融海嘯前美股報酬率與波動率對新加坡海峽指數報酬率之預測誤差分解 ...83

圖22金融海嘯前美股報酬率與波動率對台灣加權股價指數報酬率之預測誤差分解...85

(12)

圖23金融海嘯前美股報酬率與波動率對香港恆生指數波動率之預測誤差分解 87 圖24金融海嘯前美股報酬率與波動率對韓國指數波動率之預測誤差分解...89 圖25金融海嘯前美股報酬率與波動率對新加坡海峽指數波動率之預測誤差分解

...91 圖26金融海嘯前美股報酬率與波動率對台灣加權股價指數波動率之預測誤差分

解...93 圖27金融海嘯後美股報酬率與波動率對香港恆生指數報酬率之預測誤差分解 96 圖28金融海嘯後美股報酬率與波動率對韓國指數報酬率之預測誤差分解...98 圖29金融海嘯後美股報酬率與波動率對新加坡海峽指數報酬率之預測誤差分解

...100 圖30金融海嘯後美股報酬率與波動率對台灣加權股價指數報酬率預測誤差分解

...102 圖31金融海嘯後美股報酬率與波動率對香港恆生指數波動率之預測誤差分解

...104 圖32金融海嘯後美股報酬率與波動率對韓國指數波動率之預測誤差分解...106 圖33金融海嘯後美股報酬率與波動率對新加坡海峽指數波動率之預測誤差分解

...108 圖34金融海嘯後美股報酬率與波動率對台灣加權股價指數波動率預測誤差分解

... 110

(13)

第一章緒論

本章節為緒論，共分為四節討論。第一節說明研究背景與動機，第二節說明本文的研究目的，第三節說明本文研究之限制，第四節為介紹本文之研究架構。

第一節研究背景與動機

1980 年代開始，全球經濟快速變遷，許多新興國家迅速成長，各而紛紛推動金融自由化與放寬資本移動管制，這促使外資大量流向開發中國家，且先進國家的出口幾乎有四分之一資金流向開發中國家。國際間的資金移動迅速及頻繁下，無形中使得國際間的金融市場趨於整合。倘若某些國家發生金融危機事件，經由擴散作用下，必會造成國際上經濟與金融的大幅波動。

自1997 年 7 月間泰國放棄固定匯率制度後，亞洲國家地區的股市及匯率市場隨此消息便開始重挫，猶如骨牌效應一般，一度影響到其他先進國家的股市行情。1997 年 11 月東南亞金融危機侵襲韓國，使得多家企業集團面臨倒閉破產且韓元連續大幅貶值，股市也受到衝擊重挫，幾乎使韓國經濟一蹶不振。1997 年由泰國所引發的「亞洲金融風暴」導致經濟成長表現優異的東亞地區股市重挫，更蔓延至歐美地區，形成全球性的金融風暴事件。由這事件可顯示出，在東南亞國家過度依賴外資及全球流動性資產迅速成長與跨國衍生性金融交易商品交易量大增，但是卻沒有適度調節避險。又在1998 年 8 月間爆發俄羅斯危機與拉丁美洲金融危機，導致美國與歐洲各國股市與匯率市場再度受到嚴重影響，使得全世界的股市呈現一片消沉低迷狀態。

近幾年來美國聯邦準備理事會(Federal Reserve System，Fed)連續 17 次升息，聯邦基金利率由原先的1%提升至 5.25%。由於利率的大幅度攀升，加重購屋者償還貸款的負擔，導致熱絡的美國房屋市場開始降溫。2007 年 3 月 12 日美國新世紀金融公司(New Century Financial Corporation)宣佈破產，此時美國抵押貸款風險浮出水面。在這時候世人似乎都沒想到新世紀金融公司也就此引爆了

(14)

美國本世紀以來會影響至全球經濟的金融危機。

2007 年 7 月底至 8 月初因美國次級房貸的危機使全球的股市大幅波動，幾乎所有股票市場呈現下跌趨勢。在美國房屋貸款市場持續低迷、法拍屋大幅增加，再加上金融市場動盪情況下，美國政府在2008 年 9 月宣佈以 2000 億美元的代價接管瀕臨破產的兩房，也就是房利美（Fannie Mae）與房地美（Freddie Mac）。更以 850 億美元貸款接管美國最大的保險公司美國國際集團(American International Group，AIG)，並且另外提出了政府以 7000 億美元收購、處置金融機構壞帳計劃。

擁有84 年歷史的美國華爾街老牌投資銀行貝爾斯登(Bear Stearns)受到 2007 年3、4 月份次級房貸違約風暴的影響，旗下兩支對沖基金的次級抵押貸款擔保證券投資組合受到嚴重衝擊，陷入巨額虧損的窘境。於2008 年 3 月中旬，貝爾斯登這家排名第五大的美國投資銀行瀕臨破產，消息面一出導致其股價當天爆跌47%，且引發美國道瓊平均指數(Dow Jone’s Average)跌幅 1.6%。紐約聯邦準備銀行(Federal Reserve Bank of New York)經由摩根大通(JPMorgan Chase)向貝爾斯登提供緊急救援性融資，以防備貝爾斯登危機向整體金融體系蔓延。在道瓊指數跌幅1.6%時，此時亞洲地區也受此消息面波及，以亞洲四小龍股市大盤指數來看在貝爾斯登瀕臨破產、道瓊暴跌與聯邦準備銀行緊急救援隔天，平均跌幅也在1.6%左右，然而香港恆生指數在隔天有高達 5.18%的跌幅。

世界著名第三大投資銀行─美林公司(Merrill Lynch)也在 2007 年受到次級債衝擊，受到巨大損失。美林公司在2008 年 9 月 14 日以每股 29 元，總共 500 億美元將全部股權賣給美國銀行(Bank of America Corporation)，隔日又再加上原第四大投資銀行─雷曼兄弟(Lehman Brothers)負債超過 6000 億美元，宣佈破產。當天道瓊指數跌幅達到4.42%，同時亞洲四小龍股市指數也下跌在 4%到 6%

左右。

以上這些事件皆因為次級債相關問題導致全球股市陷入低迷，隨之而來全

(15)

球經濟景氣呈現蕭條時期。美國一打噴嚏，全球經濟就感冒。美國對全球經濟的影響具甚，對於亞洲地區影響更是可觀，藉此研究以了解亞洲地區中的四小龍會因為美國所掀起的金融海嘯中股市會呈現多劇烈的波動。

1987 年紐約股市大崩盤引發全球性股市大崩盤，已有諸多學者在此時期研究美國股市與國際間股市相關性，如：Cheung and Mak(1992)、Malliaris and Urrutia(1992) 與 Arshanapalli and Doukas(1995) 等諸位學者利用共整合 (Co-integration Test)與因果關係檢定(Granger Causality Test)等方法驗證美國股市對於全球股市的影響力極高。而1997 年亞洲金融風暴所引發的股市波動現象亦引起學界的討論。如：田峻吉(2001)、蔡明修(2001)、楊育軒(2002)以及何國誠(2003) 利用共整合 (Co-integration Test) 、因果關係檢定 (Granger Causality Test)、GARCH 模型與 VAR 模型等方法研究亞洲金融風暴為國際間帶來的股市波動情形，結果顯示在短期間受風暴影響國際股市波動較為顯著。

歷年來股票市場漲跌因素之相關研究大致可分為兩種，一為尋找影響股市報酬率或波動率之經濟變數、另一種為探討各國股市股價報酬之相關性或波動率。因此本研究將利用ADF 單根檢定、GARCH(1,1)模型以及 VAR 模型中的因果關係檢定(Granger Causality Test)、衝擊反應分析(Impulse Response Analysis) 以及預測誤差變異分解(Forecast Error Variance Decomposition)等方法以探討美國受到次級房貸風暴影響美國股市間接而影響到亞洲四小龍股市的情形。

第二節研究目的

本研究目的主要是在探討在這全球陷入金融風暴，股市與經濟景氣低迷時代，美國股市對於亞洲四小龍股市之間的波動程度，彼此間是否具有正向、反向或雙向連動關係。

具體而言，本文研究目的有：

一、採用複迴歸探討金融海嘯前後，美國道瓊指數報酬率與波動率對亞洲四小龍各國股市報酬率的影響，以及對亞洲四小龍各國股市報酬波動率的影響。

(16)

二、運用Granger(1969)提出因果關係檢定(Granger Causality Test)，驗證美國道瓊指數報酬率與波動率對亞洲四小龍股市報酬率，以及對亞洲四小龍股市報酬波動率之因果關係。

三、以向量自我迴歸模型，美國道瓊指數報酬與波動率對亞洲四小龍各國股市報酬率以及對亞洲四小龍股市報酬波動率進行衝擊反應與預測誤差變異分解，以觀察亞洲四小龍各國股市與美國股市報酬率和波動率間之動態互動分析。

第三節研究限制

本研究主要在探討全球金融海嘯引起的風暴前後，美國道瓊指數及亞洲四小龍中的台灣加權指數、香港恆生指數、新加坡海峽指數與韓國股價指數之每日收盤價。由於各國交易日及休市日不盡相同，本研究為避免交易日期不一致及電腦無法對應之困擾，必須將部分數據資料刪除，此種資料處理方法對研究結果可能產生誤差。本研究採用資料均為事後(ex-post)資料，所以本研究結論僅可以解釋過去情況，但對於未來預測能力將會受到限制。

第四節研究架構

本研究共分五個章節，各章節內容分別如下：

第一章為緒論，說明本研究之背景、動機、目的與架構。

第二章為文獻探討，本章共分成三節。第一節介紹次級房貸風暴的由來，第二節介紹股市波動性的相關文獻，第三節介紹股市間因果關係的相關文獻。

第三章為研究方法，首先說明研究對象、研究期間、資料來源，並說明本研究的研究流程，詳細說明實證方法。

第四章為實證結果分析，說明資料來源處理和研究分析結果。

第五章為結論與建議，對本研究的結果做一個綜合的總結及對後續的研究提出相關的建議。

(17)

本文架構如下圖1 所示：

首先本研究先確定研究動機與目的，其次收集相關文獻以作回顧探討，再者收集相關資料與變數做整合及處理，再探討研究方法與模型架構的建立，直至實證分析與結果，最後以作為本文之結論。

相關文獻回顧研究動機與目的

研究方法資料蒐集與處理

實證分析與結果

結論 圖 1 研究架構圖 資料來源：本研究整理

(18)

第二章文獻探討

本章節為文獻探討，共可分為三節探討。其中第一節為次級房貸風暴的由來，第二節則探討1987 年全球股市大崩盤國際股市間互動之相關文獻，第三節則為探討1997 年亞洲金融風暴國際股市與匯市之相關文獻。

第一節次級房貸風暴的由來

次級房貸是指抵押貸款市場中次優等的抵押貸款，與普通房貸主要差異是借貸人大多屬於信用紀錄不良及還款能力較弱的購屋者，或者針對無法經由正常管道取得貸款者所推出的一種房貸業務。次級房貸業務於1980 年代開始，2000 年因美國降息，隨著房價急速上漲且高收益產品需求大增，再加上市場資金充足，次級房貸市場再度興盛。

美國的房屋抵押貸款可分為三類，一為優質抵押貸款，二為 Alt-A 抵押貸款，三則為次級抵押貸款，此分類主要是按照借款主體信用條件的評等好與壞來區分。美國個人消費信用評等公司中最有名的是FICO (Fair Isaac Corporation) 公司，該評等公司 20 世紀 50 年代後期就開始了個人貸款信用評等工作，公司創始人、工程師出身的比爾‧費爾(Bill Fair) 和數學家愛爾‧伊薩克(Earl Isaac) 所開發的評等已得到社會的廣泛接受，並成為美國金融機構和幾乎所有需要個人信用的公司在評價個人風險時使用的可靠工具之一，甚至在招聘新員工時，

一些公司也將個人信用分數做為全面衡量申請人品德的參考。FICO 評等方法主要是使用評等模型和數學公式，將來自不同管道的資訊和人們的信用歷史，加以彙總並以分數的形式表示出來。採用 FICO 公司的評估工具能準確地預測借款人的未來信用情況，它給人們評估的分數從300 分到 900 分。分數越高表示信用越好，反之亦然。以下為 FICO 信用評分標準及房屋貸款市場劃分標準，

如表1 所示：

(19)

表1 FICO 信用評分標準以及房屋貸款市場劃分標準表

信用市場信用等級徵信重點

優質 A+，-A 過去2-5 年信用優等，24

個月內沒有延期支付之行為，過去 2-10 年沒有破產紀錄。

A- 沒有延期 60 天的抵押貸

款，過去2-4 年內沒有破產紀錄。

Alt-A

B+，B- 過去 2-4 年內有破產紀

錄，重建信用。

C+，C- 過去1-2 年內有破產處置

紀錄。

D+，D- 過去 12 個月內有破產處

置紀錄。

次級

E 可能面臨破產或放棄屬

回抵押物。

資料來源：辛喬利、孫兆東(2008)次貸風暴－撼動世界經濟的金融危機，剖析次貸風暴的前因後果

由於在2004 年至 20006 年這兩年期間，聯準會連續 17 次升息，利率大幅攀升導致加重了購屋者的還款負擔。再加上同時期美國房屋市場開始大幅降溫，許多貸款購屋者無法準時按期還款，次貸危機逐漸顯現並越演越烈。再者全球眾多的機構投資者參與其中，也就因此次級房貸危機不斷蔓延至全球金融市場。

(20)

第二節 1987 年全球股市大崩盤，國際股市間互動相關文獻

隨著國際間經濟相互依賴度日漸密切，各國經濟整合也逐漸提升，國際間金融經濟變動漸成為研究學者及投資者所關切的議題。以下文獻是因金融事件足以影響至全球經濟金融變動之相關文獻。

Roll（1988）針對於1981年6月到至1987年9月紐約股市大崩盤導致全球股市大崩盤前的期間，使用單變量迴歸、多元迴歸模型以及相關係數等研究方式探討1987年全球股市大崩盤起源是因美國股市場體制導致，利用23國家主要股票市場指數以美元計價之月資料。研究結果發現：1987年10月是所有市場移動方向一致的唯一月份，但是該月份之各國國際股市呈現下跌的狀態。亦發現各國股市間彼此的相關性非常小。

Dwyer and Hafer（1988）利用相關係數分析與單根檢定，探討1987年10月全球股市大崩盤研究國際股票市場相關性。資料期間可分為日資料與月資料兩種型態做比較。研究結果發現：美國、英國及日本等各國股市之間市場變動沒有明顯的相關性。這與Roll(1998)結論相符。

Becker, Finnerty, and Gupta (1990)利用相關係數分析，探討全球兩大股票市場東京證券交易所(TSE)與紐約證券交易所(NYSE)之間可否用TSE做為預測市場的動向，且將研究資料分為包含大崩盤日的資料以及不包含大崩盤日的資料。研究結果發現：日本股票市場對美國股票市場的影響程度小，兩國間的股票市場相關性小。

Arshanapalli, Doukas, and Lang (1995)利用單根檢定、共整合檢定與誤差修正模型(ECM)等方法，將焦點集中於探討1987 年股市崩盤前、崩盤後國際互動關係的改變。研究結果發現：在1987年10月全球股市大崩盤後，美國股市票市場對亞洲地區國家的股票市場具有長期均衡關係。

Liu, Pan, and Shieh (1998)利用因果關係檢定、向量自我迴歸(VAR)模型中的

(21)

預測誤差變異數分解與衝擊反應分析等方法，以1987年10月崩盤前後為研究期間探討美國與亞洲股市間的國際傳導現象。研究結果發現：在全球股市大崩盤後，各國股市相互依存度大幅增加，且美國股票市場有顯著的影響主導著亞洲股票市場。而長期上日本與新加坡股票市場均影響著亞洲股票市場。

Smith and Kenneth (1999)針對1987年股市大崩盤為主要的研究事件，分析全球主要股市之間的相依程度或共移(Co-movement)關係，研究結果指出1987年10 月全球股市大崩盤所帶來的結構性改變已顯著地提高國際股市之間的共移程度，充分顯示國際資本市場在金融自由化與資訊全球化的開放制度下，區域經濟的整合趨勢已日益明顯，因此支持這些股市的國際投資組合分散風險的利益已減少許多。

Malliaris and Urrutia（1992）利用因果關係與共整合檢定等方法，針對1987 年10月全球股市大崩盤前後作國際股市因果關係的探討。研究結果指出在崩盤期間除日本沒有領先新加坡，只有落後於美國。其餘在崩盤前及崩盤後國際股市無顯著的領先－落後關係。且因果關係只存在全球股市大崩盤的當月份，認為在崩盤時與崩盤後同時期的因果關係的確提高。

Ko and Lee (1991)利用時間序列相關方法比較美國、日本以及香港、新加坡、台灣、韓國等亞洲四小龍之間每日的股票報酬。研究結果指出，除台灣與韓國的股票市場外，大多數國際股市之間的交叉關連性 (cross-correlations)非常顯著，作者更指出香港因為沒有價格安定機制，其股價的波動性在所有國家之間是最易受干擾的，因此成為1987年股市大崩盤下最大的犧牲者。

Cheung and Mak (1992)使用Granger因果關係檢定探討美國、日本兩大股票市場與亞太地區各國股市之因果關係，研究結果發現：除了台灣、泰國之外，

美國股市領導了大多數亞洲新興股市；而日本股市僅領先香港、新加坡、泰國等三國股市。這顯示美國股市對亞洲新興國家股市的影響力相對於日本股市更大。下表2為上述文獻之整理：

(22)

表2 1987 年全球股市大崩盤，國際股市間互動相關文獻整理表

研究學者研究變數研究期間研究方法研究結果

Roll (1988)

澳洲奧地利比利時加拿大丹麥法國德國香港愛爾蘭義大利日本馬來西亞墨西哥荷蘭紐西蘭挪威新加坡南非西班牙瑞典瑞士英國美國

1981/1/6-1987/9 月資料

單變量迴歸多變量迴歸相關係數

此次大崩盤事件不是由美國股市先表現大幅下降，而是為日本之外的其他亞洲國家股票市場開始劇烈下降，以致影響到歐洲各國股市情形漸而影響到北美國家，最後受影響為日本。且在相關係數分析上，各國股市間彼此的相關性非常小。因此全球股市大崩盤可歸因於各國股市間的流動所造成的正常反應。

Dwyer and Hafer (1988)

美國英國日本德國

日資料：

1987/7/1-1988/1/29 月資料：

1957/1-1987/11

相關性分析單根檢定

美國、英國及日本股市之間市場變動的相關性小。

Becker, Finnerty, and Gupta (1990)

美國日本日圓兌美元匯率

1985/10/5-1988/11/28 日資料

相關係數檢定日本影響美國程度小，兩國相關性小。

(23)

表2(續)

Arshanap alli, Doukas, and Lang (1995)

美國日本香港馬來西亞新加坡泰國

1986/1/1-1992/5/12 日資料

風暴前：

1986/1/1-1987/9/30 風暴後：

1987/11/1-1992/5/12

單根檢定共整合檢定誤差修正模型

在1987 年 10 月後，美股對於亞洲地區國家有長期均衡關係。

Liu, Pan, and Shieh (1998)

美國日本香港新加坡台灣泰國

1985/1/2-1990/12/31 日資料

風暴前：

1985/1/2-1987/10/16 風暴後：

1987/10/19-1990/12/31

向量自我迴歸因果關係檢定

在1987 年股市崩盤後，各國間股市相互依存度大幅增加。美國股市對亞洲股市具有極大的影響力。長期上，日本與新加坡影響亞洲各國股市行情。

Smith and Kenneth (1999)

日本德國法國英國加拿大美國

風暴前：

1980/8/18-1987/5/29 風暴後：

1988/3/8-1994/11/16 日資料

單根檢定敘述性統計相關係數檢定

全球大崩盤後各國股市相互依存度變高。

Cheung and Mak (1992)

美國日本澳洲香港韓國馬來西亞菲律賓新加坡台灣泰國

1977/1-1988/6 週資料

因果關係檢定除了台灣、泰國之外，美國股市領導了大多數亞洲新興股市；而日本股市僅領先香港、新加坡、泰國等三國股市。這顯示美國股市對亞洲新興國家股市的影響力相對於日本股市更大。

(24)

表2(續)

Malliaris and Urrutia (1992)

美國日本英國香港新加坡澳洲

1987/5/1-1988/3/31 日資料

風暴前：

1987/5/1-1987/9/30 風暴間：

1987/10/1-1987/10/31 風暴後：

1987/11/1-1988/3/31

因果關係檢定共整合檢定

在崩盤期間除日本沒有領先新加坡，只有落後於美國。其餘在崩盤前及崩盤後國際股市無顯著的領先

－落後關係。且因果關係只存在全球股市大崩盤的當月份，認為在崩盤時與崩盤後同時期的因果關係的確提高。

Ko and Lee (1991)

美國日本台灣韓國香港新加坡股、匯市

1981/1-1988/11 日資料

序列相關檢定除了台灣與韓國的股票市場之外，大多數國際股市之間的交叉關連性非常顯著，但唯獨排除。

Cheung and Mak (1992)

美國日本澳洲香港韓國馬來西亞菲律賓新加坡台灣泰國

1977/1-1988/6 週資料

因果關係檢定美國領導了大多亞洲地區的股票市場，但除台灣與泰國之外。而日本僅領先香港、新加坡與泰國，這顯示美國股市對亞洲新興國家股市的影響力相對於日本股市更大。

資料來源：本研究整理

(25)

综合上述文獻探討可知不論樣本為月資料、週資料或是日資料，美國股市對於亞洲各國股市有長期均衡關係，且相較於日本對於亞洲其他國家股市來得有極大的影響力並領先亞洲各國股市。

第三節 1997 年亞洲金融風暴國際股、匯市相關文獻

本研究主要目的是探討全球陷入金融風暴股市與經濟景氣低迷時代，美國股市對於亞洲四小龍股市之間的波動程度。以下介紹關於國際股、匯市間互動關係之相關文獻。

謝婷茹(2004)使用單變量 GJR GARCH (1,1)模型探討外匯市場以及股票是場之報酬波動性是否存在不對稱的外溢效果。研究期間從 1992 年 1 月 6 日至 2003 年 12 月 31 日，研究結果顯示：各國之金融市場在亞洲金融風暴的前後其報酬波動外溢效果各有不同。美股報酬對七個國家的股市皆有顯著單向報酬外溢效果，在全樣本期間及風暴前，日圓與日圓期貨則有雙向報酬回饋關係。

何國誠(2003)使用 VAR、Johansen 共整合檢定、Granger 因果關係、衝擊反應分析及預測誤差變異數等模型探討亞洲四小龍各國與美國、日本之間股、匯市之相互關聯性，以及觀察亞洲金融風暴前後此互動關係的差異。研究期間為 1993 年 6 月 1 日至 2003 年 10 月 28 日，研究結果顯示：亞洲金融風暴前、後亞洲四小龍各國與美國及日本之股、匯市間無共整合關係，意味著缺乏長期的共移性；在風暴發生之後，亞洲四小龍各國與美國及日本之股、匯市短期動態聯結關係均較風暴前來的顯著。

楊育軒(2002)使用 ARCH、GARCH、EARCH 及 EGARCH 等模型探討台灣、

美國與日本三國股市間資訊傳遞機制。研究期間從1994 年 1 月 1 日至 2002 年 12 月 30 日，研究結果顯示：在亞洲金融風暴發生之前，台、美、日三國股市之互動大致上是由美國股市所主導；而在金融風暴之後，台、美、日三國股市的互動關係明顯較金融風暴前來得頻繁。

田峻吉(2001) 使用 GARCH(1,1)-MA(1) 模型探討美國道瓊工業指數、

(26)

NASDAQ 指數、東京日經指數、香港恆生指數對於我國加權股價指數以及上市上櫃電子類股指數之報酬波及效果與波動性波及效果。研究期間從1996 年 6 月 1 日至 2000 年 12 月 31 日，研究結果顯示：道瓊工業指數、東京日經指數對於我國股市與上市電子類股指數有顯著的波動性波及效果。NASDAQ 指數、香港恆生指數對於我國加權股價指數、上市上櫃電子類股指數皆沒有顯著的波動性效果。

蔡明修(2001)使用 GARCH 模型、VAR 模型以及 Granger 因果關係檢定探討美國股市與亞太地區各國股票市場相互間股市變動領先落後關係，以及探討美國、日本、台灣、韓國、新加坡股票市場的衝擊，對其他國家股票市場的影響程度。研究期間從1990 年 1 月至 2001 年 1 月，研究結果顯示：美國道瓊股價報酬率的波動性領先日本、台灣、韓國及新加坡，對亞洲各國股價居於領先地位，動則影響他國股價的表現。美國道瓊工業指數報酬率波動受到亞洲其他股市反應的衝擊並不明顯，在長期或當期下美國對亞洲四國股市報酬率波動的衝擊皆相當明顯。

李婉瑜(2000)使用 ARCH、GARCH、MA(1)-GARCH(1,1)等模型探討亞洲金融風暴期間美國股、匯市對東亞地區十國之外匯市場及股票市場之報酬相關性。研究期間從1994 年 3 月 17 日至 2000 年 10 月 31 日，研究結果顯示：股市報酬波動性與匯市報酬波動性有明顯亦步亦趨的趨勢，即匯市報酬波動性增加時，股市報酬波動亦有一定幅度的增加。金融風暴發生前，貶值預期對於絕大部份的股市報酬具有不顯著的正向傳遞效果。金融風暴發生後，除了中國大陸外，各國貶值預期皆對該國當期股市報酬存在顯著負向影響效果。

段光齡(2000)使用因果關係檢定與 Johansen 共整合檢定探討在 1997 年亞洲金融風暴前後美國、日本及亞洲四小龍各國股市之互動關係。研究期間從1994 年 9 月23 日至 2000 年 3 月 31 日，研究結果顯示：風暴前，美國影響日本及韓國；

風暴後美國與亞洲各國互動關係更為顯著。亞洲金融風暴使六國股市在短期間

(27)

有顯著的互動情形。

張財旺(1998)使用 VAR 模型及因果關係檢定，探討東南亞五國的外匯波動是否具有某種程度的傳遞效果。研究期間從1995 年 1 月至 1998 年 8 月，研究結果顯示：東協五國在匯率變動與波動性間具有因果關係的存在，就日資料所呈現的因果關係均較為顯著，而月、週資料則較不顯著，但大致上來說因果關係是存在的。

游仲萍(1999)使用 VAR、因果關係檢定及預測誤差變異數等模型探討亞洲七國與美國股市在亞洲金融風暴前後連動性之變化。研究期間從1996 年 8 月 1 日至1998 年 12 月 31 日，研究結果顯示：風暴前亞洲股市連動性不強烈，而風暴後相互影響程度增加。日本股市主要受到美國股市影響，台灣股市較為獨立，

而其餘亞洲諸國在風暴後主要受到馬來西亞影響。工業類股、金融風暴前台灣非金融指數不受他國工業類股單向影響，風暴之後、台灣非金融指數被美國、

日本與馬來西亞的工業指數所影響。

廖家興(1998)使用 VAR、GARCH 等模型探討 1997 年 7 月亞洲金融風暴的發生，對於各東亞國家金融市場的影響。研究期間從 1994 年 7 月 1 日至 1998 年12 月 31 日，研究結果顯示：不論由日資料或週資料的實證結果皆可觀察出，

大部分市場於金融風暴發生期間，明顯受到較少的其他市場所影響。最主要原因是大部分市場對於國際市場訊息的反應，可能已經在日內資料反應完畢，而這也表示金融風暴的發生，使得各國與國際金融市場間的關係變得更密切。下表3 為上述文獻整理：

(28)

表3 國際股、匯市間互動關係之相關文獻整理表

研究者研究變數研究期間研究方法研究結果

謝婷茹 (2004)

台灣日本香港泰國新加坡馬來西亞及韓國美國外匯(兌美元)

1992/1/6-2003/12/31 日資料

風暴前：

1992/1/6-1997/7/1 風暴後：

1997/7/2-2003/12/31 歐元加入：

1999/1/5-2003/12/31

單變量 GJR GARCH (1,1) 模型

各國之金融市場在亞洲金融風暴的前後其報酬波動外溢效果各有不同。美股報酬對七個國家的股市皆有顯著單向報酬外溢效果，

在全樣本期間及風暴前，日圓與日圓期貨則有雙向報酬回饋關係。

何國誠 (2003)

台灣香港新加坡韓國美國日本股、匯市資料

1993/6/1-2003/10/28 日資料

Johansen 共整合檢定向量自我迴歸模型

因果關係檢定衝擊反應分析預測誤差變異數分解

亞洲金融風暴前、

後亞洲四小龍各國與美國及日本之股、匯市間無共整合關係，意味著缺乏長期的共移性；

在風暴發生之後，

亞洲四小龍各國與美國及日本之股、

匯市短期動態聯結關係均較風暴前來的顯著。

楊育軒 (2002)

台灣美國日本道瓊平均股價指數

1994/1/1-2002/12/30 日資料

單根檢定 LM test ARCH GARCH EARCH EGARCH

在亞洲金融風暴發生之前，台、美、

日三國股市之互動大致上是由美國股市所主導；而在金融風暴之後，台、

美、日三國股市的互動關係明顯較金融風暴前來得頻繁。

(29)

表3(續)

田峻吉 (2001)

美國道瓊工業指數 NASDAQ 指數東京日經指數香港恆生指數台灣加權股價指數台灣上市電子類指數

台灣 OTC 股價指數台灣 OTC 電子類股指數

1996/6/1-2000/12/31 日資料

分為：

1997/6/1-1998/5/31 1998/6/1-2000/1/31 1999/11/1-2000/12/31

GARCH(1,1)- MA(1)模型

道瓊工業指數、東京日經指數對於我國股市與上市電子類股指數有顯著的波動性波及效果。

NASDAQ 指數、香港恆生指數對於我國加權股價指數、

上市上櫃電子類股指數皆沒有顯著的波動性效果。

蔡明修 (2001)

美國日本台灣韓國新加坡等國股價指數

總體經濟因素

1990/1-2001/1 月資料

GARCH 向量自我迴歸模型

因果關係檢定

美國道瓊股價報酬率的波動性領先日本、台灣、韓國及新加坡，對亞洲各國股價居於領先地位，動則影響他國股價的表現。美國道瓊工業指數報酬率波動受到亞洲其他股市反應的衝擊並不明顯，在長期或當期下美國對亞洲四國股市報酬率波動的衝擊皆相當明顯。

(30)

表3(續)

李婉瑜 (2000)

泰國馬來西亞印尼菲律賓新加坡台灣韓國中國香港日本美國等股、匯市指數

1994/3/17-2000/10/31 日資料

分為：

1994/3/17-1997/6/27 1997/7/3-2000/10/31

單根檢定 ARCH GARCH (MA(1)-GAR CH(1,1))

股市報酬波動性與匯市報酬波動性有明顯亦步亦趨的趨勢，即匯市報酬波動性增加時，股市報酬波動亦有一定幅度的增加。金融風暴發生前，貶值預期對於絕大部份的股市報酬具有不顯著的正向傳遞效果。金融風暴發生後，除了中國大陸外，各國貶值預期皆對該國當期股市報酬存在顯著負向影響效果。

段光齡 (2000)

美國日本台灣香港新加坡韓國等股價指數

1994/9/23-2000/3/31 日資料

因果關係檢定 Johansen 共整合檢定

風暴前，美國影響日本及韓國；風暴後美國與亞洲各國互動關係更為顯著。亞洲金融風暴使六國股市在短期間有顯著的互動情形。

張財旺 (1998)

新加坡印尼馬來西亞菲律賓泰國等五國外匯

1995/1-1998/8

(分為兩個期間 1998/7 為界)

日資料週資料月資料

單根檢定向量自我迴歸模型

因果關係檢定

東協五國在匯率變動與波動性間具有因果關係的存在，

就日資料所呈現的因果關係均較為顯著，而月、週資料則較不顯著，但大致上來說因果關係是存在的。

(31)

表3(續)

游仲萍 (1999)

美國日本台灣香港新加坡印尼馬來西亞泰國等股市收盤價

1996/8/1-1998/12/31 日資料

向量自我迴歸模型

因果關係預測誤差變異數

風暴前亞洲股市連動性不強烈，而風暴後相互影響程度增加。日本股市主要受到美國股市影響，台灣股市較為獨立，而其餘亞洲諸國在風暴後主要受到馬來西亞影響。工業類股、金融風暴前台灣非金融指數不受他國工業類股單向影響，

風暴之後、台灣非金融指數被美國、

日本與馬來西亞的工業指數所影響。

廖家興 (1998)

日本香港台灣韓國新加坡泰國馬來西亞菲律賓及印尼等九個國家的股、匯市

1994/7/1-1998/12/31 分成整個樣本期間 1994/07/01-1998/12/3 金融風暴發生期間 1997/07/01-1998/12/31 日資料

週資料

GARCH 向量自我迴歸模型

ADF 單根檢定

不論由日資料或週資料的實證結果皆可觀察出，大部分市場於金融風暴發生期間，明顯受到較少的其他市場所影響。最主要原因是大部分市場對於國際市場訊息的反應，可能已經在日內資料反應完畢，

而這也表示金融風暴的發生，使得各國與國際金融市場間的關係變得更密切。

資料來源：本研究整理

(32)

综合上述文獻探討可得以下結論，以上文獻皆以共整合、向量自我迴歸 (VAR)、Granger 因果關係以及 GARCH 模型探討亞洲金融風暴造成各國股、匯市之間的波動。亞洲金融風暴主要是因素為匯率導致各國股市上的波動，因此以上文獻皆有匯率此變數以利探討。由於這次的金融海嘯是由美國股市波動導致全球股市大波動導致，因此本研究單以美國股市以及亞洲四小龍各國股市探討此次事件造成的現象。

(33)

第三章研究方法

本章為研究方法，共可分為兩節來探討。第一節為研究流程，以說明本文整體研究的過程。第二節為實證模型的建立，又可分為五部份討論本文所使用研究方法之模型。

第一節研究流程

本研究主要目的是探討美國股市對於亞洲四小龍股市之間彼此的關係。首先本研究以單根檢定，檢定時間序列變數是否為穩定狀態，不穩定變數者對其差分以穩定變數進行分析。再分別以GARCH 模型、向量自我迴歸(VAR) 以及 Granger 因果關係檢定(Granger Causality Test)分析研究變數間相互關係。研究流程圖如下2：

首先收集變數資料，其次將各變數數據進行整理，再將整理好的數據資料以單根檢定方式檢驗變數是否有自我相關的問題。再者分別以GARCH(1,1)複迴歸模型、Granger 因果關係檢定、VAR 模型中的衝擊反應分析與預測誤差變異數分解等以探討金融海嘯前後美國股市對亞洲四小龍各國股市的影響。

(34)

資料收集

實證結果與分析單根檢定資料處理

Granger 因果關係檢

定 GARCH(1,1)

複迴歸模型 VAR模型

衝擊反應分析

預測誤差變異數分解

實證結果與分析

圖2 研究流程圖 資料來源：本研究整理

第二節實證模型建立

一、單根檢定(Unit Root Test)

在使用時間序列資料進行分析時，由於大部分的變數多為非定態 (Non-stationary) 序列，若直接進行迴歸分析容易造成假性迴歸 (Spurious Regression)之現象，使得估計結果不具任何意義。因此使用時間序列資料分析前，必須先判定時間序列之變數是否為定態序列，故單根檢定主要確定變數的時間序列觀察值是否存在非定態現象。

Dickey and Fuller (1979)所提出的單根檢定中假設殘差項ε 為白噪音，結果_t 發現迴歸之殘差項通常有自我相關的現象，使得 DF 檢定範圍受到限制漸而影響到研究結果的檢定能力。Dickey and Fuller (1981)考慮殘差項序列相關之後，

(35)

就以 AR(p) 的型式進行單根檢定，稱為「修正後 DF 檢定」 (Augmented Dickey-Fuller test；ADF)。因此本研究以 ADF(Augmented Dickey-Fuller test)檢定法檢定研究變數是否為定態。

模型如下：

(1) 只有截距項

t p

i

i t t t

t Y Y

Y =α +β + θ ∆ +ε

∆

∑

= −

− 1

1 (1) (2) 皆有截距項及趨勢項

t p

i t t i

t

t t Y Y

Y =α +γ +β + θ ∆ +ε

∆

∑

= −

− 1

1 (2) (3) 皆無截距項及趨勢項

t p

i

i t t t

t Y Y

Y =β + θ ∆ +ε

∆

∑

= −

− 1

1 (3) p 為最適落後期，以保證殘差項ε 為白噪音。 _t

假設檢定為：

0

0 :β =

H (變數存在單根)表示變數之時間序列為非定態。

0

1:β ≠

H (變數不存在單根)表示變數之時間序列為定態。

檢定結果若β 不顯著異於零，表示變數不具單根，則可對變數進行差分再 做一次單根檢定，直至變數呈現定態為止。

二、複迴歸模型

複迴歸模型是指一個應變數Y 與多個自變數_t X₁_t、X₂_t、X₃_t…X 等有因果_kt 關係，以數學函數表示如下：

) ..., , ,

( ₁_t ₂_t ₃_t _kt

t f X X X X

Y =

若變數間呈線性關係，則可表示成複迴歸模型。其模型如下：

t kt k t

t

t X X X

Y =α +β₁ ₁ +β₂ ₂ +...+β +ε 可改寫成：

t k

i i i

t X

Y =α +

∑

β +ε

=1

(4)

(36)

其中：α 為常數項，β 為迴歸係數且_i i=1,2,3...k ε 為模型之殘差項 _t

三、 GARCH 模型

一般傳統的計量模型及時間序列模型中，在條件變異數均設為固定，也就是假設殘差項不會隨時間的不同而改變。但實際上有許多金融性資產的時間序列資料並沒有符合上述的假設，如 Mandelbrot (1963)對股價資料進行研究，其研究結果發現股價變動會呈現高狹峰與厚尾(fat tail)的現象，且股價變動具有自我相關及存在波動叢聚(volatility clustering)的現象。對於變異數異質現象，Engle (1982) 提出自我迴歸條件異質變異數模型 (Autoregressive Conditional Heteroscedasticity Model, ARCH)，此一模型中允許條件變異數具有隨時間變動而改變的特性，實證結果亦發現ARCH 模型不但能顯示金融性資產的時間序列資料之特性，對於異質變異數更可以加以預測。

Bollerslev (1986)進一步將 ARCH 模型加以延伸，將過去殘差項及過去的變異數加入條件變異數方程式中，提出一般化自我迴歸異質條件變異數模型 (General Autoregressive Conditional Heteroscedasticity Model, GARCH)。此一模型允許較長的時間序列資料以及在條件變異數的結構設定設更具有彈性，同時使得模型在參數上的估計更為精簡化。因此GARCH 模型比 ARCH 模型較完整，

故本研究將採用GARCH 模型為實證研究方法。以下為 GARCH 模型做介紹：

Bollerslev (1986)提出 GARCH 模型(General Autoregressive Conditional Heteroscedasticity Model)，允許條件變異數受過去 q 期已實現干擾向與前 p 期條 件變異數的影響。模型如下：

t t

t X a

Y = +ε ) , 0 (

~ ²

1 t

t

tΩ ₋ N h

ε

∑

= −

= − +

+

= ^p

j j t j

q

i i t i

ht

1 2 1

2

0 αε β ε

α (5)

(37)

註：p≥0，q≥0，α₀ >0，α_i ≥0，i=1,2,...,q，β_j ≥0，i=1,2,...,p 其中：ε 為模型之殘差項 _t

Ω_t₋₁為在t−1期時所有可利用資訊的集合

h 為_t Y 之條件變異數，受到前期 p 期誤差項平方與前 q 期條件變異數影 _t 響

α 、 β 為未知參數向量

四、因果關係檢定(Granger Causality Test)

依據Granger (1969)所定義之因果關係，若兩變數有因果關係存在時，若在自變數中加入過去資訊會增加應變數的解釋能力，則這個現象稱為自變數X 為 應變數Y 的因( X cause Y )，反之則應變數Y 為自變數 X 的因。若兩變數皆存在因果關係，則表示自變數X 與應變數Y 之間有回饋關係(feedback)。下列以兩變 數模型說明Granger 因果關係檢定之方程式：

t k

j

j t j k

i

i t i

t a X Y

Y ₁

1 1

ε β

α + +

+

=

∑ ∑

= −

= − (6)

t k

j

j t j k

i

i t i

t b Y X

X ₂

1 1

ε γ

δ + +

+

=

∑ ∑

= −

= − (7) 若檢定結果α 與_i δ 兩係數皆為零，則兩時間數列不存在因果關係。若_i α 與_i δ 其_i 中之一為零，則表示兩時間數列具有單向因果關係；若α 與_i δ 兩係數皆顯著不_i 為零，則表示兩時間數列互為因果關係，即有回饋關係(feedback)。

五、向量自我迴歸(VAR)

一般傳統實證經濟研究都是主要依據先驗理論基礎而建立計量模型，對應變數與自變數的決定以及經濟變數之間因果關係的正確設定是有某種程度上的困難，一旦設定錯誤可能導致完全無意義的結果。Sims (1980)認為根據先驗理論建立之模型，估計得到的實證結果並無法証明是由經濟變數的聯合過程(joint process)的特性，即無法確定是否表現真正資料的特性，因而提出向量自我迴歸模型(Vector Autoregression Model, VAR Model)。

(38)

VAR 模型不需要考慮變數之間因果關係，也不需要有先驗理論作為基礎，

在此模型內將各變數皆視為內生變數(endogenous variable)，以一組非單一迴歸方程式表現出各變數間互動關係，克服了內生變數與外生變數(exogenous variable)判定的疑慮。由於時間序列分析法認為變數之落後項涵蓋所有訊息，因此每一條迴歸皆以變數絡後項為解釋變數，但 VAR 模型處理衝擊項相關問題時，經由Cholesky 分解正交化過程是不特定的，完全由研究者的主觀決定變數的順序，不同的順序會導致不同的結果，此為 VAR 模型缺點。其 VAR 模型如下：

t m

i

i t i

t Y

Y =α +

∑

β +ε

= −

1

(8) 0

) ( _t = E µ

0 )

,

(µ_t µ_t′ =∑_µ ≠ E

0 ) , ( _t ′_s =

E µ µ ，t ≠s

其中，Y 為_t (n×1)向量的組成具有聯合共變異恆定(jointly covariance stationary) 的線性隨機過程(linearly stochastic process)

Y_t₋_i為Y 向量第 i 個落後項所組成的_t (n×1)向量

β 為_i (n×n)係數向量，視為一種傳導機能(propagation mechanism) ε 為結構干擾項 (structural disturbance) ，是_t (n×1) 的一期預測誤差 (fore-cast error)，可視為隨機衝擊項(innovations)

E(µ_t)=0為模型中每條迴歸式的誤差項之期望值為0

E(µ_t,µ_t′)=∑_µ ≠0為一對角化的共變數矩陣，其值不等於 0 表示聯立方程式間同期誤差向量彼此相關

E(µ_t,µ′_s)=0為每條迴歸式具有時間序列獨立之特性

VAR 模型所估計出來的迴歸係數在分析上不具經濟意義，因此 VAR 模型發展出三種應用模型，即為因果關係檢定(Granger Causality Test)、衝擊反應分析

(39)

(Impulse Response Analysis) 與預測誤差變異數分解 (Forecast Error Variance Decomposition)。

而 VAR 之最適落後期的選擇標準有： AIC 準則 (Akaike Information Criterion)、SC 準則(Schwartz Bayesian Criterion)以及 LR 準則(Likelihood Ratio Criterion)。Akaike（1969）認為可以由最小的 AIC 值來選取 VAR 的落後期，

其公式為：AIC =T×ln(SSE)+2U ，T 為樣本數， SSE 為誤差平方和，U 為參數估計數。Schwartz（1978）運用貝式（Bayesian）方法，推論出可以由最小的 SC 值來選取 VAR 的落後期，其公式為：SC =T×ln(SSE)+U×ln(T)，T 、SSE 及U 皆與 AIC 之變數定義相同。AIC 主要著重於不偏性，但是可能會產生高估落後期數的結果；而 SC 主要著重於效率性，對於較複雜的模型給予較高的處罰，這可能因此產生低估落後期數的結果。因此本研究之落後期當最小的 AIC 值與最小的 SC 值所選取的落後期數不同時，則採用蔡明勳(2001)文中建議用 LR 準則擇，利用二者迴歸模型的 LR 統計量進行概似比檢定（Likelihood Ratio Test）。反之若 AIC 值與 SC 值一致時，則採用其對應之落後期。

(一)衝擊反應分析(Impulse Response Analysis)

衝擊反應分析主要是研究 VAR 模型中，當某一變數受到外生變數的衝擊 (impulse)時，其他變數對此衝擊的動態反應情形。根據(8)式，一般 VAR 模型：

t m

i

i t i

t Y

Y =α +

∑

β +ε

= −

1

Sims(1980)指出將上式經由 Wold 分解定理以移動平均(Moving Average,MA)形式表示，即每一變數可以被表示為當期和各落後期隨機衝擊項之線性組合，過程如下：

t m

i t i

t Y

Y =α +

∑

β +ε

− −

1

t t

m

mL Y

L L L

I −β −β −β −...−β ) =α +ε ( ₁ ₂ ² ₃ ³

中 華 大 學 碩 士 論 文