本研究以美國對六國匯率為研究對象，首先利用R/S分析判斷資料型態，確定資料的可預測性後，便著手建立非線性的匯率預測模型－「移動模型」。接著利用資料固定與資料滾動兩種預測方法，比較其中差異，進一步分析移動模型的預測能力。

由於常可觀測到序列相關的匯率預測誤差，及加入落後變數於匯率計量模型之處理，故本文在匯率決定的模型加入學習的考量，嘗試以此解釋匯率預測誤差序列相關的現象。 文中以新台幣／美元匯率為研究標的，擇用民國八十年十一月遠期外匯市場再開放為學習事件，以貨幣學派的匯率決定模型，採貝氏理論為母數的更新，以具體化學習行為；並進一步討論能否以學習解釋新台幣／美元匯率預測誤差序列相關的現象。 由實証結果發現，遠匯市場再開放之學習於匯率預測誤差序列相關的解釋能力，除了受匯率預測模型是否已也含充分的落後期訊息外，對於不同的學習行為觀測期間，學習對匯率預測誤差的解釋能力也有相當不同的表現。

本研究觀察了1992年1月20日至2003年2月28日美元兌台幣的匯率資料，分成樣本內、樣本外兩部分進行預測，此外也收集了相同時間的日圓、英鎊、港幣兌台幣的資料做比較，用Takagi-Sugeno Fuzzy﹝朱修明，2001﹞模型和Cubist決策樹模型來預測匯率。 用Takagi-Sugeno Fuzzy模型預測匯率，具有非線性模型的準確性，也兼顧了線性模型之結果簡潔易懂的特質。在變數個數少的時候，就可以達到所要求的預測準確度，此時產生的預測規則容易瞭解，歸屬度函數也易於辨別，檢定過後可知和隨機漫步模型沒有差別。 使用Cubist決策樹模型時，若產生的規則等同於隨機漫步模型，則預測準確度和隨機漫步沒有差別。但若產生出來的規則不同於隨機漫步模型時，則匯率預測準確度明顯低於隨機漫步模型。

在匯率選擇權交易實務中，交易員不只要考慮到波動率（Volatility）、即期匯率、換匯點（Swap point），到期日、利率等。除此之外，還必須把波動率的微笑曲線（Smile Curve）的扭曲現象也考慮進去；在評價實務上我們稱這種扭曲現象為「風險反轉」（Risk Reversal）。Risk Reversal不僅數量化了預期心理的程度，同時也反映出市場需求的偏好狀況。 本研究希望達成以下幾項目的： 一、介紹及探討匯率選擇權實務上的Risk Reversal。 二、介紹台幣選擇權市場之發展與現況。 三、探討台幣匯率預測模型之相關文獻。 四、嘗試用日圓匯率，韓圜匯率，NDF，Risk Reversal等變數及ARIMA來建構一個預測台幣匯率的移轉函數模型（Transfer Function Model）。其結果如下式： D(TWD)=0.0002252430227+0.006647597961*D(JPY)+0.005759961592*D(KRW)+0.3298996275*D(NDF1M)+0.1127037329*D(RR1M)+[AR(1)=0.8075813542,MA(1)=-0.750473549,BACKCAST=4/03/2002] 在這個模型中，我們看到了不錯的解釋及預測能力。尤其，針對Risk Reversal的部份，本研究發現Risk Reversal在預測匯率的確有顯著的相關性。

本研究以新台幣兌美元之匯率日資料作為主要研究標的，同時加入台灣加權股價指數及金融業隔夜拆借利率之日資料作為股價與利率之代理變數，利用Beveridge-Nelson分解趨勢的方法將變數資料拆解成趨勢項與循環項之時間序列資料，藉此捕捉匯率資料具有景氣循環的特性。在循環項的序列資料，以向量自我迴歸模型來分析並予以估計，趨勢項的部分，利用共整合檢定來探討趨勢項變數間長期的均衡關係，再以向量誤差修正模型予以估計，得到未來30天期之匯率走勢。接著，再以RMSE與MAE指標來衡量不同模型之匯率預測績效，以期能找出最適之匯率預測模型。 實證研究結果發現，將匯率資料先透過Beveridge-Nelson分解趨勢的方法予以拆解後，再利用時間序列模型進行分析及預測，時間序列模型的預測能力都比原始匯率利用時間序列模型進行預測或透過ARIMA模型進行預測還要來的好。因此，根據實證研究的結果，若企業與政府在進行匯率預測的分析時，能夠考慮先將匯率資料透過Beveridge-Nelson分解方法予以處理，便能更有效提升模型的預測能力，除了企業能夠降低避險成本來提高公司整體績效，對於國家而言，有效的掌握匯率的趨勢便能夠迅速且正確的制定政策，提升國家的經濟發展。

在全球經貿體系自由化下，國際資金流通快速，匯率變動也非常頻繁，廠商的產銷決策與營運，面對匯率風險更加難以掌控。如何掌握匯率的變動，並採取有效的避險措施，是廠商從事貿易必須面臨之重要課題。本研究採用自我迴歸整合移動平均模式、倒傳遞類神經網路及混合式自我迴歸整合移動平均模式及倒傳遞類神經網路模型進行未來即期匯率報酬率之預測。試圖找出合適的新台幣兌美元即期匯率之預測模型，並將其應用於外匯避險操作。 研究結果顯示，關於預測誤差的績效表現，整體來說，以自我迴歸整合移動平均及倒傳遞類神經網路混合式模型表現最佳，顯示傳統時間序列模型捕捉匯率報酬率走勢之能力，藉由倒傳遞類神經網路捕捉其線性預測誤差中非線性的部分，可更符合資料的特性，加強匯率報酬率預測的準確性。考慮預測方向的正確性，在兩個不同的準則下(SR、PT)，皆以自我迴歸整合移動平均模型表現最差，代表其在進行匯率報酬率之預測時正確率較為不足。而在PT檢定當中，倒傳遞類神經網路模型及混合式模型皆達到顯著。因此利用人工智慧模型對報酬率之方向進行預測是有效的，又以自我迴歸整合移動平均及倒傳遞類神經網路混合式模型表現最好。總結來說，利用倒傳遞類神經網路模型針對自我迴歸整合移動平均模型做非線性的調整，同時涵蓋未來匯率報酬率線性與非線性的部分，使得自我迴歸整合移動平均模型之預測誤差、方向準確性皆得到改善，藉由倒傳遞類神經網路捕捉其線性預測誤差中非線性的部分，可更符合資料的特性，加強匯率報酬率預測的準確性。

本研究提出UIP、PPP、 MF、TR及TRa五種匯率預測模型，以新台幣兌美元即期匯率、遠期匯率進行避險準確率及避險成效的實證分析。資料期間為1996年12月到2012年10月的新台幣兌美元即期匯率月資料，資料來源為資料庫Datastream。 實證結果發現UIP、PPP、 MF、TR及TRa五種匯率預測模型比較分析中，若以相對購買力平價模型(PPP)進行選擇性避險，再搭配適當避險比率，其報酬率可能由負報酬轉為正報酬；避險績效衡量方面，以相對購買力平價模型搭配完全避險的績效最好。若以不對稱泰勒模型(TRa)進行選擇性避險，再搭配適當避險比率，報酬率明顯由負轉為正；衡量避險績效衡量方面，完全避險在風險降幅及下方動差避險績效衡量下，以不對稱泰勒模型搭配完全避險的績效最好。 / This study provides five exchange rate models to predict future exchange rate (UIP,PPP,MF,Taylor rule and asymmetric Taylor rule). We illustrate these methods by assessing the forecasting performance of five exchange rate models using monthly returns on TWD/US dollar exchange rate. The data are monthly exchange rates ranging from December 1996 to October 2012, using spot and one-month forward exchange rates form Datastream. We find that empirical models based on purchase power parity (PPP) and the asymmetric Taylor rule(TRa) outperform the other models in out-of-sample forecasting using the appropriate hedging ratio. Comparing the hedging performance between PPP and models, we find that the hedging performance by the PPP will get the higher return. However, the hedging performance by the will get the lower volatility.