近年來，國際經濟發展相當快速，倫敦金屬交易所(LME)的銅價由2008年12月平均每噸3,071美元，上漲至2013年11月每噸7,066.4美元，成長了超過一倍以上，銅在工業上被廣泛應用，是不可或缺的重要原料，在西元1877年時，最早出現的銅期貨契約是在倫敦期貨交易所(LME)交易，銅也是LME最早進行交易的商品之一，LME其成交量也最大，成為國際貿易上交易熱絡的商品之一。 由於銅的生產集中於少數廠商，任何影響到主要產國或銅礦公司正常運作的消息，都可能使得銅價變動，而美國即是生產銅的重要國家之一。美國自2008年因次貸風暴引發金融危機，聯準會(Fed)便開始採取各種措施穩定金融秩序與提供市場流動性，其中最受關注的做法就是量化寬鬆(Quantity Easing; QE)的貨幣政策，而這項政策是否與銅價的變化具有關聯性，即是本研究的目的，而研究結果如下： 一、上海期貨交易所(SHFE)與倫敦金屬交易所(LME)公告之銅價皆會受前一期 數值影響； 二、趨勢調整後上海期貨交易所(SHFE)公告之銅價的指數平滑模型之預測力相 對較好； 三、在美國量化寬鬆貨幣政策第一輪及第二輪實施期間，釋出資金規模對銅價呈 正向關係； 四、在美國量化寬鬆貨幣政策第三輪實施期間，釋出資金規模對銅價呈負向影響 關係；

2009年至2011年，倫敦金屬交易所(LME)銅價出現大幅上升行情，LME銅價自3,260美元/噸，於2011年一月達到9,532美元/噸，漲幅92%，銅價逐漸上揚，隨著世界經濟的復甦，全球銅市場再度擁有上揚的推力，創下歷史的新高，且有挑戰更高價格的趨勢。 目前銅箔基層板為印刷電路板之基礎材料，被廣泛運用在民生家電、電腦、通訊、醫療、軍事用途。而所需要使用的銅原料都必須仰賴進口，因而企業在面臨強大的競爭壓力下，要如何避免銅價的波動所帶來的威脅，就成為企業重要的課題之一。目前國內尚未有對於銅價避險之研究，本研究將透過避險策略，以提供給企業對於銅原料成本管理擬定避險策略之參考。 本研究以LME銅價以及上海期貨交易所(SHEF)銅價作為資料分析的基礎。利用ARIMA模型判斷LME及SHEF銅價最適合之模型，研究結果顯示LME銅價為ARIMA(4,1,4)，SHEF銅價為(2,1,2)，在以LME銅價預測模型及避險策略判斷何時適用哪種避險方法，實證結果顯示： 1. 若預測未來趨勢為盤整階段，適用Collar、Leveraged TARN Swap、Leveraged Range Swap及Leveraged Knockout Forward。 2. 若預測未來趨勢為小跌，適用Fixed Swap、Extendible Fixed Swap、Leveraged TARN Swap、Leveraged Range Swap及Leveraged Knockout Forward。 3. 若預測未來趨勢為大跌，適用Fixed Swap及Extendible Fixed Swap。

銅價在近年來不斷的創下歷史新高，由於台灣蓬勃的電子、半導體、工具機產業皆需要銅，因此銅進口量位居全球第五(ICSG,2009)，使得台灣企業的生產成本受國際銅價的波動影響甚鉅，全球有70%的銅價是按照英國倫敦金屬交易所(London Metal Exchange, LME)的牌價進行貿易，因此本研究欲建置預測模式以預測銅價未來趨勢。 　　本研究之資料來源為2003年1月2日至2011年7月14日的LME三月期銅價，並依文獻探討選取LME的銅庫存、三月期鋁價、三月期鉛價、三月期鎳價、三月期鋅價、三月期錫價，以及金價、銀價、石油價格、美國生產者物價指數、美國消費者物價指數、聯邦資金利率作為影響因素的分析資料。時間序列分析、類神經網路已被廣泛的用於預測股市及期貨，本研究先藉由向量自我迴歸模型篩選出有影響力的變數，同時建置GARCH時間序列預測模型與具有遞迴的Elman類神經網路預測模型，再整合兩者建置GARCH-Elman類神經網路預測模型。 本研究之向量自我迴歸模型顯示銅價與金、鋁、銅庫存前第1期；自身前第2期；鎳、錫前第3期；鋅前第4期的變動有負向的影響；受到石油前第2期的變動有正向的影響，這其中以銅的自我解釋變異最高，銅庫存最低，推測其影響已有效率地反映到銅價上。也驗證預測模型必須考量總體經濟變數，且變數先經向量自我迴歸模型的篩選能因減少雜訊而提升類神經網路的預測能力。依此建置的GARCH模型有33.81%的累積報酬率、Elman類神經網路38.11%、整合兩者的GARCH-Elman類神經網路56.46%，皆優於實際銅價指數的累積報酬率。對銅有需求的企業者，能更為準確的預測漲跌趨勢，依此判斷如何跟原物料供應商簽訂合約的價格與期間，使其免於價格趨勢的誤判而提高生產成本，並提出五點建議供未來研究者參考。 / The recent copper price in London Metal Exchange (LME) has breaking the historical high. Taiwan’s booming electronics, semiconductor and machine tool industry causing copper import volume ranked fifth in the world (ICSG, 2009). Because of 70% of copper worldwide trade in accordance with the price of the London Metal Exchange, this study using time series and neural networks to build the LME copper price forecast model. 　　This study considering copper, copper stocks, aluminum, lead, nickel, zinc, tin, gold, silver, oil ,federal funds rate, CPI and PPI during the period of 2003/1/2 to 2011/7/14. Time series model and neural networks have been widely used for forecasting the stock market and futures. In this study, using Vector Autoregressive (VAR) model screened influential variables, building GARCH model and Elman neural network to forecast the LME copper price; and further, integrating this two models to build GARCH-Elman neural network prediction model. 　　This study’s VAR models show that the copper has negative effect with gold, aluminum, copper stocks, nickel, tin, zinc and itself. And has positive impact with oil prices. The highest of explained variance is copper. Copper stocks are lowest, speculating that its impact has been efficiently reflecting on the price of copper. Verifying the prediction model must consider the macroeconomics variables. Using VAR model screened influential variables can reduce noise to enhance the predictive ability of the neural network. This study’s GARCH model has 33.81% of the cumulative rate of return, Elman neural network has 38.11% and the GARCH-Elman neural network has 56.46%. All of them are better than the actual price of copper.