建立模型來估計匯率早已行之有年。較早期的匯率模型，不論是在樣本內的配適或是樣本外的預測，其實表現的並不理想。之後的研究針對這樣的結果指出，這是因為匯率的表現是非線性的，並非傳統線性模型可描繪出來。而對於捕捉匯率非線性的特性，傾向使用無母數的估計方式。因此，本研究採用最近鄰域法進行美元兌新台幣的匯率預測。另外，許多早期的研究發現，隨機漫步模型與其他模型相比較之後，在匯率預測上的表現最好，因而引發了”打敗隨機漫步”的一連串熱潮。本研究欲延續這項議題，將隨機漫步模型做為與最近鄰域模型比較的基準。 / 本研究使用的資料為即期匯率，包含日資料、週資料和月資料三種。將每種資料皆切割為樣本內與樣本外兩個部分，其中最後三分之一的樣本數用於樣本外預測。平均絕對誤差與平均誤差平方根則是用來衡量比較模型預測的準確性。實證結果發現，使用局部加權估計的最近鄰域模型在樣本內的配適表現上優於隨機漫步模型；然而，在樣本外的預測能力上，隨機漫步模型仍舊略勝一籌。 / A wide variety of empirical exchange rate models have been estimated over the years. Earlier findings indicated that exchange rate equations do not fit particularly well, and forecast no better. Later researches then provided a potential reason for the poor performance that traditional exchange rate models, because they are nonlinear. To find a resolution for nonlinearity, nonparametric techniques tend to be useful tools. In this study, we use one of nonparametric techniques called nearest-neighbors method to predict NTD against USD. Besides, many earlier papers found that forecasts from popular models for the foreign exchange rate generally fail to improve upon the random walk out-of-sample. “Beat the random walk” became an emerging issue then. This has motivated this research, and thus we include the random walk as a linear benchmark. / The data set consists of the daily, weekly and monthly spot rates for NTD/USD. We divide each data set into a fitting set and a prediction set for in-sample analysis and out-of-sample forecast, respectively. The out-of-sample forecasts are calculated from the last one-third of each series. As a measure of performance the mean squared error (MAE) and root mean squared error (RMSE) are used. In our empirical results, we find that nearest-neighbors model using local weights easily tops the random walk in-sample. However, as we turn to the out-of-sample prediction, no models produce forecasts superior to the random walk. It seems difficult to beat the random walk out-of-sample in this study.

本研究主要是探討台灣股票市場 79 至 81 年各分類指數的報酬率，以比 較各產業間報酬的多寡與風險的大小。並介紹投資組合的觀念以降低非系 統風險，而系統風險的部分可由單一指數模式估計。再以主成分分析法， 找出影響八個分類指數報酬率的主要成分，得到了第一個主成分做單一指 數模式的迴歸估計，以比較與加權指數為因變數的估計結果。最後探討這 三年來分類指數的報酬率，是否具有隨機性以及分類指數的行為。

「不要將所有的雞蛋放在同一籃子□」的多角化分散投資理論已廣為學者所接受，然 而，在投機性濃厚的台灣證券市場中，這一理論的適用價值有多大，則為本文所欲探 討的。 本文首先探討影響國內投票報酬變化因素有那些，股票間的共同性及共移性程度，建 立一指標模式以討論在多角化投資下，非系統風險可降低的程度。全文共一冊，約四 萬餘字，共分四章，其內容如下： 第一章介紹研究背景及研究架構，第二章探討相關理論，包括市場共同性及共移性； 投資組合理論，區別分析多變量統計方法及檢定市場為隨機漫步的理論和方法。第三 章作證券市場的實證分析，第四章分析、建議，第五章結語。

本文主要是研究浮動匯率期間匯率波動對出口產業的影響。一般認為，匯率波動匯會使出口廠商的利潤風險增加，所以波動對於出口量的影響是為負的效果。不過，由於許多國外的研究的結果並不一定支持這種看法。本文針對台灣1984到1995年的資料進行實證研究，並且分別就不同出口產業對匯率波動的反應程度做討論，包括紡織類，塑膠化學類，電子類，機械類及基本金屬類五種產業，主要分為兩個架構分析： 　　（一）衡量匯率波動因子：對於匯率波動的衡量分成兩種方法：一種是以過去匯率變動的方式來衡量，另一種是以本期匯率預測的誤差來衡量，大部份的文獻都是採用前者。在此，為了將廠商事先避險的行為引入，所以採用後者的方法，將預測到的波動與未預測到的波動分離開來。 　　（二）匯率波動對各產業出口量的影響：將所有符合I(1)性質的變數用Johansen的方法做長期共整合關析的估計，再利用Granger Representation Theorem導出短期誤差修正模型，並將符合I(0)性質的波動因子引入模型當中，以便觀察匯率波動對出口量的影響。結果發現，各產業的出口量皆與匯率波動間存在明顯的負相關，其中以電子產業的影響最顯著，紡織類次之，基本金屬類影響最小，根據產品的特性分析可發現：當出口競爭愈激烈者，或是出口彈性愈大者，相對來講，會對匯率波動的反應較敏感。

自1997年以降，受到亞洲金融風暴的衝擊，亞洲各國匯率巨幅波動，於是如何增進匯率預測的準確度已成為重要的研究課題。而自1973年布列敦森林體制崩潰，各工業國家改採浮動匯率以來，匯率巨幅波動致使國際收支理論不再能解釋匯率如何決定，於是1970年代，學者們紛紛提出各種匯率決定理論，其中以貨幣學派模型與資產組合平衡模型最受到重視。然而，自1978年始，這些結構模型的解釋能力逐漸受到質疑，在1983年Meese and Rogoff甚至提出結構模型的樣本外預測能力不如隨機漫步模型的樣本外預測表現，引起學者們的討論到底何者的樣本外預測表現較佳。而隨著計量方法的演進實證研究已由恆定的計量方法演進至非恆定的計量方法，在非恆定的計量方法方面，MacDonald and Taylor(1993、1994)、吳宜璋(1996)等人的研究皆採誤差修正模型來做預測。 本研究亦採誤差修正模型來做預測，但對其他學者的研究稍作改良：1.加入結構變動虛擬變數2.以向量誤差修正模型而非一條誤差修正的式子來做預測，在此以整個體系的觀點來做預測3.以背氏方法加入相驗情報來改善預測。 結論為在金融風暴發生期間，匯率受非基本面因素影響較大時，貝氏向量自迴歸模型預測表現較佳。而在金融風暴發生之前，匯率受基本面影響較小時，以貝氏向量誤差修正模型為良好的預測模型。 / This study improves other scholars' empirical studies by testing structure changes and by using Vector Error Correction Model to forecast N.T. Dollars. Futhermore,use Bayesian Method to improve predition .The conclusion is Bayesian VAR Model perform better when forecasting period include Asian finanl crisis . And Bayesian VECM Model is better model when forecasting period don't include Asian financial crisis.And the out of sample prediction performance of structure model is better than Random Walk Model.

學界間廣泛地認為一般金融資產報酬具有的特性是:線型不可預測性,條件 異質變異數,非條件尖峰態 ... 等特性o 固然金融資產報酬具有線型不可 預測之特性,可是並不能否決其間可能有非線型依存關係的存在o目前大部 份經濟計量分析方法中的模式建構問題均是在假設模式的結構訊息已知的 條件下求解,然若真實體系的結構訊息未知或不明朗時,貿然地假設為某種 特定的模式結構,則可能又難於避免模式設定錯誤的困擾,因而對於真實體 系行為的描述亦將可能是誤導且不合理的,這意味著:除非該特定的模式結 構正是真實體系的表徵, 否則無論該特定模式的結構特性多完美,均難以 建構一令人信服的數理化模式來表徵真實體系之行為o 不幸地,此一問題 在高度非線型的動態隨機體系中尤其嚴重, 甚至是否存在一 ``真實'' 模式來據以表徵體系之行為,亦是相當值得懷疑, 故考慮一種無需特定結 構訊息假設的無母數方法或函數逼近法實屬必要o 類神經網路中的倒傳遞 網路模式即是符合此種特性的方法之一o然而學界間仍無法確定的是金融 資產報酬序列資料所產生的 ARCH 效果本身是否為真實序列資料產生機制 特性之顯現, 還是應歸咎於被忽略掉條件均數方面之非線性所衍生模式設 定錯誤情況下的代用模式, 並不得而知;另一方面, ARCH 模式的顯著成就 及其價值亦不能予以輕易地漠視, 因此, 試圖將 ARCH 模式所能提供的攸 關訊息納入倒傳遞網路模式的考量之中而形成倒傳遞網路-自迴歸條件異 質變異數 (BPN-ARCH) 模式以增進樣本外預測能力的精度便是本論文最 主要的嘗試重點與目的o

本篇論文擴充Ang et al. (2007)之基本架構,分別建構台灣各式月資料與季資料的物價指數預測模型,並進行預測以及實證分析。我們用以衡量通貨膨脹率的指標為 CPI 年增率與核心CPI 年增率。我們比較貨幣模型、成本加成模型、6 種不同設定的菲力浦曲線模型、3 種期限結構模型、隨機漫步模型、 AO 模型、ARIMA 模型、VAR 模型、主計處(DGBAS)、中經院(CIER) 及台經院(TIER) 之預測。藉由此研究,我們可以完整評估出文獻上常用之各式月資料及季資料預測模型的優劣。 我們實證結果顯示,在月資料預測模型樣本外預測績效表現方面, ARIMA 模 型對 2 種通貨膨脹率指標的樣本外預測能力表現最好。至於季資料預測模型樣本外預測績效表現, ARIMA 模型對未來核心 CPI 年增率的樣本外預測能力表現最好; 然而,對於 CPI 年增率為預測目標的預測模型則不存在最佳的模型。此外,實證分析中我們也發現本研究所建構的模型預測表現仍遜於主計處的預測,但部份模型的樣本外預測能力表現則比中經院與台經院的預測為佳。 / This paper compares the forecasting performance of inflation in Taiwan. We conduct various inflation forecasting methods (models) for two inflation measures(CPI growth rate and core-CPI growth rate) by using monthly and quarterly data. Besides the models of Ang et al. (2007), we also consider some macroeconomic models for comparison. We compare some Monetary models, Mark-up models, six variants of Phillips curve models, three variants of term structure models, a Random walk model, an AO model, an ARIMA model, and a VAR model. We also compare the forecast ability of these model with three different survey forecasts (the DGBAS, CIER, and TIER surveys). We summarized our findings as follows. The best monthly forecasting model for both inflation measures is ARIMA model. For quarterly core-CPI inflation, ARIMA model is also the best model; however, when comparing the quarterly forecasts for CPI inflation, there does not exist the best one. Besides, we also found that the DGBAS survey outperforms all of our forecasting methods/models, but some of our forecasting models are better than the CIER and TIER surveys in terms of MAE.