過去對於台灣股市價量非線性關係的研究，都只停留在檢定出兩者之間存在雙向的非線性因果關係，本文則進一步嘗試以Filardo（1994）提出的變動切換機率馬可夫轉換模型（Time-Varying Transition Probability Markov-switching Model，TVTP）配適台灣的單一市場價量以及跨市場價價、量量、價量雙向互動之非線性結構。實證結果顯示，不論是上市或上櫃市場，以同市場成交金額為訊息變數所配適出的指數報酬模型，以及以另一市場的成交金額為訊息變數所配適出的成交金額模型，都具有相對較佳的解釋力。此外，我們也得到台灣股市的價量互動關係普遍存在同市場和跨市場的價領先量情形，也就是台灣投資人有明顯的追漲殺跌現象。

我國金融業歷經國內外多次金融風暴，風暴後的金融重建工作往往耗費極大的人力與社會資源，我們若能早日建構金融預警系統，藉由相關指標的變動趨勢來評估整體金融體質脆弱程度，期望建構出的金融預警系統可以在危機發生前發出警訊，使決策者得以及時採取適當防範措施，及早發現問題並提出因應對策，將可有效降低金融危機發生的機率或減輕其所造成的影響。 本研究歸納國際上對於金融危機及預警系統之重要研究後，選擇馬可夫轉換過程為主要理論基礎，考量台灣本身的特殊性，在變數選擇上，本研究共選擇三大類共22個解釋變數，分別為(1)總體經濟指標變數(2)資本帳指標變數(3)金融部門穩健度指標變數，輔以主成份分析法找出台灣金融市場特有指標變數後，利用兩個主成份因子套入馬可夫轉換過程，即可獲得每一個時間點下的危機推論機率。 本研究發生危機的推論機率結果和「台灣金融服務業聯合總會委託計畫-台灣金融危機領先指標之研究」比較，發現其預測能力準確程度頗為優異，在臨界機率為10%下，可以預測到全部的危機發生，唯領先期間略有差異。此外，使用者可以自行選擇不同的臨界機率，以反映對危機的趨避程度，也提供系統使用者操作上的彈性。

景氣循環一直是許多經濟學者企圖釐清的現象，長久以來各國採用各種貨幣與財政政策，試圖迴避景氣衰退，對於景氣循環轉折點的認定或預測並沒有單一解答，適逢近年來油價與金價一路飆漲，可能影響到景氣波動。因此本文探討杜拜原油價格是否與景氣波動有關，而國際黃金現貨成長率如何受到景氣波動影響，以Hamilton(1989)提出的馬可夫轉換模型，將兩資料區分為高與低成長狀態，對照國發會所公布的景氣收縮與擴張期間，發現原油價格在景氣收縮轉為擴張後會呈現高成長狀態，而黃金並無明顯現象，考慮到兩資料可能有結構改變情形，以Andrews(1993)提出的Quandt-Andrew結構改變檢定，找出結構改變轉折點，發現兩資料各有一個結構改變時點，相較於捕捉數個轉折點的馬可夫轉換模型，前者表現較為遜色，最後將資料以此結構改變時點分割並配飾分期馬可夫轉換模型，發現分期後的結果與一般的馬可夫轉換模型差異不大，而原油與黃金價格容易受到突發事件影響，故不適合用在認定景氣循環的轉折點。

馬可夫轉換模型是Hamilton(1989)所提出，他應用此模型的非線性特性研究美國的景氣循環。本文將此模型應用到財務領域當中，希望能從財務報表所揭露的某些訊息來掌握該公司在不同期間的報酬率變化，本文選用價值資產效果及公司規模效果，這兩各種效果對資產報酬率的解釋能力最為顯著，假使運用的得宜，模型的預測能力高，則投資者根據不同的資產特性轉換投資策略，長期間能獲得較佳的投資報酬率。同時，應用平滑過程使模型對狀態的認定更為精確，但在公司規模效果得到的成效明顯優於價值型資產效果，離群值的影響明顯對模型的推論造成嚴重的影響，最後，本文也就補救方法的可行性與否做為結論。

在全球企業自由化及國際化的過程，金融機構的併購行為也變成大眾關注的議題，本論文第一部份，以亞洲的金融業為樣本，並且考量金融風暴對金融業併購的影響，實證結果發現，本文的5個併購假說在大部份的情況下，都被支持，而且金融風暴發生，的確可能改變跨國購併決策和影響因素之間的關係。其中，訊息成本假說中的語言及宗教二個代理變數，在金融風暴之後，他們對跨國併購決策都有較大且較顯著的影響力。第二部份，我們先探討OECD國家併購行為是否存在共同波動特性，實證結果支持 OECD 國家的購併活動具有共同波動的特性；此外，由狀態存續機率估計值發現樣本國停留在特定購併狀態的持續期間相當長，表示只要這些國家一起處於購併高峰期，則此共同購併高峰期會持續一段期間。相反的，若沒有發生共同購併高峰期，則在下一個時點出現共同購併高峰期的可能性也不高。從另一個角度解釋，亦即 OECD 國家購併潮的共同波動行為具有「長幅擺盪」(long swing) 的特質。最後，我們進一步考量歐盟金融業的併購活動和國家經濟成長率及股價報酬率二個要素的關係。實證結果發現在併購高峰期之下，不論歐盟金融業是處於併購交易的主併方或是被併方，股價報酬率都對併購活動皆具有正向影響；然而，國家的經濟成長率則會隨著歐盟金融業所處的併購主體而改變。此外，歐盟金融業的併購的共同波浪潮行為也具有「長幅擺盪」的特質。

第一篇：貨幣政策對企業資金成本的影響：我國上市公司個體資料的實證分析 文獻上有關衡量貨幣政策效果的實證研究中，大部份均簡化地利用單一利率水準，如銀行放款利率等，來代表企業的資金成本，而忽略了企業因融資型態、產業別等的不同，所造成的外部融資貼水 (external finance premium) 的差異。這種簡化的作法，將無法反映貨幣政策效果的全貌。因此，本文特別考慮貨幣政策變動對於外部融資貼水的影響納入考慮，亦即利用我國上市公司的財務資料，將企業的融資組合、以及各種組合下的外部融資貼水納入貨幣政策效果的分析，以進行貨幣政策傳遞效果的研究。也就是說，在研究方法上，我們採取一個與傳統研究貨幣政策效果截然不同的研究方法，此法最主要的特色就是利用個體資料進行分析，亦即利用個別企業的資產負債表等財務資料，計算各企業的加權平均資金成本 (weighted average cost of capital, WACC) 來進行分析。在建立我國442家上市公司的資金成本資料庫，包括加權平均資金成本，以及個別資金成本(如銀行借款、普通股權益資金、以及公司債發行成本等)的資料，以及應用panel資料的估計法(包含固定效果法及隨機效果法等)進行分析後，我們的主要實證發現有：(1)貨幣政策仍能有效影響企業的資金成本；(2)貨幣政策對於企業資金成本的影響因景氣狀況而不同；(3)貨幣政策對於各種不同資金成本的影響程度不同；(4)傳統產業與高科技電子業的加權平均資金成本高低存在顯著差異；(5)個別資金成本的高低亦受到產業別的影響；(6)貨幣政策對於企業資金成本的影響效果，將因產業別的不同而有所差異。 第二篇：權衡性貨幣回饋法則：以台灣為例 文獻上常見的貨幣政策回饋法則多假設為線性，亦即假設法則中的權數為固定常數，這種假設可能因為過度簡化，而無法捕捉貨幣當局在面臨經濟情況發生重大改變時的權衡性反應模式。因此，本文建立一個允許權數變動的非線性貨幣回饋法則，在這個法則中，貨幣政策目標的權數由一個狀態變數 (state variable) 所主導而呈現隨機變動，此一狀態變數的設定與Hamilton (1989) 的設定相同，亦即狀態間的轉換遵循一階馬可夫鏈 (Markov chain)。利用此一Markov switching貨幣回饋法則，來估計台灣的中央銀行在1986年至1999年間的行為後發現，央行的決策行為的確曾經出現過非線性的情況， Bernanke and Mishkin (1992) 稱這種情況為，貨幣當局具有「危機意識」 (crisis mentality)─當某一貨幣目標有危機時，貨幣當局將提高該目標的重要性，亦即提高回饋法則中的權數。本文得到的兩個估計結果證實了這種現象：第一、物價回饋權數在「低物價」狀態(狀態一)絕對值較小，只有0.12，而在「高物價」狀態(狀態二)絕對值比較大，達15.52。由兩個狀態下物價回饋權數的差異可以得知，在沒有通貨膨脹壓力時，央行對於物價偏離目標時所採取的因應措施比較溫和；反之，當面臨通貨膨脹壓力時，央行會採取比較強烈的緊縮措施。第二、在某些樣本期間，特別是1986年2月至1986年10月、以及1991年8月至1992年5月，當新台幣對美元持續大幅升值期間，央行對於匯率的重視程度明顯提高，回饋法則中的匯率回饋權數絕對值由狀態一的0.07，上升為狀態二的36.95。 第三篇：台灣地區貨幣總計數之預測 貨幣總計數在我國中央銀行政策制定的過程中，扮演相當重要的角色，因此，在貨幣政策效果有時間落後的情況下，如何準確掌握未來的貨幣總計數走勢，並適時採取必要的措施，以達成貨幣成長目標，對於中央銀行而言是一項相當重要的工作。本文的主要目的即是建立三種貨幣總計數預測模型，即結構模型、季節性ARIMA模型、以及誤差修正模型，並利用1987年1月至1999年12月的月資料進行模型的參數估計與樣本外預測，而後並以 mean absolute percentage error (MAE%)， root mean squared percentage error (RMSE%) 、以及Theil 等三種指標，來評估各個模型預測能力的良窳。研究結果顯示，本文所建立的三種模型中，在預測 M2 方面，以季節性 ARIMA 的預測誤差最小；而在預測 M1B 方面，則以及誤差修正模型的預測績效最好；至於結構模型，雖然預測誤差為三種模型中最大者，但亦在可以接受的範圍之內。因此，本文所建立的三種模型，對於預測我國貨幣總計數的未來走勢，在實務上應具有若干參考價值。 第一篇：貨幣政策對企業資金成本的影響：我國上市公司個體資料的實證分析 摘 要 ………………………….............……….......... 1 1 前 言 …………………........................ ……… 2 2 我國企業融資型態的演變 …………………………........ 5 3 加權平均資金成本計算方式說明 ..................... 7 3.1 長期債務成本....................................... 8 3.2 普通股成本 ..................................... 9 3.2.1 固定成長率估價模式 ........................... 10 3.2.2 資本資產訂價模式 .............................. 11 3.2.3 計算權益成本時產生的問題 ..................... 13 3.2.4 另一種普通股權益成本的估算：本息比倒數或本益比倒數 14 3.3 保留盈餘成本 ................................... 15 3.4 加權平均資金成本的計算 ......................... 15 4 我國上市公司WACC之求算 ........................... 16 4.1 銀行借款成本的衡量 .............................. 17 4.2 發行公司債成本 .................................. 18 4.3 普通股權益成本的估計方法 ........................ 18 4.4 保留盈餘(或自有資金)成本 ........................ 19 4.5 WACC中權數的計算 ............................... 19 4.6 WACC的計算 ..................................... 20 5 實證模型的建立與估計 ............................. 21 5.1 模型建立 ........................................ 21 5.2 估計方法 ....................................... 25 5.3 Hausman檢定 .................................... 26 5.4 全部樣本的估計 ................................. 27 5.5 貨幣政策對不同資金成本的影響 ................... 31 5.6 產業別估計結果 ................................. 32 6 結 語 ........................................... 32 附 錄：資料來源說明 ................................ 36 參考文獻 ............................................ 38 第二篇：權衡性貨幣回饋法則：以台灣為例 摘 要 …………………………………….................... 69 1 前 言 .................................... ……….. 70 2 央行的貨幣政策操作工具與目標 …………………………... 74 3 Markov Switching 回饋法則的實證模型……………………. 77 3.1 Markov Switching 模型 ........................... 77 3.2 央行的貨幣回饋法則 .............................. 80 3.3 貨幣政策短期目標的設定........................... 83 3.4 央行的「危機意識」 .............................. 84 4 模型估計 ........................................... 85 5 結 論 ............................................ 92 附 錄：模型估計法 (estimation algorithm) ............. 94 參考文獻 ............................................. 96 第三篇：台灣地區貨幣總計數之預測 摘 要 ……………………........………..........…....... 98 1 前 言 ………………………………...................... 99 2 結構模型的建立與估計 ………………………….......... 101 2.1 貨幣數量的決定 ................................. 101 2.2 模型建立 ....................................... 102 2.3 模型估計........................................ 103 3 季節性ARIMA模型之估計……..…….................... 105 4 共整合與誤差修正模型之建立與估計 ................. 109 4.1 模型建立及單根檢定 ............................. 109 4.2 模型設定(錯誤)檢定 ............................. 110 4.2.1 落後期數的選擇 ............................. 111 4.2.2 ARCH檢定 .................................... 111 4.2.3 常態分配檢定 ............................... 111 4.3 共整合向量的檢定與估計 ........................ 113 4.4 誤差修正模型之估計 ............................ 114 5 模型預測績效之比較 ............................... 116 6 結 論 ........................................... 122 附 錄：資料說明 .................................... 124 參考文獻 ............................................ 125

由於隱含波動度具有前瞻性的特質，以往有許多學者探討隱含波動度與標的股價指數間的關聯性，但多利用線性模型。而本研究與其他文獻不同之處在於，本文利用馬可夫轉換模型分析隱含波動度VIX和VXN(VIX為S&P500指數的隱含波動度，而VXN為Nasdaq-100指數的隱含波動度)，馬可夫轉換模型為非線性模型，可捕捉不同區間轉換與不規則跳動，隱含波動度在特殊金融事件發生時會突然竄高，馬可夫轉換模型相對於一般線性模型更可捕捉此跳動，並將隱含波動度分為兩個區間。 　　經由多變量迴歸分析後，本研究也發現隱含波動度的變動以及技術指標的趨勢（偏離五天移動平均值）皆會影響標的股價指數的報酬，但隱含波動度變動對於股價指數報酬的影響高於技術指標，且不同區間存在不同現象。 / Implied volatility indices are forward-looking, and lots of researches discuss the relationship between the implied volatility and underlying stock market returns. Dif-ferent from other studies, we use Marcov switching model to examine the implied volatility indices: S&P 500 volatility index (VIX) and NASDAQ-100 volatility index (VXN), then we separately exploit the different regime behavior about the relationship between implied volatility change, technical indicators and stock market returns. As a result, S&P 500 index and NASDAQ-100 index respond in opposite direc-tions to positive and negative S&P 500 volatility index (VIX) and NASDAQ volatility index (VXN) changes, where technical indicators do not have that much influence on stock market returns. In addition, the impact of implied volatility change, technical indicators to stock market returns indeed depend on different regimes.

本篇論文使用SWARCH模型探討布蘭特原油期貨市場的波動性。SWARCH模型將條件變異設定為可隨時間變動而改變，甚至移轉到不同的區間上。實證結果顯示SWARCH (3,3)模型具有最佳配適度與最準確的預測能力。樣本在不同區間下的平滑機率的估計值有助於補捉資料特性，而且當樣本落在高波動率區間上時會對應著重大事件的發生，如1990年波斯灣戰爭、1997年亞洲金融風暴與2001年的911恐怖攻擊。 / This paper investigates the volatility of the Brent crude oil futures markets using Markov-switching ARCH (SWARCH) model. The SWARCH model allows the conditional disturbances to change as time passes and even to switch in different regimes. The empirical evidence shows that the SWARCH (3,3) model performs the best goodness of fit and the best forecast performance between different fitting models. The estimation of smoothing probabilities of data under different regimes facilitates to capture the characteristics of data, and the high-volatility regime is associated with the extraordinary events, such as the 1990’s Persian Gulf War, the 1997’s Asia Financial Crisis, and the 2001’s 911 terrorist attack.

Hamilton (1989)發展出馬可夫轉換模型(Markov-switching Model)，由於該模型允許母體參數在不同時期，具有間斷性跳動性質，且跳動次數並不限定為一，並利用馬可夫鏈(Markov chain)的機制來掌控狀態間切換，解決混合分配模型狀態跳動毫無規則的問題，將可適可掌握金融與經濟變數所面臨的結構改變，以及解決在計測風險值(valued at risk)過程中，所存在報酬分配的高峰厚尾問題。 本文非僅是嘗試另一種方法，而是我們在探討股市報酬波動與景氣循環變數行為後，推判它較能夠捕捉實際的報酬波動與景氣循環行為。我們除作過去文獻較未顧及的，系統性地分析各種潛在風險值計測方法所適用與不適用報酬率變異情境，並嘗試使用允許參數來自不同波動狀態，對傳統ARCH模型加以修正之SWARCH模型，希對股市報酬波動提供更佳的分析。在景氣循環探討，針對馬可夫轉換模型加以修正，掌握台灣與南韓經濟結構與美國及日本等國迥異的問題。此外，我們也回溯、討論各種處理財經變數結構問題之實證模型差異，分析馬可夫轉換模型相對優、劣點。

本研究旨在探討信用違約交換市場與個股選擇權市場兩者的連動關係。研究發現，對於CDS價差，隱含波動率較歷史波動率有較佳的解釋能力。過去有文獻指出，CDS價差存在很明顯的狀態變換(Regime Switching)行為，故將前述使用的迴歸模型加入馬可夫轉換模型(Markov Switching Models)。結果發現，CDS價差與兩種波動率衡量方法間，無論是在經濟涵義上或統計上皆存在顯著的關係。然而，由於本研究使用的樣本期間裡，CDS價差面臨前所未有的劇烈波動，相較以往的研究結果有所出入，顯示當市場處在波動度過度放大的情形下，隱含波動率與CDS價差的關係將有所改變。接著，採用混合迴歸探討股票市場、選擇權市場與CDS市場的領先落後關係。得到的結果顯示，無論是CDS價差變動、隱含波動率變動或股票報酬率，各自的落後項、其他兩者變動及落後項均對之有顯著的解釋能力。此外，觀察各市場的殘差項如何影響其他市場後續的變化再次證實，CDS和選擇權市場彼此具有解釋能力。最後，從未來實現波動率和波動風險溢酬作為CDS價差解釋變數的迴歸結果可知，未來實現波動率較歷史波動率作為解釋變數來得顯著，可見良好的波動率估計值和CDS價差具有密切的關係。