匯率引導股價或股價引導匯率

匯率引導股價或股價引導匯率?

跨國的實證研究

陳仕偉*

大葉大學財務金融學系

陳姿君

東海大學經濟學系

摘要

本文旨在探討匯率與股價的長短期因果關係。我們以十二個OECD 國家為研究對象，採用Pesaran et al. (2001) 提出的邊界共整合檢定法檢驗長期均衡關係，輔以Johansen (1988) 及 Gregory and Hansen (1996) 的結果作為另ㄧ個參考依據。在因果關係的實證方法上，除傳統的線性因果關係檢定，另採用Hiemstra and Jones (1994) 非線性因果檢定與 Diks and Panchenko (2006) 修正後非線性因果關係檢定，萃取真實互動關係。實證結果顯示，義大利、法國、英國、波蘭、土耳其、韓國與捷克等七國存在共整合關係；線性因果關係檢定部份，美國、加拿大、德國、義大利、英國與土耳其存在股價引導匯率的單向線性關係，捷克顯示匯率引導股價的單向線性因果關係，而日本、法國、波蘭與匈牙利的兩變數互不相關，韓國則是存在線性雙向關係；進一步觀察非線性因果關係，發現美國、加拿大、日本、義大利、法國、英國、韓國與匈牙利皆檢定出存在反饋的非線性因果關係，德國與捷克為匯率對股價存在單向非線性因果關係，而波蘭與土耳其則為股價對匯率具非線性影響。由此證實匯率與股價相關性的經濟理論，得以適切的闡釋真實情況，並突顯在面對高頻的財金總體資料，線性模型往往無法補捉到非線性的特性。

關鍵詞：匯率，股價，共整合，因果關係

分類代號：C32， F31， G1

1. 前言

世界各國金融市場自1980年代陸續解除管制，配合全球市場的急速整合，資本流動與跨國投資活動更形熱絡，致使資產市場波動敏感，同時也帶動跨市場的相關性提高。股票市場與外匯市場無疑是一國經濟的兩大指標，股票市場的興盛可投影出景氣之榮衰，而股價的走勢不僅影響投資大眾獲利的變化，更重要的是隱匿在其中的訊息。匯率在總體經濟與政府政策下則扮演極重要之一環，在布列敦森林體系瓦解後，各國逐步轉採浮動匯率制度，一國貨幣之走強與疲弱，顯示了一國的競爭力，也增加外匯市場的風險，影響資產配置的決策。因應全球經濟環境的走勢，股匯市的連結關係也更加緊密。

匯率與股價的連動關係，其議題的重要性由金融危機即可窺知一二，震撼全球的亞洲金融風暴，即是導火於泰銖貶值，潰擊各國股票市場，重挫股價。而隨全球金融市場的自由化與高度整合的趨勢，難保相同事件不會有重演之虞，若能進一步確知匯率與股價之互動關係，將有助於預測衝擊事件將發生之態勢，利用政策工具降低傷害。亞洲金融風暴點明了此研究主題的必要，除在學界為之關注外，對投資者、企業主與政府而言，也能提供決策方向。更明確地來說，若匯率引導股價變動，在面對股市有崩盤危機或波動幅度過大時，政府可基於匯率易為操作的特性，穩定股票市場，而投資者也能藉由匯率的變動預測股價漲跌，進以避險或增加投資機會。反之，若股價引導匯率變動，則對進出口廠商而言，即可視股價變化預知匯率變化，應用其它金融衍生商品避險，降低風險暴露程度。總而言之，了解兩者之互動關係，皆有助於投資大眾與政府進一步預測市場變動，做出有利決策。

匯率引導股價？還是股價引導匯率？或是兩者具反饋關係？一般來說可由以下三個經濟觀點切入解釋，分別為：(1)個體與總體；(2)存量與流量；(3)傳統方法與資產組合方法，透由這些論點，股價與匯率的影響途徑更具體化的呈現。簡單的來說，匯率變動影響一國之競爭力，改變實質產出與收入，進而影響股價，又或是投資大眾預期幣值變動而調整資產組合，引發股價的波動；至於股價的變動亦有可能影響財富與外資流動，導致幣值變化。縱使理論明確的告訴我們兩變數間存在關聯性，然而經濟理論或假說若不經實證結果支持，豈不流於空泛，故本文試圖以實證資料進行檢定，驗證理論之適用性。

股匯市相關性探討最早可回溯至 Franck and Young (1972) 探討匯率的改變如何影響股價，其結果並未發現任何關聯性，這是此議題的濫觴。後續研究股價與匯率的實證研究不在少數，惟過去擺脫不了計量方法上的桎梏，多以線性因果關係為限，例如 Aggarwal (1981)；Bahmani-Oskooe and Sohrabian (1992)；Soenen and Henniger (1988)；Ajayi and Mougoue (1996)； Morley and Pentecost (2000)；Nieh and Lee (2001)；Ratanapakorn and Sharma (2007) 等，皆以先進國家為對象，惟某些探討細節或使用計量方法不同而有所見長。但近年來新興市場表現著實亮眼，加以資本管制放鬆以及逐步走向浮動匯率制度，上市櫃公司的匯率風險增加，資產市場波動較為劇烈，學者轉向新興國家作為研究標的，如 Abdalla and Murinde (1997)；Baharumshah, Masih and Azali (2002)；Wongbangpo and Sharma (2002)；Muhammad and Rasheed (2002)；Kim (2003)；Doong, Yang and Wang (2005)；Phylaktis and Ravazzolo (2005)，亦多採用傳統計量方法檢視不同新興國家之股匯市相關性。不過自亞洲金融風暴發生後，也引起學者的高度關切，如 Granger, Hung and Yang (2000)；Hatemi-J and Roca (2005)；Pan, Fok and Liu (2006) 與 Lee and Yoon (2007) 即利用線性模型重新檢驗在這次風暴中受創之國家。而近年在實證文獻的發展，考量變數選取或經濟結構轉換等的細節問題，衍生出更多元化的相關研究，如 Wu (2001)；Morley and Pentecost (2002)；Vygodina (2006) 與 Dogan and Yalcin (2007)，但以上文獻對於計量方法皆跳脫不出線性模型的藩籬。

然而市場面對突發的政經事件，卻不全然為線性一貫模式，若仍以線性模型刻劃，無疑是駝鳥埋沙，有幸計量方法在非線性因果關係的突破，才讓非線性研究有了新契機。過去文獻在實證上多因計量方法的侷限而止步於線性因果關係，然 Brock, Hsieh, and Lebaron (1991) 證實股票報酬的確存在非線性動態關係，而諸如匯率此種總體高頻變數一般也認為可能存在非線性模式，此特性是線性模型所不能補捉，有鑑於此，配合非線性模式的研究與計量方法發展，希冀能真確地萃取出非線性訊息，基於上述理由，引發本文研究之動機。

回顧以往文獻研究之對象，由早期的先進國家轉向新興國家，但我們對經濟發展條件不同是否會導致實證結果不同有所存疑。惟 Ajayi, Friedman and Mehadian (1998) 同時以六個先進國家與八個新興國家進行研究比較，我們即延續此想法，選擇經濟合作暨發展組織 (Organization for Economic Co-operation and Development，簡稱OECD) 國家為主要研究對象，並區分為先進國家與新興國家進行討論。本文選擇 OECD 國家為觀察對象，此舉是希望達到以下目的：第一，應用近來發展出新的共整合與非線性計量方法，重新檢視過去實證結果。第二，以往研究新興國家多鎖定亞洲地區，相關研究已趨飽和，遂轉以其他新興國家為對象進行理論之佐證。第三，可同時綜觀各國股價與匯率之連動關係，亦可對照先進國家與新興國家結果的差異性，進一步釐清其因。

本文旨在探討 OECD 各國股價和匯率的長短期連動關係，檢視各國結果是否支持經濟理論，更重要的是提供投資大眾與政府可用的資訊。由於本文研究變數的整合階次，均有違傳統共整合檢定需相同階次的基本要求，因此以往慣用 Engle and Granger (1987) 或 Johansen and Juselius (1990) 的共整合分析無法檢定長期均衡關係，我們改而採用 Pesaran et al. (2001) 所提出的邊界檢定法進行檢定。其次，在因果關係方面，過去文獻在實證上多無擴及至非線性的研究範圍，但倘若存在非線性調整特性，則單以線性模型補捉因果關係，明顯有其缺失，故嘗試先以 Brock et al. (1996) 所提出的 BDS 檢定法，檢定殘差項是否仍殘留線性模型無法解釋的非線性訊息，再利用 Hiemstra and Jones (1994，以下行文以HJ 稱之) 的非線性因果關係檢定方法進行檢定，然而 HJ 非線性檢定在某些特殊條件下才能成立，故本文為避免錯誤推論，同時採用Diks and Panchenko (2006，以下行文將以 DP 表示) 提出修正後的非線性因果關係檢定方法進行實證分析，以期能更精確的補捉股價與匯率的非線性因果關係。

本文共分為五節，第一節為前言，說明研究動機與探討之目的；第二節為理論基礎的探討，介紹股匯市導引方向之相關理論；第三節則介紹本文所採用的實證方法；第四節為實證結果；第五節則為結論與建議。

2. 理論回顧

針對外匯市場與股票市場的因果關係，可由不同的角度切入探討。若以個體理論基礎解釋，其匯率的變動會影響本國和跨國性企業的資產組合價值。對跨國企業來說，匯率波動將直接影響該企業資產與負債價值，其損失和利得會直接反映在企業股價上；另一方面，國內企業在面對匯率變動時，會根據廠商進出口特性不同，而增加或降低其成本與競爭力，間接的影響股價。但依循總體理論架構來說，匯率波動對股價的衝擊反應，是取決於貿易依存度以及貿易不平衡程度。因此，無論從個體或總體觀點來看，匯率對股價皆具決定性因素。此外，股價影響匯率走勢，亦有其理論支持。綜觀之，匯率與股價存在三種可能關係: (1) 匯率導引股價 (exchange rate-led stock price, ELS)； (2) 股價引導匯率 (stock price-led exchange rate, SLE)； (3) 反饋效果 (feedback)。

1. 匯率導引股價理論

欲剖析匯率對股價造成影響的可能管道，可著眼於匯率決定理論，一般來說，可區分為流量導向分析 (flow-oriented approach) 及存量分析法 (stock-oriented approach) 。傳統流量導向分析，也就是熟知的商品市場分析法 (goods market approach)，其理論核心在於經常帳與貿易收支平衡，即匯率由外匯供需所決定，影響外匯供需的經濟變數主要來自流量，如商品進出口或國民所得等變數。故從流量分析架構來看，匯率變動影響一國在國際市場的競爭力及貿易平衡，進而改變實質收入和產出，透由此路徑影響股價變動。例如，當本國幣貶值，本國出口品因價格相對便宜，在國際市場上更具競爭力，出口活動更形熱絡，導致實質收入增加，股價上揚，此時匯率導引股價且呈正相關。另一方面，假設本國廠商使用大量的進口生產投入要素，當本國幣貶值，生產成本提高導致利潤降低，股價下跌，此時匯率引導股價但呈現負相關。

存量導向分析，將資本市場的開放考慮其中，投資者可選擇保有本國或外國資產，故發展出存量導向分析的匯率決定理論。 Branson and Henderson (1985) 由存量觀點所衍生的投資組合平衡模型 (Portfolio balance approach)，可應用於探討外匯市場和股票市場的相關性上。資產組合平衡模型，視匯率水準為平衡各種資產市場供需之重要因子，亦即資本帳在匯率動態決定下扮演重要角色；這是由於金融資產價格取決於未來現金流量現值，是故預期幣值變動，投資者根據資產的相對報酬率和風險，調整資產組合。例如，本國幣貶值，投資者會減少本國股票持有，而將資金轉移至國際報酬相對較高的資產上，引發股價的調整。

2. 股價導引匯率理論

當全球資本市場日趨整合後，國際資本移動頻繁，即有主張股匯市連動關係之理論應運而生。投資組合分析法 (portfolio approach) 即應用此觀點，認為本國股價上揚帶動財富成長，增加本國貨幣需求，利率上升後吸引外資流入，外國對本幣需求增加，致使本國幣升值。另一方面，在此經濟根基下，股價上揚會鼓動投資者欲持有更多本國股票，同時賣出外國資產以獲取本國幣，購買新的股票，本國幣因而升值。因此，透由不同路徑，仍可得到股價導引匯率且呈負相關的相同結果。

3. 反饋效果

反饋效果意指兩變數具雙向因果關係，假設外匯市場和股票市場的連動關係是透由上述途徑同時運作，則兩個市場具反饋效果。

3. 實證方法

在本節裡，將簡要的說明本文所採用之實證方法，包括邊界共整合檢定、非線性因果關係檢定。由於單根、共整合與線性因果關係之定義與常用檢定方法已為大家所熟知，故本文將選擇性地針對主要採用方法進行說明。關於文中未推導說明之定義與實證方法，有興趣的讀者可參閱 Hamilton (1994) 的專書。

3.1 邊界共整合檢定

傳統共整合檢定方法，包括 Engle and Granger (1987) 的殘差基礎檢定法 (residual-based test) 與 Johansen (1988) 多變量概似比檢定，在進行推論之前的提假設條件需考慮變數間整合級次相同，若模型中同時存在 I(0) 與 I(1) 變數，則會使推論結果產生偏誤，為解決此計量方法上的困處，Pesaran et al. (2001) 發展出共整合檢定方法，是由邊界檢定法 (bounds test) 之自我迴歸遞延模型 (autoregressive distribution lag model，簡寫為 ARDL ) 出發，其優點如下：(i) 不需考慮變數的整合級次。意指變數無需具齊次階次，無論變數皆為定態或非定態，抑或定態、非定態序列同時存在，不影響其結果。(ii) 改善資料為小樣本之下檢定力低弱問題。(iii) 可明確區別兩變數間何為相依變數，何為獨立變數。

Pesaran et al. (2001) 的邊界檢定是在其模型中放予不受限制之前期誤差修正因子，可藉由誤差修正項與自我落遲項分析長短期關係，此方法本質上為 Johansen (1988, 1990, 1994) 五個誤差修正 VAR 模型之延伸，並依截距項與受限條件存在與否提出五個不同模型。一般來說，較廣泛被應用的是為截距項不受限且無趨勢項之模型，以下即以其為例做一簡要說明。假設在經濟體系中存在 x 與 y 兩個變數，且由之前資訊無法得知彼此之間的因果關係，因此可分別將 x 與 y 兩個變數作為被解釋變數列出下列兩條方程式，分別為：

å

å

=

-

-

-

=

-

+

+

+

D

+

D

+

=

D

n

j

yt

t

y

t

y

j

t

j

n

i

i

t

i

y

t

x

y

x

y

y

0

1

2

1

1

1

1

1

m

q

q

g

b

a

(1)

å

å

=

-

-

-

=

-

+

+

+

D

+

D

+

=

D

n

j

xt

t

x

t

x

j

t

j

n

i

i

t

i

x

t

y

x

x

x

x

0

1

2

1

1

2

1

2

m

q

q

g

b

a

(2)

其虛無假設為變數間不存在共整合關係，即：

0

,

0

:

2

1

0

=

=

y

y

H

q

q

0

,

0

:

2

1

1

¹

¹

y

y

H

q

q

or

0

,

0

2

1

=

¹

y

y

q

q

or

0

,

0

2

1

=

=

y

y

q

q

在此以 F 統計值作為判定的基礎，然而， F 統計值為非標準分配，其分配主要會受以下因素影響：(i)在自我迴歸遞延分配模型下，變數為 I(0) 或 I(1)； (ii) 解釋變數的數量；(iii) ARDL 模型是否包含截距項或時間趨勢項；(iv) 樣本數的多寡。因此,在檢定的過程中，虛無假設為不存在長期均衡關係，若以方程式 (1) 而言，即是

0

:

2

1

0

=

=

y

y

H

q

q

，其 F 檢定統計量以

)

(

x

y

F

y

表示之。同理，若以方程式(2)而言，則為

0

:

2

1

0

=

=

x

x

H

q

q

，其 F 檢定統計量

)

(

y

x

F

x

表示之。根據 Pesaran et al. (2001) 所述，使用 F 檢定作為判斷共整合的方法，會有兩組臨界值，其中一組，假設所有存在於 ARDL 模型中的變數為 I(1)，另一組則是假設所有存在於 ARDL 模型中的變數為 I(0)。若聯合檢定的 F 統計量高於上界臨界值 (upper critical bound)，表示顯著拒絕虛無假設，意指變數間存在長期均衡關係，反之，若 F 值低於下界臨界值 (lower critical bound)，則表示統計量不顯著，則無法拒絕共整合的虛無假設，但若 F 值恰巧落入兩界限之內，則無法做出判別。進一步而言，若

)

(

x

y

F

y

高於上界臨界值，但是

)

(

y

x

F

x

卻低於下界臨界值，表示只存在單向的長期穩定關係。在此關係中，變數 y 為被解釋變數，變數 x 則為解釋變數。因此，以此方法進行檢定時，除了可判斷變數間是否存在共整合關係外，也可判斷變數間的因果關係。

步驟二，在確定有長期關係下，估計長期關係的參數，以及短期關係下的動態誤差修正模型 (dynamic error correction model, ECM)。假設拒絕 H0 長期參數不為零，即確定變數間具有長期關係，則進行步驟二。首先要確定 ARDL 模型下的落後期數，本文採用 Akaike Information Criterion (AIC) 做為選取最適落後期數的依據。其次，本文模型估計採用一般最小平方法。

3.2 Gregory and Hansen 結構改變下的共整合檢定

在使用傳統的共整合檢定法時很容易忽略時間序列發生的結構改變的問題，因此， Gregory and Hansen (1996) 提出內生化結構改變共整合模型(residual-based cointegration test with structural break)，藉此改善傳統共整合檢定的不足。Gregory and Hansen (1996) 的結構改變共整合模型，首先，假設有一觀察資料

)

,

(

2

1

t

t

t

y

y

y

=

，

t

y

1

為實質數值

t

y

2

為 m 階向量變數，則可建立一組傳統共整合檢定且無結構性改變模型，理論模型如下：

t

t

T

t

e

y

y

+

+

=

2

1

a

m

t =1,2,…..,n (3)

假若 (3) 式可以捕捉到長期均衡關係，則截距項(μ)和斜率項(α)是不會隨時間而有所改變，但在其他研究指出，共整合現象在維持一段相當長期間後，會轉變成一個新的長期均衡關係。因此，結構改變將會使截距項和斜率項受到影響而發生結構改變。在建構結構改變模型前，必須先設定模型的虛擬變數，虛擬變數定義如下：

[

]

[

]

î

í

ì

>

£

=

t

t

j

t

n

t

1

n

t

0

若

若

t

EMBED Equation.3

其中，未知參數

)

1

,

0

(

Î

t

定義為結構改變點，[ . ] 代表取整數部份。結構改變可以有各種形式，以下分三種模型討論，依序如下：

模型 1 ：僅有截距項的結構改變 (level shift, C)

t

t

T

t

t

e

y

y

+

+

+

=

2

2

1

1

a

j

m

m

t

t = 1,2,……,n (4)

模型 2 ：有截距項與時間趨勢項的結構改變 (level shift with trend, C/T)

t

t

T

t

t

e

y

t

y

+

+

+

+

=

2

2

1

1

a

b

j

m

m

t

t = 1,2,……,n (5)

模型 3 ：有截距項與斜率項的結構改變 (regime shift, C/S)

t

t

t

T

t

T

t

t

e

y

y

y

+

+

+

+

=

t

t

j

a

a

j

m

m

2

2

2

1

2

1

1

t =1,2,...,n 6)

在共整合關係中， (4) 式僅有截距項發生結構性改變，意指截距項會改變而斜率係數為固定的共整合模型，這隱含著均衡方程式將會有平行移動的改變。其中，參數

1

m

代表發生結構性改變之前的截距項，

2

m

代表發生結構性改變後的截距項，然而，我們也可以將時間趨勢加入模型 1，因此，(5) 式模型 2 就是加入時間趨勢項的概念，(6) 式模型 3 表示截距項與斜率向量皆發生結構改變，在此模型中，

1

m

和

2

m

同模型 1 的定義，

1

a

為斜率改變前的共整合斜率係數，

2

a

為斜率改變後的共整合斜率係數。

Gregory and Hansen (1996) 考慮有發生結構性改變的共整合模型，並對於每個

t

進行估計且產生殘差

t

t

e

ˆ

，藉由這些殘差可計算一階序列相關係數。欲求得 Phillips (1987) 檢定統計量，需得到修正後的一階相關係數 (bias-corrected first-order serial correlation coefficient)，依此可將 Phillips 檢定統計量以下式呈現：

)

1

ˆ

(

)

(

*

-

=

t

a

r

t

n

Z

t

t

t

r

t

s

n

Z

ˆ

/

)

1

ˆ

(

)

(

*

-

=

,

å

-

=

=

1

1

2

2

2

ˆ

/

ˆ

ˆ

n

t

t

e

S

t

t

t

s

最後為 ADF 統計量,是由

t

t

e

ˆ

D

對

t

1

ˆ

-

D

t

e

和 K 個落後項

t

t

k

t

t

e

e

-

-

D

D

ˆ

,.....

ˆ

1

計算而得，對於

t

1

ˆ

-

t

e

的迴歸係數，其 t 統計量定義為：

)

ˆ

(

)

(

1

t

t

-

=

t

e

tstat

ADF

上式的檢定統計量是針對共整合迴歸且無截距項與斜率項的結構改變所使的，然而，我們關注的檢定統計量是上式統計量的最小值，其中

T

Î

t

，因此，我們以最小的

a

Z

、

t

Z

檢定統計量和 ADF 檢定統計量為進行判定，依序如下：

)

(

inf

*

t

a

a

Z

Z

=

)

(

inf

*

t

t

t

Z

Z

=

)

(

inf

*

t

ADF

ADF

=

3.3非線性因果關係檢定

Baek釋傳統線性因果關係檢定所無法揭示的非線性因果關係。HJ (1994)利用空間相依 (spatial dependence)和相關積分(correlation-integral)的概念，發展出檢定非線性因果關係的方法，而且檢定統計量仍然符合標準常態分配如下所示：

)

1

,

0

(

~

/

)

,

,

(

)

,

,

(

)

,

,

,

(

)

,

,

,

(

2

4

3

2

1

N

n

e

L

C

n

e

L

m

C

n

e

L

L

C

n

e

L

L

m

C

n

x

x

y

x

y

x

s

ú

ú

û

ù

ê

ê

ë

é

+

-

+

DP (2005)指出 HJ (1994) 的檢定方法並不完善。因為在 HJ 的檢定方法中得出非線性 Granger 因果關係結果時，並不代表真的有非線性因果關係存在，而可能是有被過度拒絕 (over rejection) 的狀況，他們並且證明只有在某些特殊條件成立下，HJ 的檢定方法才能真正地檢定非線性因果關係，DP (2006, 頁 1656, 定理一) 的檢定統計量為：

)

1

,

0

(

~

)

)

(

(

N

S

q

T

n

n

n

n

-

e

詳細的推導及符號意義請參考 HJ (1994) 及 DP (2006)，在此不再贅述。

4 實證結果

4.1 資料來源與基本統計特性

本文以十二個 OECD 國家為主要研究對象進行跨國實證研究，區分成先進國家與新興國家兩個群組，分別為美國、加拿大、德國、日本、義大利、法國、英國以及波蘭、土耳其、韓國、捷克、匈牙利。在變數選取原則上，將焦點著重在匯率與股價相關性探討，故只採實質有效匯率與加權股價指數作為本研究的兩個變數，而未納入其他變數。資料來源部份皆擷取自 OECD 統計資料庫，並且變數均以西元 2000 年為基期進行平減加權計算。資料頻率為月資料，各國實質有效匯率及股價指數之來源可參考 OECD 統計資料庫檢索。此外，為盡可能保留資訊期間長度，各國資料所取期間並不一致，其起迄時間如下:美國、加拿大、德國、日本、義大利、法國、英國皆自 1974 年 1 月至 2007 年 9 月；波蘭為 1993 年 1 月至 2007 年 9 月；土耳其為 1986 年 1 月至 2007 年 9 月；韓國為1981年1月至2007年9月；捷克為 1994 年 1 月至 2007 年 9 月；匈牙利為 1993 年 1 月至 2007 年 9 月；各國變數基本資料圖如圖一所示。

各國匯率成長率與股價報酬率之基本統計量整理於表一。首先比較匯率成長率之期望值，皆不大於 1%，其中又以捷克的 0.3% 為最大值；而股價報酬率之期望值，最大值與最小值分別為土耳其的 4.2% 與日本、義大利、捷克的 0.4%。其次，比較匯率成長率之標準差，最大值與最小值分別為土耳其的 0.039 與德國、法國的 0.009；至於股價報酬率之標準差，則以土耳其的 0.162 為最大值，美國的 0.035 為最小值。再從超額峰態統計量來看，各國變數之超額峰態值均大於 0，為高峽峰分配。此外， Jarque-Bera 統計量主要在檢測其序列是否為常態分配，除了加拿大的匯率資料，其餘皆在 10% 顯著水準下拒絕常態分配的虛無假設。至於在自我相關檢定方面，我們採用 Ljung-Box Q 統計量，在 10% 顯著水準下，僅加拿大股價報酬率與德國股價報酬率之檢定統計量不顯著，為不存在自我相關，其餘國家皆顯著存在自我相關現象。最後，對各國匯率成長率與股價報酬率進行 ARCH 效果檢定，在匯率成長率方面，美國、德國、波蘭、捷克與匈牙利五國，不具 ARCH 效果，而股價報酬率方面，加拿大、土耳其與匈牙利三國不存在 ARCH 效果。

4.2 單根檢定結果

有鑑於以往文獻指出總體變數大多存在非恆定的特性，若忽略此特性而貿然進行實證分析，將導致虛假迴歸的問題產生。為避免此疏失發生，故在進行實證分析前，我們分別以 Augmented Dickey-Fuller (ADF, 1979)， Schmidt and Phillips (SP, 1992)， Kwiatkowski et al. (KPSS, 1992)， Elliot， Rothenberg and Stock (ERS, 1996) 與 Zivot and Andrews (ZA, 1992) 單根檢定對所選取之變數進行恆定與否的判定，其檢定結果彙整於表二及表三。

以下五種單根檢定法皆以 10% 顯著水準做為判斷準則。首先在 ADF 單根檢定部份，依據不同模型設定而採用

m

t

及

t

t

兩種統計量進行檢定，其虛無假設為存在單根；就

m

t

來看，僅法國與土耳其的匯率變數，顯著拒絕虛無假設，表示為恆定序列，而其餘國家的匯率與股價指數則無法拒絕虛無假設，亦即變數為非恆定狀態。若以

t

t

來看，法國、波蘭、土耳其、捷克的匯率變數，顯著拒絕單根存在，而其餘國家的匯率與股價指數則接受存在單根的虛無假設。在 SP 單根檢定方面，所有國家均無法拒絕虛無假設，意指各國變數皆為 I(1) 數列。為補強在設定虛無與對立假設而造成的誤差問題，我們以 KPSS 方法進行檢測，虛無假設為不存在單根，結果顯示所有國家兩變數皆顯著拒絕虛無假設，表示變數為非恆定狀態。除此之外，依據 ERS 單根檢定結果，在不存在時間趨勢情況下，除了義大利與法國的匯率資料為恆定，其他變數為存在單根現象；而存在時間趨勢的情況下，唯捷克的匯率資料是恆定序列。最後，考慮結構改變問題，採用 ZA 單根檢定，其中除了義大利、土耳其與捷克的匯率資料顯示為結構改變的趨勢恆定數列，其餘變數皆為非恆定且不具結構改變之序列。依據以上不同的檢定方法，結果雖有些許差異，但大體上而言，各國間變數多存在單根特性，即各變數為非恆定序列。

隨之將原始資料進行差分處理，再行檢定。由表三結果可看出，根據 ADF 單根檢定、SP 單根檢定、ERS 單根檢定，各國匯率與股價指數均在 10% 顯著水準下拒絕單根存在之虛無假設，惟有在 KPSS 檢定下，加拿大的匯率與捷克的股價指數仍顯著存在非恆定現象。總的來說，可確定大部份的變數為一階整合級次之序列。

4.3 共整合分析檢定結果

自 Engle and Granger (1987) 提出共整合理論以來，文獻上多採用 Granger 兩階段分析法與 Johansen 共整合檢定法進行實證分析，但傳統共整合檢定若面臨序列不具備變數整合階次相同的條件時，所檢定出的結果可能會產生偏誤。Pesaran et al. (2001) 所提出的邊界共整合檢定法能夠突破此困境，不僅解決傳統共整合方法的限制，另一方面也可明確鑑別出變數間獨立與相依關係。而在前一小節的單根檢定中，縱使多數結果顯示選取之變數為 I(1) 序列，但其中仍有少數國家的兩個變數不具齊次整合階次，或不存在單根特性，故本文首要採用 ARDL 進行共整合檢定。

進行共整合檢定前，需先行選取最適遞延期數，基於樣本特性與有效檢定力原則下，我們以 BIC 決策準則為選取依據。接著，即可運用邊界共整合檢定，依循 Pesaran et al. (2001) 所提出的五種模型，同時考慮無時間趨勢項與有時間趨勢項的兩種可能模型進行檢定，其檢定結果與最適遞延期數整理於表 4。表中，

)

|

(

X

Y

F

代表以 Y 為被解釋變數，X 為解釋變數下估計條件誤差修正模型所得之 F 檢定統計量，並以 Pesaran et al. (2001) 所模擬出上下界臨界值為判斷標準，就無時間趨勢項模型而言，在 5% 顯著水準下，其下界臨界值 I(0) 為 4.94，上界臨界值 I(1) 則為 5.73。以法國為例，

301

.

6

)

|

(

=

SP

EX

F

說明以匯率為被解釋變數，股價為解釋變數的情況下，檢定統計量大於上界臨界值 5.73，而

155

.

0

)

|

(

=

EX

SP

F

則顯示以股價為被解釋變數，匯率為解釋變數的情形下，檢定統計量小於下界臨界值 4.94，這表示法國在匯率與股價之間可找到一組共整合關係，並且可明確指出匯率為獨立變數，股價為相依變數；應用此理，可發現土耳其與法國存在相同結論；此外，當英國以股價為被解釋變數，匯率為解釋變數時， F 統計量 6.958 高於上界臨界值 5.73，反之以股價為被解釋變數，匯率為解釋變數時， F 統計量小於下界臨界值 4.94，表示英國在匯率與股價之間也可找到一組共整合關係，且以股價為獨立變數，匯率為相依變數。除此之外，從另一角度觀察，其餘各國無論以哪一變數為被解釋變數所得之統計量，均小於下界臨界值，而未落入無法判別區間 (4.94, 5.73)，意即共整合關係不存在之結論是明確的。綜合以上資訊，可推得在無時間趨勢模型下，檢定出法國、英國與土耳其存在長期均衡關係。

反觀有時間趨勢項模型的情況，在 5% 顯著水準下，其下界臨界值 I(0) 為 6.56 ，上界臨界值 I(1) 則為 7.30 。檢定結果顯示，僅土耳其在以匯率為被解釋變數，股價為解釋變數時，檢定出具共整合關係，而匈牙利以匯率為被解釋變數時，因 F 值落入上下界限內 (6.56,7.30)，故無法判定，另外其它國家的檢定統計量因其小於下界臨界值，認定為不存在共整合關係。從結果論來看，無時間趨勢項模型可補捉到三國具長期均衡關係，而有時間趨勢項模型僅能補捉到一國，說明在本文中，使用無時間趨勢模型相對於有時間趨勢模型，較能明確掌握長期關係之訊息，因此，我們採用無時間趨勢模型之邊界檢定進行後續估計。

其次，本文也採用 Johansen 共整合方法進行頑強性檢定 (robustness)，作為另一個參考依據，其結果整理於表 5。我們依據最大特性根檢定與軌跡檢定兩種統計量，判斷變數間存在之長期均衡關係，實證結果發現，無論是最大特性根檢定或軌跡檢定統計量，在 5% 顯著水準下，僅英國拒絕虛無假設，意即只有英國的匯率與股價存在共整合關係。

先對以上兩種檢定結果進行對照，ARDL 邊界檢定相較於 Johansen 共整合方法所能檢定出的國家為多，其結果呼應傳統檢定法在面對變數不為齊次階次序列時，傳統共整合方法較 ARDL 檢定力偏低一說，也驗證在處理這類序列資料時，以 ARDL 檢定法較能明確補捉長期關係。

ARDL 邊界共整合檢定與 Johansen 共整合方法在虛無假設上皆設定為不存在共整合，對立假設則存在共整合關係，因此忽略結構性改變可能造成的影響，有鑑於金融環境日益變遷與改革，為求結果之周延，本文另以 Gregory and Hansen (1996) 所提出的內生化結構改變共整合模型進行檢定。Gregory and Hansen 共整合檢定依結構改變之型式不同，分別建構三種模型， C 代表僅截距項發生結構改變， C/T 表示截距項發生改變且含時間趨勢項，而 C/S 則代表截距項與時間趨勢項同時發生結構改變，依據三種模型又可分別計算出三個檢定統計量，Gregory and Hansen 結構改變共整合之檢定結果彙整於表五。實證結果發現，在 5% 顯著水準下，義大利、法國、波蘭、土耳其、韓國與捷克，或依不同的模型顯著拒絕無共整合關係的虛無假設，意同接受存在結構改變的共整合現象。檢視 ARDL 檢定法與 Gregory and Hansen 檢定法在實證結果上的差異，雖有不同，但因為兩種檢定法背後所設立之對立假設不同，故兩者結果並不衝突。

4.4 線性 Granger 因果關係檢定結果

由於共整合關係存在與否將決定模型選擇，根據前一小節的共整合檢定，顯示 ARDL 檢定法與 Gregory and Hansen 檢定法所檢定出的結果不盡相同，故在模型的選擇與最適遞延期數也會有所差異，然短期因果關係是否會因此而有所差別，亦是本節待觀察的要點之一。本研究之做法，是將 ARDL 方法定為研究主軸，輔以 Gregory and Hansen 檢定法對照，視其短期因果關係有何異同，其檢定結果整理於表七。

首先，在 ARDL 共整合檢定部份，依據前一小節的檢定結果，發現法國、英國與土耳其存在共整合關係，故針對此三國之序列資料建立誤差修正模型，其餘國家則使用傳統 VAR 模型進行分析。就長期因果關係來看，在 10% 顯著水準下，法國與土耳其檢定出股價對匯率之單向線性長期關係，而英國則是檢定出匯率影響股價之單向線性長期關係，此即呼應 ARDL 檢定結果。在短期關係部份，在 10% 顯著水準下，僅捷克顯示匯率引導股價的負向線性因果關係，美國、加拿大、德國、義大利、英國、土耳其等六國則呈現股價引導匯率的單向線性因果關係，其中美國、加拿大、英國與土耳其四國，當股價變動時將對匯率產生正向影響，而德國與義大利則是具反向變動關係；至於日本、法國、波蘭與匈牙利的兩變數為獨立情況；反觀韓國則是存在線性雙向關係，更進一步地說明，若股價變動將負向影響匯率波動，反之，若匯率變動則對股價造成正向影響。

針對 Gregory and Hansen 檢定中補捉到結構改變共整合之國家，依前述原則重新設定模型，再次進行因果關係檢定。就長期均衡關係而言，在 10% 顯著水準下，檢定出義大利、法國與土耳其三國為股價影響匯率，而波蘭、韓國與捷克均顯著為匯率影響股價；而就短期來說，在 10% 顯著水準下，發現韓國與捷克為匯率引導股價，義大利、土耳其、韓國為股價引導匯率，法國、波蘭則顯示匯率與股價呈現獨立情況。

即便是因為 ARDL 檢定法與 Gregory and Hansen 檢定法所檢測出共整合的國家不同，影響兩者在續行因果關係研究時，選擇配適的模型與遞延期數不同，但最終兩者在短期因果關係所檢定出的結論相同。更清楚地說明，此實證結果透露日本、法國、波蘭與匈牙利無法經由股匯市中某一市場的歷史資訊，預測另一市場的變動，而股匯市相關性的理論也不適合套用在此四個國家；但對多數國家來說，如美國、加拿大、德國、義大利、英國與土耳其，股價的歷史訊息確實是可用來預測匯率的波動，也切合投資組合分析法所推演的結論；反觀捷克則支持匯率引導股價之說，當匯率變動時即可預知股價會隨之波動；另外韓國的實證結果則反映出當地匯率與股價的連動關係存在反饋效果。

4.5 非線性 Granger 因果關係檢定結果

在探討金融市場與資本市場相關問題時，多著重在線性關係的探討，但許多高頻的變數，如本文所研究之匯率與股價，往往存在非線性行為，使得傳統線性分析有所侷限，故若僅以線性因果關係進行分析，可能漏失非線性因果關係存在的真實情況。基於以上考量，我們採用 Beak and Brock (1992) 提出的 BDS 統計量檢定以線性模型配適後的殘差是否拒絕「獨立且均一分配」的虛無假設；若虛無假設被拒絕，則表示可能存在非線性的動態模式，此即線性模型無法揭露出的訊息。各國線性模型的殘差 BDS 檢定結果分列於表 8。

由表 8 可觀察到，在選定不同的記憶維度 (

6

,...,

2

=

m

) 下，大多數的國家經由原始模型配適，在去除線性解釋能力後所得之殘差，皆傾向拒絕虛無假設，意即存在非線性的性質；其中，僅匈牙利以股價為被解釋變數時，在所選定之記憶維度內無法拒絕虛無假設，但由於無法排除高維度空間存在非線性的可能，是故仍依非線性因果關係的程序進行檢定。

確定各國存在非線性動態模式後，我們嘗試以 Hiemstra and Jones (1994) 非線性檢定 與 Diks and Panchenko (2006) 兩種方法進行非線性因果關係檢定，企圖檢驗匯率與股價之間是否存在非線性動態關係。由於 Diks and Panchenko (2006) 之檢定法為修正 Hiemstra and Jones (1994) 的方法，其檢定力亦高於 HJ 檢定，故若兩種方法檢定出的結果不一致，以 DP 檢定法為取信依據，其非線性因果關係檢定結果彙整於表 9 至表 20。

首先以 HJ 檢定進行分析，在前置作業上，需先行決定領先期數 (m)、遞延期數 (

y

x

L

L

,

) 與尺度參數 (e)，由於過去文獻並無提供制式選取方式，因此依循 Hiemstra and Jones (1994) 的設定方法，將領先期數設為 1，遞延期數

y

x

L

L

=

選定為 1 ~8，而尺度參數 e 設定為 1.5

s

，

1

=

s

。 各國的HJ檢定結果可視表 9 至表 20 上方。HJ 檢定的結果顯示，在 10% 的顯著水準下，日本、英國、土耳其、韓國、捷克發現匯率對股價存在單向非線性因果關係，而義大利與匈牙利則顯示股價對於匯率具非線性因果關係，至於其他國家，包括美國、加拿大、德國、法國、波蘭，同樣在 10% 顯著水準下，對於無論是股價對匯率，抑或是匯率對股價無非線性因果關係的虛無假設，皆無法顯著拒絕，即此五國在 HJ 檢定中顯示未存在非線性因果關係。

由表 9 至表 20 下方可另行觀察各國 DP 檢定結果，在遞延期數方面仍選定

8

,...,

1

=

=

y

x

L

L

，至於寬度 (bandwidth) 分別設定為 0.5， 1.0 與 1.5，試圖在不同的維度空間中捕捉非線性因果關係，故只要給定某寬度與遞延期數之下顯著存在非線性因果關係，即便只有一期，在無法排除其關係可能存在的考量下，仍視為存在非線性關係。其檢定結果發現，在 10% 顯著水準之下，德國與捷克為匯率對股價存在單向非線性因果關係， 但波蘭與土耳其則反之，為股價對匯率具非線性影響，然而對多數國家而言，包含美國、加拿大、日本、義大利、法國、英國、韓國與匈牙利，在 10% 顯著水準下，皆檢定出存在反饋的非線性因果關係。

綜合線性與非線性的檢定結果，統整於表 21。由表中可清楚看出，絕大多數國家若原來無法以線性模型解釋其因果關係，在非線性因果關係檢定中都可找到存在之證據；若本來就得到具線性因果關係結論的情況下，也可在模型中找到非線性的關係。其中，惟德國是較為迥異之例，在線性關係中，發現股價可預測匯率，但非線性的同向預測能力卻不存在，此一結果並不衝突，我們推測是由於德國以線性模型即可完全萃取股價引導匯率之訊息，所殘留之非線性特性並無剩餘可支持非線性因果關係。基於此結果，明顯的證實非線性效果的存在往往為傳統線性模型所忽略，所以當我們在面對高頻的財金或總體資料，應適切的輔以非線性模型，補捉隱藏在線性模型下的資訊。

另一方面，由表 21 所整理出的因果關係結果，將之區分為先進七國與新興五國來綜合討論。不同於 Ajayi， Freidman and Mehadian (1998) 僅探討線性因果關係，本研究擴及至非線性因果關係，但無論是線性或非線性因果關係的實證結論，都與 Ajayi， Freidman and Mehadian (1998) 一文類同。先進七國的短期因果關係具高度一致性，在線性方面，大多得到股價影響匯率之結論，而非線性關係則多存在反饋關係。據此結果，本文推論是由於先進國家之金融市場高度自由化，當股價發生變動時，策動投資者調整國內外資產組合，而這種國際資本的自由流動，造就匯率的變動；從另一觀點來看，先進國家兩變數互動關係達一致，隱含市場具高度整合特徵，從金融整合的意涵來看，即國際間不存在投資障礙，各國的資產價格對共同訊息變動有所反應，這項特徵恰呼應金融市場高度自由化之闡述；此外，先進國家的經濟基本盤穩健，當股票市場看好時，帶動利率上升，進而吸引外資流入，透由貨幣需求影響匯率變化。再者，先進七國在全球貿易上具舉足輕重地位，由匯率決定理論可窺知匯率影響股價之效果是符合預期，值得注意的是，匯率對股價所造成的影響是不對稱性，這可能是因為廠商或投資人在匯市面對外來衝擊時，會做出最適反應，並不是死板的線性行為，而是理性的做出決策回應，導致市場回應效果不對稱。相較於先進國家，新興國家的實證結果顯得較分岐，我們大膽推測是由於新興國家之經濟結構不同，對貿易倚賴程度也有所差異，抑或金融市場開放程度有諸多限制，受政府管制與市場安定性外在環境影響等等，致使新興國家兩個市場的結果有所岐異，從另一角度解釋，本文所研究之樣本新興國家，其金融市場整合度不高，不過從結果論來看，這些新興國家仍可透過市場的歷史資訊預測另一市場的非線性變動。

4.6 與過去文獻比較

過去文獻在實證分析股匯市相關性時，多以向量自我迴歸模型進行共整合檢定與 Granger 因果關係檢定，或依其本身所著重的議題，而調整變數的設定或修正其檢定方法等等，然而歷來所發表之相關文獻車載斗量，至今仍不見一致定論，當然過去文獻亦多指出各國經濟體制或結構不同，或是其他外在因素，都可能為其導因。本小節希望以相同研究對象為基準，視其本文實證結果與過去文獻是否有差異，進而分析其因。為方便對照起見，本研究實證整理結果可視表 21，不再詳述 。

本文與過去文獻明顯區別之處，在於採行股價與匯率因果關係的實證方法。在檢定共整合關係方面，如 Nieh and Lee (2001) 即以 G7 為觀察對象，使用日資料進行 Engle and Granger (1987) 與 Johansen (1988) 傳統共整合檢定與因果關係檢定，發現長期之下七國皆不存在長期均衡，另在短期方面，各國股匯市的因果關係存在但不一致。不同於此文獻，本研究考量 ARDL 邊界共整合檢定的優點，以其取代傳統共整合檢定，而且在資料期間的選擇，期望以較長的資料期間，增加實證結果的可信賴度，另一方面，我們捨棄高頻的日資料而改用月資料，是為分析期間較長，可避免突發的政經事件影響；據此，兩者實證結果不同仍在可理解的範圍內。

其次， Nieh and Yau (2006) 以日圓兌台幣匯率，分別探討台灣與日本的股匯市交互關係，並以 GH 結構改變共整合方法檢定檢測長期關係，發現日本不存在長期均衡，這與本文所得結論契合，然而在短期關係方面，則是支持匯率影響股價的說法，在此也給予一思考方向，在短期關係方面兩者結論不同，是否導因於匯率換算的對象不同仍有待觀察。Doong， Yang and Wang (2005) 利用印尼、韓國、馬來西亞、泰國、台灣與菲律賓等亞洲新興六國，探討股價與匯率的動態關係，結果均呈現不存在長期均衡，就短期而言，韓國則具雙向因果關係。 Abdalla and Murinda (1997 ) 針對亞洲新興市場四國，包含韓國在內，應用傳統共整合與因果關係檢定長短期關係，結果指出韓國不具長期均衡關係，而短期呈現匯率引領股價。以上兩篇文獻，韓國的長期關係結論均迥異於本文，可能肇因於使用的共整合檢定方法，當我們進行 ARDL 邊界檢定時，與前二者同為無法測定出長期均衡存在，惟本文改以 GH 檢定法考慮結構改變下，才找出共整合存在。

Ajayi， Friedman and Mehadian (1997) 以六個歐美先進國家與八個亞洲新興國家為研究對象，同時以兩種資料頻率進行實證分析，結果發現先進國家的結果具高度一致性，由股市領先匯市，但新興國家結果卻紛歧。此篇文獻走向與本研究雷同，其中最大相異點為所觀察之新興國家對象不同，但實證結果卻契合，推測即便是所研究的新興國家地域組織不同，但其資產市場特色在於報酬波動大，市場開放程度有限，或是政府介入管制等，致使股匯市連動關係受其影響，是故得到相同結論倒也合乎邏輯；除此之外，有別於 Ajayi， Friedman and Mehadian (1997) 僅討論線性因果關係存在，本文亦放寬研究範圍至非線性，並證實採用非線性模型更能真實補捉其因果關係訊息。

股價與匯率的因果關係，在實證結果上多能支持其連動性存在，但因果關係結論卻甚為紛雜，以上論述僅比較研究對象相同國家之文獻，更遑論各國家在經濟結構不同或市場條件不同下，所得結論之歧異度。除了研究對象本身的經濟條件外，所採用的計量方法與模型設定不同，或是變數定義不同等等，都為造成文獻實證結論有所出入的因素。總合來說，本文之實證結果與其他文獻不同可歸因於：(1) 計量方法不同 : 有別於傳統共整合檢定，採用檢定力較高的 ARDL 邊界共整合方法與 GH 結構改變共整合，也考慮文獻上少為討論之非線性模式；(2) 選取期間較長：試圖拉長觀察期間以捕獲連動性，增加可信度；(3) 變數定義不同：主要在匯率的選擇上，可區分為名目匯率或實質有效匯率，或是匯率換算的國家不同所致。

5. 結論與建議

外匯市場與股票市場對於總體經濟脈動扮演重要角色，隨全球資本市場高度整合之際，股匯市資產價格相關性之議題吸引學者關注，對投資者與政策制定者來說，若能提供此類的資訊也有助於作出最適決策。過去匯率與股價因果關係的實證結果，甚為紛歧，而文獻的發展可約略區分為兩個方向，其一類為單純觀察一國或多國兩變數的因果關係，另一類則以相同主題做細節延伸，對迄今仍不見一致結論的原因做更詳盡的討論，而後期發展的文獻多屬此類，惟這些研究多採用傳統計量方法進行分析，以及侷限在線性範圍，鮮少涉及至非線性行為的討論。有鑑於此，我們嘗試運用近來發展出的邊界共整合檢定與非線性因果關係檢定，進行跨國性的分析比較。

本文針對股價與匯率之月資料，透過單根檢定、共整合檢定分析、Granger 線性與非線性因果關係進行檢定，藉由 OECD 各國實證結果，檢視是否與股價引導匯率或匯率引導股價之理論相契合。各國股價與匯率經單根檢定後發現或為恆定或為非恆定，若使用傳統共整合檢定，可能無法提供一有力的實證結果，故本文採用 Pesaran et al. (2001) 所提出的邊界共整合檢定，克服序列資料不為齊次階次的問題，提高檢定力，並為檢定其頑強性為目的，另行 Johansen 檢定對照之；此外，考量結構改變問題，佐以 Gregory and Hansen (1996) 共整合方法進行分析。綜合三種檢定結果，發現義大利、法國、英國、波蘭、土耳其、韓國與捷克等七國存在共整合關係。在因果關係的實證方法，除線性 Granger 因果關係檢定外，尚運用 Hiemstra and Jones (1994) 及 Diks and Panchenko (2006) 的非線性因果關係檢定。因果關係檢定結果指出，美國、加拿大、德國、義大利、英國與土耳其存在股價引導匯率的單向線性關係，捷克顯示匯率引導股價的單向線性因果關係，而日本、法國、波蘭與匈牙利的兩變數互不相關，韓國則是存在線性雙向關係；進一步觀察非線性因果關係，發現美國、加拿大、日本、義大利、法國、英國、韓國與匈牙利皆檢定出存在反饋的非線性因果關係，德國與日本為匯率對股價存在單向非線性因果關係，而波蘭與土耳其則為股價對匯率具非線性影響。

將線性與非線性所得之結果做一統整，可由表 21 觀察到以下特點：第一，多數國家顯示在線性模型中原來無法補捉到的因果關係，藉由非線性檢定即可補捉到此訊息，證明在面對高頻的財金總體資料，以非線性模型刻劃較為適切。第二，無論以線性角度或非線性角度出發，實證結果多能支持經濟理論，提供投資者或政府對經濟環境變動做有效預測，調整資產配置降低風險及有效率地操作政策工具。第三，比較先進國家與新興國家之實證結果，發現無論是線性或非線性，先進國家具高度一致性，然而新興國家實證結果卻顯得分歧，從中透露先進國家的市場整合度高，而新興國家可能受限於經濟結構、政府管制等諸多因素，致使股價與匯率的連動關係因地而異。

本文還有許多地方尚待改進，或是更進一步的細項探討。例如變數間的因果關係可能會因為股價上漲、下跌或匯率升值、貶值的情況不同而有不同的影響，形成不對稱性效果，或是採用更為高頻的日資料檢視因果關係是否較為顯著；而由於本文綜觀而論股價與匯率的連動關係，無法對資料期間處理較為精細，或許面對曾遭受金融危機或經濟結構重大改變的國家，資料期間可區分為事件前後探討其差異性。此外，股價一般是以代表性平均股價作為變數選取依據，而若依產業或各股特性不同，是否會影響實證結果，亦是一個可擴充的議題。再者，隨全球市場日益緊密，投資觸角與貿易活動範圍延伸，單純以匯率及股價進行研究可能有所不足，若能投以其他相關市場影響因子，或重要經濟因素，再加以本文採行之方法進行研究，是否會產生不同結果？以上之例，仍有待後續研究者深入探究。

參考文獻

Abdalla, I. S. A. and V. Murinde (1997), Exchange Rate and Stock Price Interaction is Emerging Financial Markets: Evidence on India, Korea, Pakistan, and Phillips, Applied Financial Economics, 7, 25-35.

Aggarwal, R. (1981), Exchange Rates and Stock Prices: A Study of The U.S. Capital Markets under Floating Exchange Rates, Akron Business and Economic Review, 12, 7-12.

Ahmad Z. B., A. M. M. Masihb and M. Azalia (2002), The Stock Market and the Ringgit Exchange Rate: A Note, Japan and the World Economy, 14, 471-486.

Ajayi, R. A., J. Friedman, and S. M. Mehdian (1998), On the Relationship between Stock Returns and Exchange Rate: Tests of Granger Causality, Global Finance Journal, 9(2), 241-251.

Ajayi, R. A. and M. Mougoue (1996), On the Dynamic Relation between Stock Prices and Exchange Rates, The Journal of Financial Research, 19(2), 193-207.

Anderson, P. W., K. J. Arrow and D. Pines (1988), The Economy as an Evolving Complex System, Santa Fe Institute Studies in the Sciences of Complexity, 5, Addison-Wesley Publishing Company.

Azman-Saini W. N. W., M. S. Habibullah, S. H. Law and A. M. Dayang-Affizzah (2007), Stock Prices, Exchange Rates and Causality in Malaysia: A Note, Journal of Financial Economics, 5, 7-13.

Baek, E. and W. A. Brock (1992), A General Test for Nonlinear Granger Causality: Bivariate Model, Working Paper, Iowa State University and University of Wisconsin Madison.

Bahmani-Oskooee, M. and A. Sohrabian (1992), Stock Prices and the Effective Exchange Rate of the Dollar. Applied Economics, 24(4), 459-464.

Banerjee, A., R. L. Lumsdaine and J. H. Stock (1992), Recursive and Sequential Tests of the Unit Root and Trend Break Down Hypotheses: Theory and International Evidence, Journal of Business and Economic Statistics, 10(3), 271-287.

Branson, W. H. and D. W. Henderson (1985), The Specification and Influence of Asset Markets, in R. W. Jones and P. B. Kenen eds., and book of International economics, 2, 749-805.

Brock, W. A., D. A. Hsieh and B. LeBaron (1991), Nonlinear Dynamics, and Instability, MIT press, Cambridge, Massachusetts.

Brock, W. A., W. Dechert and J. Scheinkman (1987), A Test for Independence Based on the Correlation Dimension, University of Wisconsin at Madison, Department of Economics Working Paper.

Brock, W. A., W. Dechert, J. Scheinkman and B. LeBaron (1996), A Test for Independence Based on the Correlation Dimension, Econometric Reviews, 15, 197-235.

Caporale, G. M., N. Pittis and N. Spagnolo (2002), Testing for Causality-in-Variance: an Application to the East Asian Markets, International Journal of Finance and Economics, 7(3), 235-245.

Denker, M. and G. Keller (1983), On U-Statistics and Von-Mises Statistics for Weakly Dependent Processes, Zeitschrift fur Wahrscheinlichkeitstheorie und Verwandte Geviete, 64, 505-522.

Dickey, D. A. and W. A. Fuller (1981), Likelihood Ratio Statistics for Autoregressive Time Series with a Unit Root, Econometrica, 49, 1057-1072.

Diks, C. and V. Panchenko (2005), A Note on the Hiemstra-Jones Test for Granger Non-Causality, Studies in Non-Linear Dynamics and Econometrics, 9(2), Article 4.

Diks, C. and V. Panchenko (2006), A New Statistic and Practical Guidelines for Nonparametric Granger Causality Testing, Journal of Economic Dynamics and Control, 30, 1647-1669.

Dogan, N. and Y. Yalcin (2007), The Effects of the Exchange Rate Movements on the Istanbul Stock Exchange, Applied Financial Economics Letters, 3, 39-46.

Doong, S. C, S. Y. Yang and A. T. Wang (2005), The Dynamic Relationship and Pricing of Stocks and Exchange Rates: Empirical Evidence from Asian Emerging Markets, Journal of American Academy of Business, 7(1), 118-123.

Elliott, G., J. T. Rothenberg and J. Stock (1996), Efficient Tests for an Autoregressive Unit Root, Econometrica, 64, 813-836.

Engle, R. F. and C. W. J. Granger (1987), Cointegration and Error Correction: Representation, Estimation and Testing, Econometrica, 55, 251-276.

Engle, R. F. and S. B. Yoo (1987), Forecasting and Testing in Cointegrated System, Journal of Econometrics, 35, 143-159.

Franck, P. and A. Young (1972), Stock Price Reaction of Multinational Firms to Exchange Realignments, Financial Management, 1, 66-73.

Granger, C. W. J. (1969), Investigating Causal Relations by Econometric Models and Cross-Spectral Methods, Econometrica, 37, 424-438.

Granger, C. W. J. (1981), Some Properties of Time Series Date and Their Use in Econometric Model Specification, Journal of Econometrics, 16, 121-130.

Granger, C. W. J., B. N. Haung and C. W. Yang (2000), A Bivariate Causality Between Stock Prices and Exchange Rates: Evidence from Recent Asian Flu, Quarterly Review of Economics and Finance, 40, 337-354.

Grassberger, P. and I. Procaccia (1983), Measuring the Strangeness of Strange Attractors, Physical D, 9, 189-208.

Gregory, A. W. and B. E. Hansen (1996), Residual-Based Tests for Cointegration in Models with Regime Shifts, Journal of Econometrics, 70, 90-126.

Gregory, A. W., J. M. Nason and D. G. Watt (1996), Testing for Structural Breaks in Cointegrated Relationships, Journal of Econometrics, 71, 321-341.

Hamilton, J. D. (1994), Time Series Analysis, Princeton University Press.

Hatemi-J, A. and E. Roca (2005), Exchange Rates and Stock Prices Interaction During Good and Bad Times: Evidence from the ASEAN4 Countries, Applied Financial Economics, 15, 539-546.

Hatemi-J, A. and M. Irandoust (2002), On the Causality Between Exchange Rates and Stock Prices: A Note, Bulletin of Economic Research, 54, 197-203.

Hiemstra, C. and J. D. Jones (1994), Testing for Linear and Non-Linear Granger Causality in the Stock Price-Volume Relation, Journal of Finance, 49, 1639-1664.

Johansen, S. (1988), Statistical Analysis of Cointegration Vectors, Journal of Economic Dynamics and Control, 12, 231-254.

Johansen, S. (1994), The Role of the Constant and Linear Term in Cointegration Analysis of Nonstationary Variables, Econometric Reviews, 13(2), 205-229.

Johansen, S. and K. Juselius (1990), Maximum Likelihood Estimation and Inferences on Cointegration with Application to the Demand for Money, Oxford Bulletin of Economics and Statistics, 52(2), 169-210.

Kim, K. H. (2003), Dollar Exchange Rate and Stock Price: Evidence from Multivariate Cointegration and Error Correction Model, Review of Financial Economics, 12, 301-313.

Kocenda, E. (2003), An Alternative to the BDS Test: Integration Across the Correlation Integral, Econometric Reviews, 20, 337-351.

Kwiatkowski, D., P. C. B. Phillips, P. Schmidt and Y. Shin (1992), Testing the Null Hypothesis of Stationarity Against the Alternative of a Unit Root：How Sure Are We the Economic Time Series Have a Unit Root? Journal of Econometrics, 54, 159-178.

Lee, K. S. and S. Yoon (2007), Interrelationships and Volatility of the Financial Asset Prices under Capital Flows: The Case of Korea, Economic Modelling, 24, 386-397.

Morley, B. (2002), Exchange Rates and Stock Prices: Implications for European Convergence, Journal of Policy Modeling, 24, 523-526.

Morley, B. and E. J. Pentecost (2000), Common Trends and Cycles in G-7 Countries Exchange Rates and Stock Prices, Applied Economics Letters, 7, 7-10.

Muhammad, N. and A. Rasheed (2002), Stock Prices and Exchange Rates: Are they Related? Evidence from South Asian Countries, The Pakistan Development Review, 41, 535-550.

Mun, Kyung-Chun (2007), Volatility and Correlation in International Stock Markets and the Role of Exchange Rate Fluctuations, Journal of International Financial Markets, Institutions and Money, 17, 22-41.

Nieh, C. C. and C. F. Lee (2001), Dynamic Relationship between Stock Prices and Exchange Rates for G-7 Countries, Quarterly Review of Economics and Finance, 41(4), 477-490.

Pan, M. S., R. C. W. Fok and Y. A. Liu (2007), Dynamic Linkages between Exchange Rates and Stock Prices: Evidence from East Asian Markets, International Review of Economics and Finance, 16(4), 503-520.

Patra, T. and S. Poshakwale (2006), Economic Variables and Stock Market Returns: Evidence from the Athens Stock Exchange, Applied Financial Economics, 16, 993-1005.

Pesaran, M. H., Y. Shin and R. J. Smith (2001), Bounds Testing Approaches to the Analysis of Level Relationships, Journal of Applied Econometrics, 16, 289-326.

Phylaktis, K. and F. Ravazzolo (2005), Stock Prices and Exchange Rate Dynamics, Journal of International Money and Finance, 24(7), 1031-1053.

Ratanapakorn, O. and S. C. Sharma (2007), Dynamic Analysis between the US Stock Returns and the Macroeconomic Variables, Applied Financial Economics, 17, 369-377.

Schmidt, P. and P. C. B. Phillips (1992), LM Tests for a Unit Root in the Presence of Deterministic Trends, Oxford Bulletin of Economics and Statistics, 45, 257-87.

Sims, C. A. (1980), Macroeconomics and Reality, Econometrica, 48, 1-48.

Smyth, R. and M. Nandha (2003), Bivariate Causality between Exchange Rates and Stock Prices in South Asia, Applied Economics Letters, 10, 699-704.

Soenen, L. A. and E. S. Hennigar (1988), An Analysis of Exchange Rates and Stock Prices-the US Experience between 1980 and 1986, Akron Business and Economic Review, 19, 7-16.

Toda, H. Y. and T. Yamamoto (1995), Statistical Inference in Vector Autoregressions with Possibly Integrated Processes, Journal of Econometrics, 66, 225-250.

Vygodina, A. V. (2006), Effects of Size and International Exposure of the US Firms on the Relationship between Stock Prices and Exchange Rates, Global Finance Journal, 17, 214-223.

Wongbangpo, P. and S. C. Sharma (2002), Stock Market and Macroeconomic Fundamental Dynamic Interactions: ASEAN-5 Countries, Journal of Asian Economics, 13, 27-51.

Wu, Ying (2001), Exchange Rates, Stock Prices, and Money Markets: Evidence from Singapore, Journal of Asian Economics, 12, 445-458.

Yang, S. Y. and S. C. Doong (2004), Price and Volatility Spillovers between Stock Prices and Exchange Rates: Empirical Evidence from the G-7 Countries, International Journal of Business and Economics, 3(2), 139-153.

Yau, H. Y. and C. C. Nieh (2006), Interrelationships among Stock Prices of Taiwan and Japan and NTD/Yen Exchange Rate, Journal of Asian Economic, 17(1), 535-552.

Zivot, E. and D. W. Andrews (1992), Further Evidence on the Great Crash, the Oil-Price Shock, and the Unit-Root Hypothesis, Journal of Business and Economic Statistics, 10, 251-270.

表1:各國變數成長率之基本統計量

國家

變數

統計量

Mean

S.D.

SK

EK

Max

Min

JB

LB(24)

ARCH(4)

美國

EX

0.000

0.014

-0.163

0.679

0.047

-0.047

9.534***

79.964***

1.690

SP

0.007

0.035

-0.697

2.052

0.110

-0.136

103.594***

46.092***

4.975***

加拿大

EX

-0.000

0.012

0.132

0.269

0.047

-0.036

2.399

58.075***

5.169***

SP

0.006

0.048

-1.010

4.266

0.159

-0.257

975.051***

27.903

1.595

德國

EX

-0.000

0.009

0.290

0.170

0.032

-0.025

6.168***

78.597***

1.510

SP

0.006

0.053

-0.981

3.971

0.174

-0.273

330.308***

21.676

4.371***

日本

EX

0.000

0.025

0.532

1.017

0.087

-0.071

36.499***

79.068***

7.261***

SP

0.004

0.041

-0.223

0.757

0.134

-0.145

12.987***

59.208***

6.129***

義大利

EX

0.000

0.013

-1.982

13.132

0.054

-0.090

3167.336***

58.607***

15.914***

SP

0.004

0.041

-0.223

0.757

0.134

-0.145

12.987***

59.208***

6.129***

法國

EX

-0.000

0.009

-0.509

3.862

0.035

-0.046

268.424***

73.582***

6.143***

SP

0.007

0.058

-0.651

3.611

0.245

-0.281

248.048***

41.539**

5.960***

英國

EX

0.000

0.018

-0.101

2.806

0.078

-0.085

133.243***

64.122***

7.335***

SP

0.008

0.046

0.563

10.418

0.363

-0.239

1848.215***

96.769***

6.134***

波蘭

EX

0.002

0.020

-0.648

1.194

0.054

-0.070

22.777***

46.894***

0.856

SP

0.023

0.102

0.409

6.705

0.557

-0.448

334.576***

102.232***

24.427***

土耳其

EX

0.001

0.039

-2.012

11.173

0.122

-0.274

1527.881***

68.967***

7.243***

SP

0.042

0.162

0.634

2.738

0.819

-0.495

98.661***

35.150*

0.339

韓國

EX

0.000

0.027

-4.683

53.400

0.083

-0.304

39190.141***

100.150***

3.550***

SP

0.009

0.067

-0.063

0.947

0.207

-0.236

12.158***

67.595***

24.985***

捷克

EX

0.003

0.015

-0.318

3.547

0.062

-0.060

88.733***

45.797***

0.276

SP

0.004

0.064

-0.025

0.990

0.211

-0.176

6.723**

39.834**

2.763**

匈牙利

EX

0.002

0.015

-0.523

2.190

0.043

-0.056

43.191***

54.755***

0.145

SP

0.020

0.080

-0.469

5.490

0.264

-0.422

227.451***

47.985***

1.724

(1)*，* *，* * *分別表示在10％，5％與1％的水準下顯著。

(1) Mean和S.D.表示每個變數成長率之平均數與標準差；Max是最大觀察值；Min是最小觀察值。

(2) SK是衡量序列其平均數分配的偏態，當值為0時為常態分配；其值為正表示此分配有一個長的右尾；為負則表示這個分配有一個長的左尾。

(3) EK是衡量這個序列其平均數分配的峰態，當他的值為0時為常態峰；其值大於0則這個分配為高狹峰；小於0則為低闊峰。

(4) JB為Jarque-Bera統計量，目的在於測試這個序列是否為常態分配。

(5) LB(24)為Ljung-BoxQ統計量，落後期數為24。

(6) ARCH(4)為ARCH統計量，落後期數為4，目的在於檢測這個序列是否具有ARCH效果。

表2：原始資料下單根檢定表

原始資料

ADF

SP

KPSS

ERS

ZA

國家

變數

m

t

t

t

t

m

h

t

h

Z(t)=(1)

Z(t)=(1,t)

)

ˆ

(

ˆ

l

a

i

t

美國

LEX

-2.530

-2.571

-1.350

0.658**

0.550***

-1.042

-1.359

-3.268

LPS

-0.143

-2.544

-1.920

8.140***

0.440***

3.208

-1.749

-4.980

加拿大

LEX

-1.410

0.218

-1.100

4.473

0.491***

-0.555

-0.122

-2.127

LPS

-0.134

-2.999

-2.900

7.732***

0.369***

1.928

-2.599

-3.862

德國

LEX

-2.123

-2.215

-1.860

1.535***

0.525***

-0.607

-1.552

-3.516

LPS

-0.566

-2.835

-2.170

7.524***

0.475***

1.415

-2.153

-3.522

日本

LEX

-2.142

-1.651

-1.530

4.913***

1.065***

-0.440

-0.812

-3.805

LPS

-2.310

-1.769

-0.940

4.683***

1.688***

0.693

-0.668

-2.914

義大利

LEX

-1.999

-2.077

-1.720

0.982***

0.802***

-1.666*

-1.692

-6.222***

LPS

-1.455

-2.776

-1.270

7.274***

1.873***

1.459

-1.298

-4.228

法國

LEX

-2.950**

-3.801**

-2.290

3.145***

0.180**

-2.051**

-2.367

-4.505

LPS

-0.698

-2.096

-1.790

7.791***

0.774***

1.565

-1.813

-4.165

英國

LEX

-2.436

-2.502

-1.930

1.007***

0.390***

-0.828

-1.799

-3.650

LPS

-1.868

-1.708

1.490

7.688***

1.538***

2.017

-1.173

-3.982

波蘭

LEX

-1.872

-3.290*

-1.860

2.758***

0.434***

0.364

-1.806

-4.736

LPS

-0.306

-1.653

-0.930

2.489***

0.239***

1.491

-0.903

-5.279

土耳其

LEX

-2.619*

-4.171***

-2.740

2.588***

0.406***

-1.619

-1.903

-6.648***

LPS

-1.260

-0.562

-2.000

5.205***

0.824***

2.594

-1.381

-3.251

韓國

LEX

-2.482

-2.170

-1.850

1.433***

0.507***

-1.587

-1.763

-3.033

LPS

-1.460

-1.944

-1.120

4.096***

0.951***

1.452

-1.116

-3.595

捷克

LEX

-0.970

-3.471**

-3.000

3.284***

0.100

1.661

-3.024**

-5.141**

LPS

0.860

-0.482

-1.080

1.743***

0.685***

-0.173

-0.311

-4.479

匈牙利

LEX

0.261

-2.577

-1.440

3.315***

0.483***

0.864

-1.032

-3.865

LPS

-1.453

-1.787

-1.460

3.116

0.426***

-4.028

1.923

-1.341

(1)變數LEX與LPS分別表示取對數後之匯率與股價。

(2)ADF單根檢定之

m

t

與

t

t

檢定統計量，其10%、5%與1%顯著水準臨界值分別為 -2.57、-2.87、-3.44與-3.13、-3.42、-3.98、其中Ho：I(1)。

(3)SP單根檢定之T檢定統計量，其5%顯著水準臨界值為-3.04，其中Ho：I(1)。

(4)KPSS單根檢定之

m

h

與

t

h

檢定統計量，其10%、5%與1%顯著水準臨界值分別為0.347、0.463、0.739與0.119、0.146、0.216，其中Ho：I(1)。

(5)ERS單根檢定之Z(t)=(1)與Z(t)=(1,t)檢定統計量，其10%、5%與1%顯著水準臨界值分別為-1.62、-1.95、-2.58與-2.57、-2.89、-3.84其中Ho：I(1)。

(6)在ZA單根檢定下，採用模型C之檢定統計量，其5%與1%顯著水準臨界值分別為-5.08及-5.57，其中Ho：I(1)。

(7)*，**，***分別表示在10%、5%與1%的水準下顯著

表3:差分資料下單根檢定表

差分資料

ADF

SP

KPSS

ERS

國家

變數

m

t

t

m

h

Z(t)=(1)

美國

DEX

-3.298**

-14.700**

0.094

-6.865***

DSP

-15.573***

-13.220**

0.072

-10.527***

加拿大

DEX

-16.224***

-14.000**

0.427*

-14.959***

DSP

-18.579***

-18.000**

0.049

-14.553***

德國

DEX

-5.934***

-14.390**

0.093

-9.490***

DSP

-18.717***

-15.740**

0.047

-10.396***

日本

DEX

-5.325***

-14.690**

0.224

-12.890***

DSP

-5.757***

-11.870**

0.291

-9.463***

義大利

DEX

-13.384***

-11.410**

0.066

-5.892***

DSP

-9.271***

-15.210**

0.100

-14.984***

法國

DEX

-10.325***

-13.300**

0.034

-9.129***

DSP

-5.137***

-17.260**

0.070

-13.234***

英國

DEX

-6.262***

-13.880**

0.056

-14.287***

DSP

-9.518***

-13.280**

0.151

-12.070***

波蘭

DEX

-3.071**

-9.570**

0.068

-7.585***

DSP

-2.773*

-8.630**

0.278

-8.499***

土耳其

DEX

-9.943***

-10.470**

0.089

-9.617***

DSP

-5.821***

-15.190**

0.179

-10.903***

韓國

DEX

-6.185***

-10.790**

0.082

-9.419***

DSP

-4.832***

-12.400**

0.136

-12.520***

捷克

DEX

-4.243***

-11.060**

0.026

-10.203***

DSP

-3.885***

-5.590**

0.688**

-2.948***

匈牙利

DEX

-4.246***

-10.680**

0.266

-10.400***

DSP

-4.086***

-9.460**

0.137

-7.628***

(1)變數DEX與DSP分別表示取對數後之匯率與股價,再取其分叉。

(2)ADF單根檢定之

m

t

定統計量,其10%,5%,與1%顯著水準臨界值為-2.57,-2.87,-3.44,其中H0:I(1)。

(3)SP單根檢定之

t

檢定統計量,其5%顯著水準臨界值為-3.04,其中H0:I(1) 。

(4)KPSS單根檢定之

m

h

,其10%,5%與1%顯著水準臨界值為-1.62,-1.95,-2.58, 其中H0:I(1) 。

(5)ERS單根檢定之Z(t) =(1) 檢定統計量, 其10%,5%與1%顯著水準臨界值為-1.62,-1.95,-2.58, 其中H0:I(1) 。

(6) *,**,***分別表示在10%,5%與1%的水準下顯著

表4 :邊界檢定結果

國家

無時間趨勢項

95%

I(0)=4.94

遞延期數

I(1)=5.73

遞延期數

美國

F(EX | SP)=1.557

1

F(SP | EX) = 0.165

1

加拿大

F(EX | SP) = 1.768

1

F(SP | EX) = 0.098

1

德國

F(EX | SP) = 4.400

1

F(SP | EX) = 0.286

1

日本

F(EX | SP) = 3.175

1

F(SP | EX) = 2.109

1

義大利

F(EX | SP) = 2.906

2

F(SP | EX) = 0.198

1

法國

F(EX | SP) = 6.301**

1

F(SP | EX) = 0.155

1

英國

F(EX | SP) = 4.196

1

F(SP | EX) = 6.958**

12

波蘭

F(EX | SP) = 3.698

2

F(SP | EX) = 0.263

12

土耳其

F(EX | SP) = 7.611**

1

F(SP | EX) = 1.356

1

韓國

F(EX | SP) = 2.098

2

F(SP | EX) = 1.508

1

捷克

F(EX | SP) = 0.806

1

F(SP | EX) = 3.575

5

匈牙利

F(EX | SP) = 3.586

1

F(SP | EX) = 2.972

2

國家

有時間趨勢項

95%

I(0=6.56)

遞延期數

I(1)=7.30

遞延期數

美國

F(EX | SP) = 1.714

1

F(SP | EX) = 5.181

1

加拿大

F(EX | SP) = 0.048

1

F(SP | EX) = 5.775

1

德國

F(EX | SP) = 4.116

1

F(SP | EX) = 2.661

1

日本

F(EX | SP) = 2.506

1

F(SP | EX) = 1.697

1

義大利

F(EX | SP) = 4.415

2

F(SP | EX) = 2.239

1

法國

F(EX | SP) = 6.276

1

F(SP | EX) = 2.979

1

英國

F(EX | SP) = 4.156

1

F(SP | EX) = 3.059

12

波蘭

F(EX | SP) = 3.642

2

F(SP | EX) = 1.378

12

土耳其

F(EX | SP) = 8.766**

1

F(SP | EX) = 2.595

1

韓國

F(EX | SP) = 1.958

2

F(SP | EX) = 1.867

1

捷克

F(EX | SP) = 5.907

1

F(SP | EX) = 1.944

5

匈牙利

F(EX | SP) = 6.899

1

F(SP | EX) = 2.364

2

(1)F(EX | SP)表示以匯率作為被解釋變數, 股價為解釋變數下所得之檢定統計量; F(SP | EX) 表示以股價作為被解釋變數, 匯率為解釋變數下所得之檢定統計量。

(2)虛無假設H0:無共整合關係。

(3)*,**,***分別表示在10%, 5%與1%的水準下顯著。

(4)以BIC為決策原則。

表5:Johansen共整合檢定結果

最大特性根鹼度

軌跡檢定

國家

虛無假設

對立假

檢定統計量

虛無假設

對立假設

檢定統計量

美國

R=0

R=1

2.364

R=0

R≧1

2.371

R≦1

R=2

0.007

R≦1

R=2

0.007

加拿大

R=0

R=1

5.802

R=0

R≧1

6.666

R≦1

R=2

1.136

R≦1

R=2

1.136

德國

R≦0

R=1

5.382

R=0

R≧1

5.811

R≦1

R=2

0.430

R≦1

R=2

0.430

日本

R=0

R=1

4.549

R=0

R≧1

7.403

R≦1

R=2

2.855

R≦1

R=2

2.855

義大利

R=0

R=1

4.042

R=0

R≧1

6.588

R≦1

R=2

0.313

R≦1

R=2

0.313

法國

R=0

R=1

7.433

R=0

R≧1

7.595

R≦1

R=2

0.162

R≦1

R=2

0.162

英國

R=0

R=1

21.485**

R=0

R≧1

27.847***

R≦1

R=2

6.362

R≦1

R=2

6.362

波蘭

R=0

R=1

8.421

R=0

R≧1

8.454

R≦1

R=2

0.032

R≦1

R=2

0.032

土耳其

R=0

R=1

9.580

R=0

R≧1

12.624

R≦1

R=2

3.044

R≦1

R=2

3.044

韓國

R=0

R=1

10.806

R=0

R≧1

14.977

R≦1

R=2

2.461

R≦1

R=2

2.461

捷克

R=0

R1

9.681

R=0

R≧1

9.683

R≦1

R=2

0.001

R≦1

R=2

0.001

匈牙利

R=0

R=1

10.354

R=0

R≧1

10.491

R≦1

R=2

0.136

R≦1

R=2

0.136

(1)檢定模型為不具限制截距項亦無時間趨勢項之檢定計量。

(2)R為整合向量個數。

(3) *,**,***分別表示在10%,與5%的水準下顯著。

表6:Gregory and Hansen 共整合檢定結果(續)

檢定統計量

變數

LEX

LSP

國家

模型

ADF*

b

T

*

t

Z

b

T

*

a

Z

b

T

ADF*

b

T

*

t

Z

b

T

*

a

Z

b

T

美國

C

-3.366

1989 M1

-2.901

1987 M6

-18.060

1987 M6

-2.781

1987 M9

-2.758

1987 M9

-17.402

1987 M9

C/T

-3.359

1989 M1

-2.863

1987 M6

-17.646

1987 M6

-4.725

2002 M1

-4.547

2001 M12

-34.360

2001 M12

C/S

-3.910

1986 M9

-3.685

1986 M8

-27.394

1986 M9

-2.922

1987 M8

-2.896

1987 M9

-19.497

1987 M9

加拿大

C

-1.935

2002 M5

-1.839

2001 M8

-9.266

2002 M8

-2.409

2001M11

-1.990

2002 M7

-10.179

2002 M7

C/T

-2.069

1992 M12

-1.928

1992 M12

-10.396

1992 M12

-4.315

1979 M3

-4.042

1990 M12

-30.714

1990 M12

C/S

-3.167

1995 M11

-2.939

1998 M12

-17.045

1998 M12

-2.654

2001M12

-2.530

2001 M12

-12.694

2001 M12

德國

C

-3.948

1982 M2

-3.008

1991 M3

-17.382

1980 M4

-3.400

1991 M7

-2.558

1990 M7

-14.292

1990 M7

C/T

-3.990

1991 M10

-3.191

1992 M2

-20.373

1992 M2

-3.593

2001M12

-3.454

2001 M10

-23.470

2001 M11

C/S

-4.006

1988 M10

-3.296

1986 M3

-20.975

1986 M3

-3.386

1991 M7

-2.563

1990 M7

-14.329

1990 M7

日本

C

-3.725

1984 M9

-2.983

1986 M9

-19.106

1986 M9

-3.179

1985 M1

-2.853

1984 M5

-15.846

1984 M5

C/T

-4.030

1991 M9

-3.463

1992 M5

-25.134

1992 M5

-3.629

1992 M7

-3.367

1992 M9

-22.578

1992 M9

C/S

-3.731

1993 M10

-2.927

2001 M11

-17.937

1985 M5

-3.747

1991 M9

-3.103

1993 M1

-19.328

1993 M1

義大利

C

-4.607

1993 M10

-4.546

1993 M74

-39.921

1993 M4

-4.152

1994 M1

-4.332

1993 M4

-35.765

1993 M4

C/T

-4.965

1993 M10

-5.024**

1993 M4

-47.411

1993 M4

-4.600

1982 M6

-3.560

2002 M1

-23.432

2002 M1

C/S

-4.404

1993 M6

-4.478

1993 M4

-38.876

1993 M4

-4.577

1994 M4

-4.457

1993 M4

-37.971

1993 M4

法國

C

-4.787**

1986 M12

-3.674

1986 M3

-27.048

1986 M3

-4.069

1987 M2

-3.088

1986 M4

-20.503

1986 M4

C/T

-4.801

1986 M12

-3.738

1986 M3

-27.966

1986 M3

-4.362

1987 M2

-4.093

1985 M7

-31.686

1985 M7

C/S

-4.688

1985 M8

-3.746

1982 M1

-27.463

1986 M2

-3.826

1987 M2

-3.260

1985 M5

-23.047

1985 M5

英國

C

-3.776

1979 M9

-3.399

1979 M8

-22.938

1979 M8

-3.363

1987 M1

-3.027

1985 M4

-18.629

1985 M4

C/T

-4.126

1979 M9

-3.723

1979 M8

-27.301

1979 M8

-4.870

2001M10

-4.576

2001 M1

-40.929

2001 M11

C/S

-4.314

1984 M3

-3.450

1983 M5

-23.561

1983 M5

-3.351

1987 M1

-3.013

1985 M4

-18.495

1985 M4

波蘭

C

-3.895

1998 M2

-2.752

1997 M7

-14.771

1997 M7

-5.065

1998 M2

-4.948

2003 M10

-23.722

2004 M5

C/T

-5.670**

2002 M9

-4.851

2002 M10

-44.608

2002 M10

-5.667

2002 M9

-5.126

2005 M6

-27.890

2001 M10

C/S

-3.935

1999 M5

-2.866

1999 M8

-15.697

1999 M8

-5.246

1999 M5

-5.195

2003 M7

-24.310

2003 M2

土耳其

C

-5.439**

1993 M6

-5.827**

1993 M11

-56.758**

1993 M11

-5.559**

1993 M6

-5.878**

1993 M12

-54.126**

1993 M11

C/T

-6.109**

1993 M8

-5.767**

1993 M12

-55.978**

1993 M10

-4.897

1993 M8

-3.756

1994 M1

-26.580

2001 M10

C/S

-6.572**

1994 M5

-5.880**

1993 M12

-60.481**

1993 M11.

-5.862**

1994 M5

-6.026**

1993 M12

-55.075**

1993 M11

韓國

C

-5.029**

1986 M1

-4.523

1956 M2

-39.550

1986 M2

-4.610

1986 M1

-4.407

1986 M8

-40.150

1986 M8

C/T

-5.823**

1986 M1

-5.193**

1986 M2

-51.608**

1986 M2

-5.510**

1986 M1

-5.246**

1986 M2

-53.335**

1986 M2

C/S

-5.464**

1986 M5

-4.501

1986 M2

-38.080

1986 M1

-4.946

1986 M5

-4.278

1987 M7

-37.927

1987 M7

捷克

C

-3.649

1999 M8

-2.854

1998 M12

-14.507

1998 M12

-4.500

1999 M8

-3.624

2004 M6

-22.629

2004 M6

C/T

-5.161**

1999 M8

-4.133

1999 M4

-31.290

1999 M4

-4.701

1999 M8

-3.913

2004 M10

-24.928

2004 M7

C/S

-3.775

1999 M7

-3.332

2000 M3

-21.286

2000 M3

-5.130

1999 M7

-4.383

2003 M5

-31.068

2003 M5

匈牙利

C

-4.179

2001 M7

-3.882

2001 M8

-26.464

2001 M8

-3.522

2001 M7

-3.235

2001 M5

-16.721

1995 M10

C/T

-4.442

2002 M11

-3.978

2001 M8

-26.539

2001 M8

-3.963

2002 M1

-3.272

1996 M7

-21.092

1996 M7

C/S

-4.221

2001 M7

-3.914

2001 M8

-26.787

2001 M8

-3.870

2001 M7

-3.526

2001 M1

-17.254

1997 M2

(1)H0無共整合關係, H1存在共整合且具結構性改變

(1) *,**,***分別表示在10%,5%,1%的水準下顯著

表7:Granger線行因果關係檢定結果

短期

F-stat