| dc.contributor.advisor | 陳樹衡 | zh_TW |
| dc.contributor.author (Authors) | 陸君芬 | zh_TW |
| dc.creator (作者) | 陸君芬 | zh_TW |
| dc.date (日期) | 1998 | en_US |
| dc.date.accessioned | 10-May-2016 16:35:38 (UTC+8) | - |
| dc.date.available | 10-May-2016 16:35:38 (UTC+8) | - |
| dc.date.issued (上傳時間) | 10-May-2016 16:35:38 (UTC+8) | - |
| dc.identifier (Other Identifiers) | A2010000617 | en_US |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/96143 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 經濟學系 | zh_TW |
| dc.description (描述) | 85258014 | zh_TW |
| dc.description.abstract (摘要) | Meese & Rogoff(1983)比較貨幣學派匯率決定模型與隨機漫步(random walk)模型樣本外預測能力，發現隨機漫步模型凌駕所有模型，意謂著對明天匯率最好的預測值是今天的匯率，也就是我們根本無法預測匯率。其後的學者紛紛對此課題作各種不同努力，結構式模型的再診斷、時間序列模型的發展、非線性與動態性的考量等等從各種不同角度切入問相同的問題─「匯率真的是不可預測的嗎？」 綜覽過去十五年以來，對各種匯率預測模型預測能力比較實証文獻上的努力，我們發現在宣稱擊敗隨機漫步模型（或被擊敗）時，並沒有一致性的評判準則，大家各說各話，對匯率的可預測性也愈來愈模糊，因此，本文從總體變數的解釋能力、模型動態性的設定方式、非線性模型選擇等三個面向，討論各種匯率預測模型與隨機漫步模型的比較，及不同比較準則選取的影響及顯著性檢定，藉由以上的討論將「擊敗隨機漫步模型」這個說法更具體化，統整各家的實証結果。結束發現：其他總體變數、模型動態設定及採用非線性模型均能提昇模型的預測表現，但沒有單一非線性模型可以永遠擊敗隨機漫步模型，而資料頻率愈高愈雞有好的預測表現，因此推論以下這個假說：「若能採用具有多變量、動態性的非線性模型作為匯率變動的預測模型，即使在高頻率資料中，我們仍然有較大機會顧著的擊敗隨機漫步模型。」 在實証方面採用神經網路（倒傳遞神經網路）作為驗証批假說的模型，神經網路模型本身是一非線性模型，神經網路模型可以藉由調整網路結構變換網路的複雜度，可謂一大型非線性模型集合禮。雖然可以享有模型設計上的彈性，但相對的也會遭逢模型選擇上的困雞，在這一部份我們以遺傳演算(GA)的演化方式，讓網路自行演化最通網路架構，透過對輸入層演化觀察多變量的效果；透過對隱藏層層數興神經元個數、轉換函數等演化，觀察非線性程度的影響。以馬克對美元tick by tick匯率報酬率高頻率資料作為實證對象，設定條件變異教為多變量模型，實証結果所有的神經網路（不論演化與否）在水準值與變動方向上可以顯著擊敗隨機漫步模型，但變動方向不具有顯著性優越，同時多變量優於單變量模型。以sharpe ratio作為衡量獲利指標，發現所有神經網路均能擊敗買入持有策略。 演化的結果我們發現多變量與非線性之間產生了替代性，以GA演化的最通網路架構較複雜但均剔除了條件變異數，表示解釋變數本身的訊息提煉相當依賴所使用的工具，當工具粗糙時，必須藉由其他解釋變數輔助（如本文以條件變異數作為當期報酬率二階動差非線性的解釋變數）反映資料訊息，而若工具精細具多維多面向，此時隱藏在變數背後的訊息便能被發掘出來。 本文對此假說的驗証只進行了多變量與非線性的印証，其後的研究可以再針對動態性與此兩者的互動關係進行實証研究。 | zh_TW |
| dc.description.tableofcontents | 謝辭 摘要 目錄-----I 圖表目次-----III 第一章 研究動機-----1 第二章 文獻回顧-----2 第一節 匯率預測模型之分類-----3 第二節 匯率預測模型方法-----4 一、結構式模型-----4 二、時間序列模型-----5 三、綜合模型-----8 四、預測機率密度函數模型-----10 第三節 其他總體變數在匯率預測上之表現-----11 一、對傳統結構式模型之修正-----12 二、以時間序列模型取代結構式模型-----18 第四節 模型動態設定在匯率預測上的表現-----20 一、匯率動態性之設定方式-----20 二、匯率動態模型發展之方向及實証結果-----21 第五節 非線性模型在匯率預測的表現-----27 一、匯率非線性行為之推論-----27 二、非線性模型發展之方向及實証結果-----28 三、非線性模型的評價-----32 第六節 模型比較準則之選取-----34 一、常用之比較準則-----34 二、比較準則之選取原則-----37 三、比較準則之顯著性檢定-----39 四、實証研究-----44 第七節 匯率資料頻率對預測能力影響-----47 一、資料頻率不同之差異-----47 二、不同資料頻率匯率預測實証-----48 三、高頻率資料分配的統計性質-----53 四、匯率高頻率資料實証研究-----55 第八節 神經網路模型之文獻回顧-----57 一、神經網路模型實証研究-----57 第三章 實証模型-----65 第一節 選用神經網路模型之理由-----65 第二節 資料說明與處理-----66 一、變數之選取與變數之處理-----66 二、資料分配與簡單統計量-----67 三、匯率變動率之統計性質-----69 第三節 神經網路模式之設定-----72 一、倒傳遞神經網路—資料相關參數之設計-----72 二、倒傳遞神經網路—網路相關參數之設計-----75 三、演化性神經網路-----77 第四章 實証結果-----80 第一節 最適網路架構之決定-----80 第二節 神經網路模型樣本外預測能力之比較-----90 第三節 模型比較之顯著性檢定-----98 第五章 結論-----100 第一節 演化的效果及其所扮演的角色-----100 第二節 匯率隨機漫步性質之再議-----102 圖表目次 圖1：日圓對美元不同頻率資料與隨機漫步模型樣本外預測表現時間比較圖-----49 圖2：馬克對美元不同頻率資料與隨機漫步模型樣本外預測表現時間比較圖-----50 圖3：英磅對美元不同頻率資料與隨機漫步模型樣本外預測表現時間比較圖-----51 圖4：台幣對美元不同頻率資料與隨機漫步模型樣本外預測表現時間比較圖-----52 圖5：DM/US1998/06/03匯率tickbytick資料走勢圖-----67 圖6：DM/US1998/06/03匯率tickbytick資料分配圖與敘述統計量-----67 圖7：DM/US1998/06/03匯率變動率tickbytick資料走勢圖-----68 圖8：DM/US1998/06/03匯率變動率tickbytick資料分配圖與敘述統計量-----68 圖9：DM/US1998/06/03每分鐘匯價與tick數目-----68 圖10：訓練、驗証、測試集合-----74 圖11：演化性神經網路演化對象一覽圖-----77 表1：共整合和誤差修正模型在匯率預測上的表現-----17 表2：多變量與單變量時間序列模型在匯率預測上之表現-----18 表3：修正結構式模型預測方法列表-----19 表4：非線性模型與隨機漫步模型樣本外預測能力比較表-----33 表5：匯率預測顯著性檢定列表-----46 表6：日圓、馬克、英磅對美元不同頻率資料樣本外預測表現列表-----48 表7：日圓對美元不同頻率資料樣本外預測表現列表-----49 表8：馬克對美元不同頻率資料樣本外預測表現列表-----50 表9：英磅對美元不同頻率資料樣本外預測表現列表-----51 表10：台幣對美元不同頻率資料樣本外預測表現列表-----52 表11：高頻率資料樣本外預測表現列表-----55 表12：神經網路在匯率預測上之預測表現實証文獻（國外）-----59 表13：神經網路在匯率預測上之預測表現實証文獻（國內）-----60 表14：綜合型神經網路在匯率預測上之預測表現實証文獻-----62 表15：匯率變動率與AR(1)、MA(1)殘差BDS檢定結果-----70 表16：訓練、驗証、測試集合簡單統計量-----74 表17：演化性神經網路(GANN)相關參數設定列表-----79 表18：倒傳遞神經網路(BPNN)相關參數設定列表-----79 表19：倒傳遞網路與演化性神經網路最適網路架構八種代表性網路列表-----80 表20：網路最佳模式選取—BP1：單變量（lag1期）+tanH-----82 表21：網路最佳模式選取—BP2：單變量（lag1期）+logistic-----82 表22：網路最佳模式選取—BP3：單變量（lag15期）+tanH-----83 表23：網路最佳模式選取—BP4：單變量（lag15期）+logistic-----83 表24：網路最佳模式選取—BP5：多變量（lag1期）+tanH-----84 表25：網路最佳模式選取—BP6：多變量（Iag1期）+logistic-----84 表26：網路最佳模式選取—BP7：多變量（la15期）+tanH-----85 表27：網路最佳模式選取—BP8：多變量（lag15期）+logistic-----85 表28：網路最佳模式選取—GA1：單變量（lag1期）+1層隱藏層-----86 表29：網路最佳模式選取—GA2：單變量（lag15期）+1層隱藏層-----86 表30：網路最佳模式選取—GA3：多變量（lag1期）+l層隱藏層-----87 表31：網路最佳模式選取—GA4：多變量（lag15期）+1層隱藏層-----87 表32：網路最佳模式選取—GA5：單變量（lag1期）+2層隱藏層-----88 表33：網路最佳模式選取—GA6：單變量（lag15期）+2層隱藏層-----88 表34：網路最佳模式選取—GA7：多變量（lag1期）+2層隱藏層-----89 表35：網路最佳模式選取—GA8：多變量（lag15期）+2層隱藏層-----89 表36：各模型樣本外預測表現列表—預測誤差準確性（一次式誤差函數）-----90 表37：各模型樣本外預測表現列表—預測誤差準確性（二次式誤差函數）-----91 表38：各模型樣本外預測表現列表—對稱變動方向準確性-----92 表39：各模型預測表現排行榜—訓練樣本(trainingset)-----93 表40：各模型預測表現排行榜—驗証樣本(validationset)-----94 表41：不同網路架構矩陣對照表-----94 表42：各模型預測表現排行榜—測試樣本(testingset)-----95 表43：神經網路模型和隨機漫步模型樣本外預測表現顯著性檢定值-----96 表44：多變量與解釋變數個數影響力之顯著性檢定-----97 表45：訓練、驗証、測試集合不同網路架構預測表現最佳前三名列表-----98 | zh_TW |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#A2010000617 | en_US |
| dc.title (題名) | 有關匯率隨機漫步性質之再議 | zh_TW |
| dc.type (資料類型) | thesis | en_US |
