臺灣博碩士論文加值系統

自民國84年起我國進出口貿易額雙雙突破千億美元大關，94年達到3700億美元，而新台幣兌換美元年平均匯率由80年26.809元貶值到91年34.575元，再升值到94年32.167元，貶值了28.97%，再升值了7%，波動幅度大。由於進出口貿易金額龐大，匯率的變動也直接影響進出口廠商的利潤，新台幣的升值更直接衝擊出口產業，尤其以代工為主低毛利的電子產業更甚，如何減少匯率變動的風險及降低交易成本是為企業財務主管首要的課題。財務主管除研判匯率長期的趨勢外，選擇良好的財務預測工具，來預測判斷匯率短期的變動，以便在拋補外匯部位時能掌握交易時機，在高點拋售或低點買入以固定風險、減少成本或利潤的不確定性為本文主要討論的重點。傳統上常以專家意見法、迴歸分析法、時間系列模式等方法來做為預測的工具。本文主要以灰色預測GM(1,1)模型及迴歸分析法並以五種滾動模型來檢驗，篩選精確度較高的模型再與指數平滑法比較來選用最佳模型，並以此最佳模型統計『預測之下一期高點低於實際高點』或『預測之下一期低點高於實際低點』作為交易成功之機會。測量模型精確度之績效衡量指標採用平均方誤差(MSE)及絕對平均百分比誤差(MAPE)，採誤差最小之模型作為選用模型來預測下一期匯率走勢，以作為企業財務主管在拋補美元部位時能掌握時機固定風險，實務上採用中央銀行2001年1月2日至2005年12月30日總共1250筆日匯率為原始統計資料，再以每五筆為一週求出每週高點及低點為次級資料。
一、本研究發現：
(一)在短期匯率預測精確度方面：傳統的預測方法(指數平滑法)並不亞於灰色GM(1,1)預測模型。
(二)在日匯率預測方面：迴歸分析預測精度優於灰色GM(1,1)預測模型，但在週高低點匯率預測方面(波動幅度大)則劣於GM(1,1)預測模型。
(三)指數平滑法其平滑系數並不一定介於0-1之間，由微調分析可知介於0-2之間可找出最佳預測值。
(四)以『預測之下一期高點低於實際高點』或『預測之下一期低點高於實際低點』作為交易成功之機會方面：三種模型其交易成功機率各約一半左右。
二、本研究結果彙總如下：
(一)在日匯率預測方面：灰色預測在五種滾動模型以九點滾動較佳，而迴歸分析以四點滾動較佳，上述二兩種模型在MAPE及MSE又以迴歸分析較佳，各為0.178及0.839%，以四點滾動迴歸分析跟指數平滑比較，在平滑系數1.08，日匯率預測值其MAPE與MSE值以指數平滑法最佳，各為0.134及0.540%。
(二)在週高點匯率預測方面：灰色預測在五種滾動模型以四點滾動較佳，而迴歸分析也以四點滾動較佳，上述二兩種模型在MAPE及MSE又以灰色預測GM(1,1)模型較佳，各為0.394及3.999%，以四點滾動GM(1,1)模型跟指數平滑比較，在平滑系數1.21，週高點匯率預測值其MAPE與MSE值以指數平滑法最佳，各為0.314及2.703%。
(三)在週低點匯率預測方面：灰色預測在五種滾動模型以四點滾動較佳，而迴歸分析也以四點滾動較佳，上述二兩種模型在MAPE及MSE又以灰色預測GM(1,1)模型較佳，各為0.383及3.025%，以四點滾動GM(1,1)模型跟指數平滑比較，在平滑系數1.33，週低點匯率預測值其MAPE與MSE值以指數平滑法最佳，各為0.307及2.115%。
(四)以『預測之下一期高點低於實際高點』或『預測之下一期低點高於實際低點』作為交易成功之機會方面：在GM(1,1)四點滾動模型其交易成功機率各為48.4%及50%、迴歸分析四點滾動模型其交易成功機率各為47.2及51.6%、指數平滑法在週高點預測其平滑系數1.21及週低點預測其平滑系數1.33，其交易成功機率各為45.1及52.8%，可供企業界財務操作人員參考。

Both import and export trading amounts of Taiwan broke the US$100 billion mark in 1995 , where the figure in 2005 is US$370 billion. The annual average exchange rate of NTD to USD devalued from NT$26.809 of 1991 to NT$34.575 of 2002, the appreciated to NT$32.167 of 2003. The exchange rate moved down 28.97% firstly then moved up 7%. The fluctuation is in great level. With the enormous amounts of import and export trades, the change in exchange rate impacts heavily on the profit of import and export firms. The up-value of NTD has direct impact on the export industry. This is particularly true for electronic industries that are mostly at OEM basis and featured with marginal gross profit. Hence minimizing the risk due to exchange rate fluctuation and reducing the transaction cost have become a major lesson of financial executive of a firm. In addition to judging the long term exchange rate trend, financial executives need a good financial prediction tool to predict and judge the short term change of exchange rate, so that the foreign exchange may be sold or bought to maintain proper position at correct timing for selling at high and buying at low to fix or to minimize risk. Reducing cost or the uncertainty of profit is the major point discussed in this article.
Traditionally, the tools for prediction include Expert Advice, Regression Analysis and time serial mode. In this article, we mainly discuss Grey Prediction, GM (1,1) Model and Regression Analysis and tested with Rolling Model to screen high accuracy model. The result will then be compared with Exponential Smoothing method to select the best model. This best model statistic is applied to “Predict next high of lower than actual high” or “Predict next low of higher than actual low” point as the chance of successful trading. The performance measuring indicators used for measuring the accuracy of model are with MSE and MAPE, and the model with lest error is selected to predict the trend of exchange rate for the next period, for the financial executive of a business to determine the timing for buying or selling of USD position. In the actual maneuvering, 1200 day exchange rates between Jan 2, 2001 and Dec. 30, 2005 are adopted as the primary statistic data. They are then calculated in 5 day-week to find the week high and week low, and used as secondary data.
1. Finding of the Study
1) Accuracy of short term exchange rate: Traditional prediction method (Exponential Smoothing Method) is no less accurate than Grey GM (1.1) prediction model.
2) In Daily exchange rate prediction: Regression analysis has higher accuracy than Grey GM (1,1) prediction model, but in the week-high/ low exchange rate prediction (with wider fluctuation) it is poorer than Grey GM (1,1) prediction model.
3) The Smoothing Coefficient of Exponential Smoothing Method is not always between 0 and 1 and it is found to be between 0 and 2, after fine-tuning analysis, which enables to locate the best prediction value.
4) With Predicting next high lower than actual high or predicting next low higher than actual low as the chance of successful trading: the entire three model has each 50/50 probability of successful trading.
2. The results of the Study are concluded as the following:
1) In the Daily Exchange Rate Prediction: Grey prediction is better in 9-point rolling in 6 Rolling Models, while Regression Analysis is better in 4-point rolling. The two models above in MAPE and MSE have Regression Analysis better, with 0.178 & 0.839% respectively. When comparing 4-point Rolling Regression Analysis with Exponential Smoothing, when the smoothing coefficient is 1.08, the daily exchange rate prediction is better with Exponential Smoothing Method at MAPE and MSE, 0.134 & 0.540% respectively.
2) In the prediction of Week-High exchange rate: Grey prediction in 5 rolling model, 4 points rolling is better, same apply to regression analysis, better in 4 points rolling. When the above 2 models in MAPE and MSE Grey GM (1,1) prediction model is better each of 0.394 & 3.999% respectively. When comparing 4 point rolling (1,1) model with Exponential Smoothing Method, when the Smoothing Coefficient at 1.21, the MAPE and MSE values of Week-High exchange rate prediction values are better in Exponential Smoothing Method 0.314 & 2.703% respectively.
3) In Week-Low exchange rate prediction: In 5 Rolling Models, Grey Prediction is better with 4 point rolling; regression analysis is also better with 4-point rolling. The above two models in MAPE and MSE, Grey Prediction GM(1,1) model is better, at 0.383 and 3.025% respectively. Comparing 4 –point rolling GM (1,1) model with exponential smoothing method, when the smoothing coefficient is at 1.33, the Week-Low exchange rate prediction MAPE and MSE value are better with Exponential Smoothing Method, each at the value of 0.307及2.115% respectively.
4) When Predicting next high lower than actual high or Predicting next low higher than actual low as the chance of successful trading: GM(1,1) 4-point rolling model has probability of successful transaction at 48.4% and 50%; the Regression Analysis 4-point rolling model have probabilities of successful transaction of 47.2 and 51.6%. In the Exponential Smoothing method, in Week-High prediction at smooth coefficient of 1.21 and in Week-Low prediction at smooth coefficient of 1.33, the probabilities of successful transaction are 45.1 and 52.8%. This could be provided for the reference of financial operators in business.

第一章緒論……………………………………………………………………1
第一節研究動機………………………………………………………………1
第二節研究方向………………………………………………………………3
第三節研究目的………………………………………………………………5
第四節研究範圍………………………………………………………………5
第五節研究限制………………………………………………………………6
第二章文獻回顧………………………………………………………………7
第一節匯率理論………………………………………………………………7
第二節匯率預測的方法………………………………………………………22
第三章研究方法………………………………………………………………31
第一節資料來源及期間………………………………………………………31
第二節灰色系統理論…………………………………………………………31
第三節迴歸分析與指數平滑法預測…………………………………………42
第四節模型預測之檢測指標…………………………………………………42
第五節資料分析步驟…………………………………………………………45
第四章實證分析與結果………………………………………………………47
第一節日匯率預測……………………………………………………………47

第二節週高點匯率預測………………………………………………………59
第三節週低點匯率預測………………………………………………………71
第四節統計預測下一期之高低點的交易成功機會…………………………83
第五節三種預測方法其最佳預測值與實際值走勢圖………………………87
第五章研究結論與建議………………………………………………………90
第一節研究結果及發現………………………………………………………90
第二節研究建議………………………………………………………………91
文獻參考………………………………………………………………………92

1.中央銀行網站http://www.cbc.gov.tw。
2.外匯操作解析，中小企業聯合輔導中心，1994。
3.江妍慧(1999)，「匯率決定因素之整合研究」，中興大學財政學系研究所碩士論文。
4.何台章(2003)，匯率之估測，中國商銀月刊，92 年12 月號。
5.何台章(2005)， 近十六年來新台幣變動大要，中國商銀月刊，94 年4 月號。
6.李順益，「灰色理論於短期銷或預測之適用性探討」，義守大學資工所論文(2002)。
7.周文賢、魏銘佐，企業預測-理論架構與實務運作，華泰圖書，2000。
8.林定遠(1994)，「短期新臺幣即期匯率之預測」，臺灣大學財務金融系研究所碩士論文。
9.邱至中(2003)，「長短期匯率預測模式績效之比較」，成功大學財務金融系研究所碩士論文。
10洪秀鳳，「應用灰色理論於匯率預測之研究」，義守大學資訊管理研究所論文(2005)。
11高希均、林祖嘉(1998)，經濟學的世界：下篇，天下文化。
12施向陽，「匯率變動預測模型之研究」，大葉大學事業經營所論文(2001)。
13施賑勝(2005)，美元對新台幣短期匯率預測之研究，世新大學管理學院經濟學系碩士學位論文。
14徐桂祥(1996)，灰色系統在商情預測上之研究，國立雲林科技大學資訊管理技術研究所碩士論文。
15徐演政、葉治宏、林昌本(1999)，「GM（1,1）建模點數剖析與評論」，第四屆灰色系統理論與應用。
16財政部網站http://www.mof.gov.tw。
17許巧鶯、溫裕弘(1998)，「應用灰色預測與灰色聚類於航空公司航線運量預測與型態設計」，模糊系統學刊，第四卷第二期，51-62 頁。
18黃家輝，「利用灰色理論於選題策略之研究」，義守大學資工所論文(2002)。
19黃雅蘭(2000)，台灣股價指數期貨套利之研究－類神經網路與灰色理論之應用，國立台灣科技大學資訊管理研究所碩士論文。
20陳心一(1997)，「短期匯率預測：ARIMA與GARCH模型之比較研究」，中山大學財務管理系研究所碩士論文。
21陳怡妏，「半導體產業景氣之灰預測研究」，彰化師範大學商業教育系論文(2001)。
22陳冠憲(2000)，由馬可夫轉換模型與CAPM 預測台股報酬率及變異數，國立臺灣大學國際企業學研究所碩士論文。
23陳學毅(2004)，匯率預測模型績效之研究--時間序列及灰色預測模型之應用，東海大學國際貿易學系碩士論文。
24國際經濟金融動態(2005)，中國商銀月刊，2005年2、3 月號。
25郭燕燕(2003)，「新台幣兌美元即期匯率決定因素-外匯交易員意見分析」，輔仁大學金融系研究所碩士論文。
26傅金車，「灰色系統用於南部地區水資源需水量預測模型之研究-以自來水為例」，國立高雄科技大學環安所論文(2001)。
27楊明松(2003)，人民幣匯率預測之研究-灰馬可夫鏈應用，大葉大學事業經營研究所碩士論文。
28楊惠婷(2001)，長期需求預測之一研究--以台灣電力需求為例，淡江大學管理科學研究所碩士論文。
29楊銘峰(2000)，新臺幣對美元匯率決定之研究─時間數列方法應用，銘傳大學經濟學研究所碩士論文。
30張小彤(2003)，匯率預測研究—時間數列分析法之應用，大葉大學事業經營研究所碩士論文。
31張清溪(1998)，經濟學，翰蘆圖書。
32蔡瓊星、吳漢雄、莊漢東，「灰色預測a係數調整及滾動建模之探討」，灰色系統理論與應用研討會論文(1997)。
33謝志森(2004)，應用灰色預測理論於台灣化妝品消費市場發展趨勢之預測，朝陽科技大學企業管理研究所碩士論文。
34鄧聚龍，灰色系統理論與應用，高立圖書有限公司，台北，2003。
35鄧聚龍，郭洪，灰色預測模型與應用，高立圖書有限公司，台北，1999。
36Chao Hung Wang(2004), “Predicting tourism demand using fuzzy time series and hybrid grey theory,” Tourism Management, Vol.25, pp.367-374。
37Chin Tsai Lin, and Pi Fang Hsu(2002),“Forecast of non-alcoholic beverage sales in Taiwan using the Grey theory,” Asia Pacific Journal of Marketing and Logistics;Vol.14, pp.3-12
38Dickey,D.A.and W.A.Fuller.(1981),“Likelihood Ratio Statistics for Autoregressive Times Series with a Unit Root＂,Econometrica,Vol.49 (4),pp.1057-1072.
39Frankel,Jeffery A.(1979), On The Mark: A Theory of Floating Exchange Rates Based on Real Interest Differentials,American Economic Review,Vol.69, pp.611-622.
40Froot Kenneth, Scharfstein David, and Stein Jeremy(1993), “Risk management:Coordinating corporate Investment and financing policies,”Journal of Finance,Vol.48, pp.1629-1658
41George E.P.Box,and Gwilym M.Jenkins.(1976),“Time series Analysis foreasting and control＂,Revised Edition
42Ohlson ，Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research(Vol.18, No.1)：P109--P131，(1980)。