摘要
　　本研究以日圓兌美元匯率報酬率在東京、倫敦、紐約外匯市場間之共整合關係為研究目的，研究期間1994年1月4日至2011年4月27日，使用向量自我迴歸模型(Vector Au-toregressions model)、衝擊反應函數分析、預測誤差變異數分解、Johansen共整合檢定實證分析亞洲金融風暴、日本實施寬鬆外匯管制、次級房貸危機三個事件，以三個事件為本研究時空背景，並將事件分為九個模式時段，探討各事件發生前後時段，對不同時區東京、倫敦、紐約外匯市場間所存在價格傳遞、資訊不對稱、領先及落後訊息、Granger因果關係及共整合關係為實證分析研究。
　　經實證分析結果，發現研究結果如下：
一、在金融風暴前，市場上對訊息敏感度皆較低，而風暴後敏感度皆提高，實施貨幣政策或資金挹注後，又恢復原來水準。
二、受金融風暴衝擊後，投資人或貿易商或避險者反應訊息，快速傳遞後，在落後4期至5期後為收斂。
三、在東京外匯市場受紐約外匯市場的影響較倫敦外匯市場可解釋比例為低。
四、在亞洲金融風暴後，倫敦、紐約外匯市場的共整合程度更高；而日本實施寬鬆外匯管制後，因正是亞洲金融風暴期間，倫敦與紐約共整合程度較不顯著；在次級房貸危機期間，歐美兩大匯市共整合關係較弱，長期仍會回到均衡水準，則表示具有高度共整合關係。
五、發現以紐約外匯市場較其他二個外匯市場為強勢及具效率性，較不受市場上任何落後或領先訊息所影響，而東京外匯市場上，易受到市場上落後或領先訊息所影響，倫敦次之，歸納本研究結果，紐約外匯市場屬於強勢，倫敦外匯市場屬於半強勢、東京外匯市場屬於弱勢。
綜上所述，當金融風暴發生時，東京外匯市場較其他市場容易受領先或落後訊息傳遞，而影響日圓匯率報酬率，紐約外匯市場具效率性，不易受其他市場所影響，且倫敦與紐約外滙市場共整合關係較高。

The main purposes of research are the co-integration of return of the yen - dollar exchange rate among Tokyo, London, New York FX market. The research period from Jan. 4, 1994 to Apr. 27, 2011, using the empirical analysis of Vector Autoregressions Model, Impulse Response function analysis, Forecast Error Variance Decomposition, Johansen co-integration test for three events of the Asian financial crisis, Japanese deregulation and Subprime mortgage crisis. The research background is structure three events, and separate events into nine patterns. We investigate to exist price transmissions, information asymmetry, leading and lagging message, Granger causality and co-integration relationship between pre-event and post-event in Tokyo, London, New York FX market. The empirical analysis found that the results are as follows:
1. Before the financial crisis, the market’s sensitivity was relatively low. After the financial crisis, the market became more sensitive. After the implementation of monetary policy or increase the money supply, it was recovered the original level.
2. After Asian Financial Crisis, investors or traders or hedgers passed information very quickly. However, after four to five times-periods, the speed of information transmission was slow down.
3. The Tokyo FX market was affected by London FX market could be explained more clearly than Tokyo FX market was affected by the New York FX market.
4. After Asian Financial Crisis, the co-integration between London and New York FX market be-came higher. After Japan’s deregulation, it happened at the same time during the Asian Financial Crisis, the co-integration of London and New York FX market was not significant. During Sub-prime Mortgage Crisis, the weak co-integration between London and New York FX market was relatively lower. It still returns to the long-term balance level. It means that higher co-integration relations.
5. We found that the New York FX market was more strong and more efficient than the other. The New York FX market is not affected by leading or lagging information. The Tokyo FX market was affected by leading or lagging information more than London FX market. Summarized the conclusion of the research, New York FX market is strong, London FX market is semi-strong, and Tokyo FX market is weak.
The summary of this paper, when financial crisis happened, the return of yen-dollar in Tokyo FX market would be easily effected by leading or lagging information. The New York FX market was efficient, and it would not be affected by leading or lagging information easily. Also, the co-integration of New York and London FX markets is relatively higher.

目錄
摘要 I
Abstract II
目錄 III
表目錄 V
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 3
第三節 研究限制 4
第四節 研究架構 5
第二章 文獻回顧及探討 6
第一節 金融風暴 6
第二節 國際股匯市資金移動 8
第三章 研究方法 9
第一節 研究變數、資料來源及處理、研究期間 9
第二節 單根檢定 11
第三節 Granger因果關係檢定（Granger Causality Test） 13
第四節 向量自我迴歸模型(Vector Autoregressions Model) 14
第五節 共整合分析 17
第四章 實證結果與分析 19
第一節 資料敍述統計摘要 19
第二節 單根檢定 23
第三節 Granger因果關係檢定(Granger Causality Test) 25
第四節 向量自我迴歸模型(Vector Autoregressions Model) 29
第五節 衝擊反應分析 41
第六節 預測誤差變異數分解(Variance Decompositions) 45
第七節 Johansen共整合檢定 55
第五章 結論與建議 57
第一節 結論 57
第二節 研究貢獻 59
第三節 研究限制及建議 60
參考文獻 61
圖目錄
圖4-1　東京外匯市場日圓匯率圖 19
圖4-2　倫敦外匯市場日圓匯率圖 19
圖4-3　紐約外匯市場日圓匯率圖 19
圖4-4　三個不同時區外匯市場日圓匯率圖 19
圖4-5　東京外匯市場對日圓匯率日報酬率(%) 22
圖4-6　倫敦外匯市場對日圓匯率日報酬率(%) 22
圖4-7　紐約外匯市場對日圓匯率日報酬率(%) 22
圖4-8　東京、倫敦、紐約外匯市場對日圓匯率報酬率(%) 22
圖4-9　亞洲金融風暴前(1994/1/4 ~ 1997/7/1)衝擊反應圖 42
圖4-10　亞洲金融風暴時(1997/7/2 ~ 1999/9/30) 衝擊反應圖 42
圖4-11　亞洲金融風暴後(1999/10/1 ~ 2011/4/27)衝擊反應圖 42
圖4-12　日本實施寬鬆外匯管制前(1994/1/4 ~ 1998/3/31)衝擊反應圖 43
圖4-13　日本實施寬鬆外匯管制後(1998/4/1 ~ 2011/4/27)衝擊反應圖 43
圖4-14　次級房貸危機前(1994/1/4 ~ 2007/4/1)衝擊反應圖 44
圖4-15　次級房貸危機時至QE1前(2007/4/1 ~2008/10/2)衝擊反應圖 44
圖4-16　QE1時至QE2前(2008/10/3 ~2009/3/31)衝擊反應圖 44
圖4-17　QE實施後(2009/4/1 ~2011/4/27)衝擊反應圖 44


表目錄
表3-1　外匯交易時間表 9
表3-2　使用變數資料 10
表4-1　東京、倫敦、紐約日圓兌美元匯率敍述統計 21
表4-2　東京、倫敦、紐約日圓兌美元匯率報酬率(%)敍述統計 21
表4-3　日圓匯率變數、日圓兌美元匯率報酬率之單根檢定（含常數項） 24
表4-4　事件時間表 25
表4-5　各外匯市場之日圓匯率日報酬率Granger因果關係檢定 26
表4-6　各外匯市場之日圓匯率日報酬率Granger因果關係檢定 27
表4-7　各外匯市場之日圓匯率日報酬率Granger因果關係檢定 28
表4-8　各事件期間最適落後期數彙整表 29
表4-9　 VAR模型－亞洲金融風暴前檢定統計(1994/1/4~1997/7/1) 32
表4-10　VAR模型－亞洲金融風暴時檢定統計(1997/7/2~1999/9/30) 33
表4-11　 VAR模型－亞洲金融風暴後檢定統計(1999/10/1~2011/4/27) 34
表4-12　 VAR模型－日本實施寬鬆外匯管制前檢定統計(1991/1/4~1998/3/31) 35
表4-13　VAR模型－日本實施寬鬆外匯管制後檢定統計(1998/4/1~2011/4/27) 36
表4-14　VAR模型－次貸危機前檢定統計(1994/1/4~2007/4/1) 37
表4-15　VAR模型－次貸危機時至QE1前檢定統計(2007/4/2~2008/10/2) 38
表4-16　VAR模型－QE1至QE2檢定統計(QE1至QE2 2008/10/3~2009/3/31) 39
表4-17　VAR模型－QE2後檢定統計(2009/4/1~2011/4/27) 40
表4-18　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(亞洲金融風暴前1994/1/4 ~ 1997/7/1) 46
表4-19　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(亞洲金融風暴時1997/7/2 ~ 1999/9/30) 47
表4-20　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(亞洲金融風暴時1997/7/2 ~ 1999/9/30) 48
表4-21　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(日本實施寬鬆外匯管制前1994/1/4 ~ 1998/3/31) 49
表4-22　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(日本實施寬鬆外匯管制後1998/4/1 ~ 2011/4/27) 50
表4-23　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(次貸危機前1994/1/4 ~ 2007/4/1) 51
表4-24　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(次貸危機時至QE1實施前2007/4/2 ~ 2008/10/2) 52
表4-25　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(QE1實施後至QE2實施前2008/10/3 ~ 2009/3/31) 53
表4-26　東京、倫敦、紐約外匯市場日圓匯率報酬率之預測誤差變異數分解表(QE2實施後2009/4/1~ 2011/4/27) 54

參考文獻
中文文獻
1.王建立(2006)，「股價、匯率、利率間波動動態相關性之研究」，銘傳大學財務金融學系碩士班碩士論文。
2.吳其定(2007)，「滬、港、台、美四地股市指數與區域經濟成長關聯性及共整合之研究－以中、港CEPA實施前後期為例」，中央大學財務金融研究所碩士論文。
3.李雨純（2000），「亞洲金融風暴下之國際股市動態傳導效果」，中國文化大學經濟學研究所碩士論文。
4.李祥熹、李崇主（2000），台灣地區外資、匯率與股價關聯性之研究-VAR與VECM之應用，證卷市場發展季刊，12(3)。
5.李碧純（1997），「亞洲各國股匯市波動之傳遞效果-金融風暴前後之探討」，中央大學財務管理研究所碩士論文。
6.林于文（2003），「股價、匯價、利率傳遞效果之分析-多變量VAR-EGARCH的應用」，逢甲大學經濟學系研究所碩士論文。
7.段光齡（2000），「美國、日本與亞洲四小龍之股市相關分析」，臺北大學經濟學研究所碩士論文。
8.胥愛琦、吳清豐(2003)，「台灣股市報酬與匯率變動之波動性外溢效果-雙變量EGARCH 模型的應用」，台灣金融財務季刊，第四輯，第三期，頁87-103。
9.張志立(2005)，「國際資本移動與股匯市關連性之研究-台灣、南韓、印尼與泰國之個案」，靜宜大學會計學系碩士班碩士論文。
10.郭彥菁(2009)，「美國次級房貸風暴對台灣股匯市相關性之影響」，真理大學管理科學研究所碩士論文。
11.陳君達（2000），「價格變動與國際股市波動相關性之研究」，淡江大學財務金融學研究所碩士論文。
12.黃紀風（1999），「國際股票市場共整合與動態關聯之實證研究」，淡江大學財務金融學系研究所碩士論文。
13.楊麗曄(1999)，「股票、貨幣、外匯及債券市場間之連動效果分析－台灣地區實證研究」，輔仁大學金融研究所碩士論文。
14.溫靜瑜（1994），「我國外匯市場利率平價與遠期匯率不偏性假設之檢定-VAR之應用，中正大學財務金融研究所碩士論文。
15.葉輔錩（1997），「台灣與主要貿易國即期匯率間之研究-多變數共整合模型分析」，淡江大學財務金融研究所碩士論文。
16.謝欣翰（2003），「亞洲貨幣單一化與各國貿易之關聯性研究-以向量自我迴歸模型為例」，中原大學企業管理研究所碩士論文。

英文文獻
1.Aarle, Bas van, Boss, Michael, and Hlouskova, Jaroslava, (2000), “Forecasting the Euro Exchange Rate Using Vector Error Correction Models,” WeltwiRschaftliches Archiv, 136(2), 232-258.
2.Arize, A. C., (1995), “Trade Flows and Real Exchange-Rate Volatility: An Application of Cointegration and Error-Correction Modeling,” NoRh American Journal of Economics & Finance, 6(1), 37-51.
3.Arize, A. C., (1996), “Cointegration Test of a Long-Run Relation between the Trade Balance and the Terms of Trade in Sixteen Countries,” NoRh American Journal of Economics & Finance, 7(2), 203-215.
4.Arshanapalli, B., J. Doukas, and Lang L. H. P.（1997）, “Common Volatility in the Industrial Structure of Global Capital Markets,” Journal of International Money and Finance, 16, pp. 189-209.
5.Bahmani-Oskooee, M. and A. Sohrabian, 1992, “Stock Prices and the Effective Exchange Rate of the Dollar” Applied Economics 24, 459-464.
6.Dickey, D. A. and Fuller, W. A., (1979), “Distribution of Estimators for Autogressive Times Series with a Unit Root,” Journal of American Statistical Association, 76, 427-431.
7.Dickey, D. A. and Fuller, W. A., (1981), “Likelihood Ratio Statistics for Autoregressiver Time Series with a Unit Root,” Econometric, 49(4), 1057-1072.
8.Dickey, D. A. and W. A. Fuller (1979), “Distribution of the Estimators for Autoregression Time Series with a Unit Root,” Journal of Accounting Statistical Association,74, 427-432.
9.Engle and Yoo (1987), a note with G.S. Maddala, Introduction to Econometrics, Oxford University Press, P588.
10.Engle, R. F. and C. W. J. Granger (1987), “Cointegration and Error Correction:Representation, Estimation and Testing,” Econometrica, 55,251-76
11.Engle, RobeR F. and Granger, C. W J., (1987), “Cointegration and Error-Correction: Representation, Estimation, and Testing, ” Econometric, 55, 51-76.
12.Fama, F. F.（1991）, “Efficient Capital Market II,” Journal of Finance, 46, 1575-1617.
13.Gabriele Galati , William Melick and Marian Micu 2005. “Foreign exchange market intervention and expectations: The yen/dollar exchange rate,’’ Journal of International Money and Finance 24: 982-1011.
14.Granger, C. W. J. and Newbold, P., (1974), “Spurious Regressions in Economic,” Journal of Econometrics, 12, 111-120.
15.Granger, C.W.J, Huang, B., Yang, C.W., 2000. A bivariate causality between stock prices and exchange rates: Evidence form recent Asian flu. The QuaRerly Review of Economics and Finance 40: 337-354.
16.Johansen, S. (1988), “Statistical Analysis of Cointegration Vectors,” Journal of Economic Dynamics and Control, 12, 231-254.
17.Johansen, S. (1991), “Estimation and Hypotheses in Testing of Cointegratiion Vectors in Gaussian Vector Autoregressive Model,” Econometrica, 59, 1551-1580,
18.Johansen, S. and K. Juselius (1990), “Maximum Likelihood Estimation and Inference on Cointegration – with Application to the Demand for Money,” Oxford Bulletin of Economics and Statistics, 52, 169-210,
19.Kearney, C.（2000）, “The Determination and International Transmission of Stock Market Volatility,” Global Finance Journal, 11, pp. 31-52.
20.Kwiatkowski, D., P. C. B. Phillips, P. Schmidt and Y. Shin (1992), “Testing the Null Hypothesis of Stationary Against the Alternative of a Unit Root,” Journal of Econometrics, 54, 159-178.
21.Said and Dickey（1984）, “Testing for Unit Root in Autoregressive Moving Average Models of Unknown Order”, Biometrika, 71, pp.599-607.