次級房貸風暴對臺股指數與國際指數互動關係之影響...

(26) 臺灣銀行季刊第六十一卷第四期

次級房貸風暴對臺股指數與國際指數互動關係

之影響

賴弘程*、曾增展**

摘要

一、緒論二、文獻回顧三、研究設計與方法

四、實證結果與分析五、結論

摘要

本研究旨在探討美國次級房貸風暴對台股與各國指數間互動的影響。實證結果顯

示，次貸風暴發生前，各國股市於長期並無均衡共整合關係；然而在風暴發生後，各國

股市則存在共整合關係，顯示風暴後各國股市具有長期穩定均衡之關係。此外，於次貸

風暴發生後，美國股市對台灣股市的影響程度有下降的情形。最後，中國股市對台灣股

市變異的解釋能力，在歷經次貸風暴後則有提高的現象，由此反應出中國股市於受到次

貸風暴的影響後，與台灣彼此之間的短期互動能力有提高的現象。

一、緒論

近年來，由於國際金融市場的緊密結合，無論開發中國家或已開發國家之金融市場

關聯性都相對提高。因此，國際股市的投資者，愈來愈重視其投資組合風險是否能有效

分散。然而，自 2007 年起，正當國際股市多頭氣勢如虹，美國次級房貸風暴悄悄的開始引爆，美國經濟因為次級房貸風暴影響而重挫，影響所及亦遍及了整個歐洲。當時的

德國政府被迫出手救援銀行危機，而法國巴黎銀行也暫停旗下三檔基金投資人贖回，導

致歐美股市進一步重挫。在亞洲股市，同樣也遭受到嚴重的衝擊，我國當時萬點行情一

蹴可及之時，加權股價指數走勢卻反轉急下，由最高點而下跌至最低點時將近有 60%。由此可知，美國次級房貸風暴延燒，不但造成美國房市泡沫化，甚而引發全球金融市場

的連鎖反應，也因此加深了投資人風險分散的困難度。觀察美國的次級房貸風暴的發生，國內學者林左裕（2008）指出主要是證券化之架

* 僑光科技大學財金系助理教授 ** 南開科技大學財金系助理教授

次級房貸風暴對台股指數與國際指數互動關係之影響 (27)

構下，使得放款銀行或貸款創始機構，得以藉證券化機制轉移放款風險，但隨之而來的

市場泡沫破滅，導致違約與銀行的損失，因而埋下了風暴的因子。所謂次級房貸

（subprime mortgage），是為信用評等較差的人所提供的貸款，因借款人信用狀態較一般房貸戶為差，故相對其貸款利率較一般借款戶高。另外，次級貸款的利率為隨著時間

變動的浮動利率，因而對借款人有較大風險。由於次級貸款的違約率較高，對於貸款者

也有較正常貸款更高的信用風險。於 1980 年代初期，由於美國利率由高峰開始往下走跌（圖 1），使得資金成本的

大幅降低，因而帶動了房地產市場的蓬勃發展。在近期十年間，美國人的房屋自有率亦

隨之提升，其中有一半的融資來源是屬次級房貸。在美國次級貸款市場中，房利美

（Fannie Mae）及房地美（Freddie Mac）（註一）兩家公司擔保的房貸幾乎占全美國房貸總額的一半，兩家公司均經由政府特許成立，部分董事由政府派任，因此都具有官方色

彩，由此可見其在房貸市場之重要地位。再者，兩家公司並不直接承做房貸，而是向銀

行或民間房貸業者收購抵押貸款，讓房貸業者取得更多資金，協助購屋者取得房貸，進

一步活絡房市。

圖 1 美國聯邦儲備銀行市場利率（1972-2009 年初）

0

2

4

6

8

10

12

14

16

18

1972197419761979198119841986198919911993199619982001200320062008

年份

利率(%)

資料來源：Board of Governors of the Federal Reserve System

然而，隨著美國於 2004 年起數度調高利率後，影響長期走高的房價，也引發了購屋借款之次級房貸的違約潮。最後，於 2008 年 9 月 7 日，美國財政部根據破產法第 11 章接管房利美與房地美，而董事會成員與高階主管則改由聯邦住房金融局（federal housing finance agency）所指派。由於兩家公司影響所及甚遠，因此也引發了一波金融海嘯。

對於投資人而言，美國次級房貸的衝擊，是否會影響全球股市和臺灣股市連動之關

係乃是關心的重點。外資在面對臺灣的淺碟型市場，大多選擇股本大或在外流通股數多

的個股進行投資，以避免流動性風險的發生，有鑑於此，當市場發生系統風險時，外資

為因應國外資金的需求而從臺灣匯出，使得加權股價指數受到外資的影響相對較大（註二），

故全球金融市場發生重大事件時，台股的波動往往較世界各國股市而劇烈，而次貸風暴

的影響也發生了相同的情形。基此，本文研究目的，旨在藉由次級房貸風暴事件的發生，分析國際股票市場在風


暴發生前後，國際股市長短期動態傳遞效果的差異性以及長期均衡之關係。透過本研究

的分析，可進而瞭解次貸風暴是否會對國際指數之間的連動產生變化，並找出臺灣與國

際股市之間的領先—落後（lead-lag）關係，以及臺灣與各國股市的因果關係，以期提供投資人更多參考的資訊。

本文之章節架構安排如下：第一單元為緒論，說明本文研究動機與目的；第二單元

為文獻回顧，針對過去研究議題分類說明。第三單元為研究設計與方法，其中包括樣本

範圍、變數定義與模型設計說明。第四單元則為本研究之實證結果；最後單元則為本研

究之結論。

二、文獻回顧

世界各國對外貿易與投資，已逐漸走向自由化的開放政策，而國際金融市場為降低投

資風險變化，藉此提高投資之報酬，故形成了國際化投資組合的趨勢。因此，許多國內外

學者無不致力於探討國際資本市場間彼此關聯程度的變化。早期的相關研究中，旨在探討

各國股市的連動關係，其中 Eun and Shim（1989）研究歐、美、亞等九國主要股票市場的國際互動關係，研究顯示各國股市存在多邊互動的關係，且美國股市在國際資本市場中具

有領先地位（註三）。此外，若以投資組合角度作為檢驗基礎，Chan、Gup and Pan（1992）指出，各國股市間並未能形成一個整合市場，故國際投資組合分散風險是有效的。

而相關的文獻中，Darbar and Deb（1997）認為美國與日本存在顯著的暫時性報酬率相關性，但並不存在永久的相關性。而美國、英國與加拿大之間則存在暫時及永久性

的相關性，而報酬率之間的相關性並非完全隨時間而改變。若探討亞洲地區國家和美國

之間的關係，由 Chowdhury（1994）檢驗美國、日本、臺灣、中國、新加坡與韓國等各國股價指數的互動關係結果顯示，美國與日本具有顯著的關聯性，而同樣的情形也在新

加坡與中國之間。然而，臺灣與韓國對其它股市之訊息則不顯著。此外，以描述各國指數長期均衡之關係的研究中，Ghosh, Saidi and Johnson（1999）

以共整合分析亞太地區開發中國家的股票市場為研究對象，探討國際股票市場之間的關

聯性，該研究指出各國股市呈現共整合關係，且臺灣不受日本或美國市場所影響。另

外，Johnson and Soenen（2002）以十三個亞洲國家為研究樣本，觀察不同國家間報酬的相關性，並檢驗市場之間有無領先落後關係。實證結果發現，市場之間的共整合程度

會隨時間而變化，並顯示市場具有高度效率。而在國內相關研究中，徐守德（1995）以亞洲地區作為研究樣本，包含臺灣、日本、新加坡、韓國與中國等國家，探討這亞洲國

家之間是否存在共整合關係，其實證發現均無共整合關係。但是，若加入分析亞洲和歐

美之間股市的關聯性，王毓敏、廖四郎與徐守德（2000）實證結果則顯示美國和亞洲股市具有共整合的關係。上述研究無一致定論原因，可能在於研究期間內各國受事件之衝

擊程度不同所導致。因此，國際指數之間的連動是否會因事件的影響而產生變化，為近年來學界廣泛討

論。其中 Jones and Kaul（1996）以戰後做為研究期間，探討原油價格對股價的衝擊。研究發現於戰後期間，美國和加拿大等國家可藉由現金流量來評估原油對股票市場的衝擊，但


相較之下英國和日本所受的影響則更為劇烈。此外，若探討金融危機事件所造成的影響，

Meric and Meric（1998）和 Smith（1999）研究均認為，全球股市大崩盤會帶來的結構性改變，且提高了各國股市之間的共移程度，因而降低了國際投資組合分散風險的利益。

另一方面，Arshanapalli and Doukas（1995）也有相同的發現，其以 1987 年全球股巿崩盤為分界點，於亞洲股巿崩盤前，美國及亞洲股巿之間並無長期均衡關係，美國的投資

人可以享有投資風險分散利益；但在崩盤後，美國與亞洲股巿有共整合趨勢，因此套利活

動在崩盤後變得頻繁（註四）。另外，Masih and Masih（1997）亦藉由 1987 年股市大崩盤做為主要的研究事件，其針對各國股市的波動情形作研究，探討股巿間報酬傳導的因果關係或

長期均衡趨勢。其結果顯示當危機發生後，國際股市的共整合關係皆有明顯增加的現象。在亞洲金融風暴的影響方面，Groenewold、Tang and Wu（2004）探討風暴前後的

影響，其研究指出上海 A 股指數與深圳 A 股指數，在風暴前具有共整合關係，但在風暴後此關係則已消失。而 Goh, Wong and Kok（2005）實證顯示，1997 年亞洲金融風暴發生後，亞洲地區的股市結構產生了改變。在風暴期間，亞洲股市之間報酬的同期相關

性（contemporaneous correlation）最強，且印尼股市具有領先的地位。然而，各國股市的連動性，是否為蔓延效果（contagion effect）所造成，亦是受到

學界重視之議題。Forbes and Rigobon（2002）以 1987 年美國股市大崩盤、1994 年墨西哥披索危機以及 1997 年亞洲金融風暴做為研究背景，分析這些事件的影響，研究結果認為三大崩盤事件並蔓延效果，而是交互影響所導致。不過國內學者方文碩、王冠閔和董澍琦

（2006）之研究發現，在亞洲金融危機發生後，樣本相關係數平均值多呈顯著的增加或減少，故亞洲股票市場普遍出現蔓延效果，且金融危機顯著衝擊市場間的共同移動走勢。

綜合以上所述，金融市場重大事件所帶來的衝擊，乃實為值得探究的議題。本文將

分別探討各國股票市場之間的關係，以期了解次貸風暴前後所帶來的衝擊對臺灣與各國

股票市場的影響。

三、研究設計與方法

（一）研究期間與資料來源

本研究提出藉由次級房貸風暴發生前後的比較，探討 2006 年到 2008 年 3 年期間臺灣加權股價指數，在次貸風暴前後，與各國股價指數之間的關聯性變化。其中樣本國家選

取，除了臺灣加權股價指數（TAIEX）之外，美加地區以美國 S&P500 指數（S&P500）和加拿大多倫多綜合指數（GSPTSE）為代表，而歐洲地區為德國法蘭克福指數（DAX）、法國巴黎券商公會指數（FCHI）和英國倫敦金融時報指數（FTSE）等，而亞洲地區為中國深圳 B 股指數（SSEB）（註五）、日本日經指數（NIKKEI 225）、韓國綜合指數（KOSPI）與新加坡海峽時報指數（STI）代表，總計共有十個國家之股票市場指數做為分析對象。

由於各國交易時間的不同，因此將各國時區轉換為東方標準時間（EST）觀察後，由表 1 得知美加地區和歐洲地區的收盤時間較為接近，且沒有跨期之情形，因此在交易期間設定上不須調整，故可將其交易時間設為 t 期。值得注意的是，若市場之間收盤時


間相距有一段距離時，則當較早收盤的市場遭受衝擊時，將會影響到仍於 t 期但較晚收盤的市場。另一方面，較晚收盤的市場所遭受的衝擊，則須等到 t+1 期時才會傳遞到較早交易的市場。是故，本文在進行 Granger 因果關係檢定時，由於較早交易時間的市場會影響到較晚交易的市場，所以將較早收盤市場設為 t+1 期，而較晚收盤市場的時間設為 t 期，以期降低因時間本質差異所造成領先—落後關係之誤差。

表 1 各國股票市場交易時間

AM PM 國家 0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00

美國加拿大德國法國英國日本中國韓國台灣新加坡

說明：各國時間時區的度量以東方標準時間（Eastern Standard Time）為基準。

本研究資料取自 C-MONEY 資料庫，資料包括集中市場發行量加權股價指數與各國

代表之股價指數。此外，在進行各股票市場的關聯性分析時，由於會有各國遇假日而有

休市期間不同的問題，所以在處理資料時，當各個國家有任何一個國家當日沒有交易，

則將當日的資料予以刪除，僅保留其它國家皆有交易的共同交易日資料做為研究樣本。

（二）研究方法

本研究將結合時間序列多項研究方法，對於次貸風暴是否造成台股指數與各國指數

間互動關係深入的檢定，研究方法包括：（1）進行單根檢定（unit-root test）與共整合檢定（cointegration test），藉此瞭解各國指數是否具有長期均衡關係。（2）以向量自我迴歸模型進行短期互動測試；（3）採用 Granger（1988）考慮誤差修正項之 VECM 模型進行 Granger Causality 因果關係測試；（4）衝擊反應函數分析，藉此評估模型內各國指數間之跨期動態效果，以及各國指數間之動態交互影響的程度；（5）預測誤差變異分解，以了解各國指數對臺灣加權股價指數的重要性與影響程度。茲將各項研究方

法詳述如下：

1.單根檢定

傳統的迴歸模型是建立在資料數列呈穩定的型態，且假設殘差項為白噪音（white


noise），由於一般的總體時間序列資料，大部分是屬於為非定態（non-stationary），若直接以傳統迴歸方法進行分析，而忽略變數的型態，則可能因而產生假性迴歸（註六）

（spurious regression）的問題。因此，利用時間序列進行統計分析時，必須先檢定資料結構是否呈現定態（stationary），而此項檢定則稱為單根檢定（unit-root test）。

上述定態與非定態時間序列的差別，在於定態時間序列之長期預測將收斂至無條件

的平均值，以及數列具有未隨時間變動之條件變異數；而非定態時間序列的平均值及變

異數，則會隨著時間而改變。亦即，一序列的聯合條件機率未隨時間而改變，則該隨機

過程（stochastic process）可稱為定態。時間序列定態（stationary）的定義，可分為強式（strictly）定態和弱式（weakly）

定態兩種，在一般的研究架構中，大多數分析者以弱式定態之定義為主。例如，若 ty為一定態的數列，必須滿足以下三式之條件：

t t sE y E y( ) ( ) （1） 2 2 2

t t s yE y E y( ) ( ) （2）

t t s t j t j s sE y y E y y( )( ) ( )( ) （3）其中 μ、 2y 、 s 皆為常數，若不符合上述條件，則此一序列稱之為非定態。另外，

單根檢定的主要意義，在於檢定經濟變數之時間序列的整合級次，藉此判定時間序列的

型態。單根檢定有許多方法，本研究以 ADF（Augmented Dickey-Fuller；ADF）進行單根檢定，其檢定模型如下所示：

p

t t 1 i t i 1 ti 2

y y y

：（4） p

t 0 t-1 i t-i 1 ti 2

y a y y

：（5） p

t 0 t-1 2 i t i 1 ti 2

y a y a t y

：（6）

其中 0a 為飄浮項（drift），t 為時間趨勢項（deterministic trend）。上述（4）式、（5）式與（6）式的差異在於模型中是否包含 0 或 t。其檢定的虛無假設為 00 ：H（ ty 數列存在單根，為非定態的時間序列），對立假設為 01 ：H （ ty 數列不存在單根，為定態的時間序列）。

基本時間序列分析方法乃針對定態的序列，若有一個變數必須經過 d 次差分，才能成為一個定態序列，則此變數以 I(d)表示，亦即此數列有 d 個單根。若此變數屬於 I(0)的數列，代表此數列不用差分即成定態，並沒有任何的單根存在。換言之，若數列經過

一次差分即可達到定態，則可以 I(1)來表示。另外，在進行單根檢定時，落後期數的選取為重要的議題。若選擇的落後期數過長

時，則會產生過度參數化（over-parameter）的問題，估計時會產生無效率現象；但若選擇的落後期數過短，則會因為參數的精簡，造成估計偏誤的現象。因此，最適落後期數的選

擇對於研究結果具有很大的影響。故本文分別採用 AIC（Akaike information criterion）、


SC（Schwarz criterion）與 HQ（Hannan-Quinn criterion）等三種準則來選取最適落後期數。

2.共整合的概念

當變數經由差分方式轉成定態數列之後，原本變數之間存在的長期均衡關係可能因

而消失，進而產生偏誤的結果。是故，為避免變數之時間序列資料，在經過差分後而喪

失資料本身的長期重要之訊息，故 Engle and Granger（1987）提出共整合的概念，以解決上述之問題。當變數 tX 和 tY 為 I(1)數列時，其數列之線性組合大多數也是屬於 I(1)數列。然而，若此時存在一向量，使得其線性組合 t t tY X E 成為 I(0)數列，則無須再針對個別的數列進行差分，兩數列即存在了長期的均衡關係，此時可以稱 tX 和 tY 兩數列具有「共整合關係」。

依據 Engle and Granger（1987）對共整合提出的定義，若向量時間序列（vector time series）Yt 為 I(d)數列，且存在一個不等於 0 的向量 α，能使得 )(~' bdIYE tt ，其中 b>0，則稱為 tY 的共整合級數為(d,b)，α則稱為共整合向量（cointegrating vector）。由於變數間可能存在一個以上的共整合關係，因此 α 亦可代表矩陣，而由 r 個獨立的共整合向量所組成，此時將 r 稱為共整合秩（cointegrating rank）。

此外，變數之間是否具有共整合關係，先決條件是彼此必須有同一整合級次。以兩

變數 Xt 和 Yt 為例，假設變數之間整合級不同時，其線性組合則不具有任何意義。所以當台股指數與各國指數間具有相同的整合級次，則可採取共整合檢定（註七），來進行兩數

列間是否存在長期均衡關係，並使得其共整合迴歸誤差項為定態的時間序列。

3.向量自我迴歸模型

Sims（1980）為了解決傳統計量模型中，其無法區分內生與外生變數，以及無法了解變數間之因果關係的情形，因此提出向量自我迴歸模型（vector autoregression, VAR），此模型不需於眾多變數之間的因果關係未確認之前而進行內外生變數的假設，僅需直接針對資料本身進行分析。亦即向量誤差修正模型中的所有變數，包含變數差分

項與誤差修正項，均可視為內生變數。其模型說明如下：

tptptt YYY 11 （7）

（7）式中 tY 為 )1( n 的內生變數向量所組成，具有聯合共變異恆定的線性隨機過程（linearly stochastic process）。而 1tY 至 ptY 是 )1( n 之遞延落後期內生變數向量，是 )1( n 之常數向量，而 1 至 p 是 )( nn 之參數矩陣，可視為一傳導機能， t 則代表

)1( n 之殘差向量，可視為隨機衝擊項（innovations）。

4.Granger 因果關係

根據 Granger（1969）對因果關係的定義，乃利用在不同的訊息集合下增加另一變數，看其能否降低預測誤差的觀念，進行因果關係的檢定。此外，具有共整合關係之變

數差分的動態行程不再適合以傳統的 VAR 模型來表示，此時應以誤差修正模型進行Granger 因果關係檢定。Granger（1969）使用雙因數的 VAR 模型來決定其變數間的因


果關係。假設有兩數列 tt YX、，其定義的訊息集合如（8）、（9）式所示：

k

i

k

ititiitit YXX

1 11210 （8）

k k

t 0 1i t i 2i t i 2ti 1 i 1

Y X Y

（9）

此時檢定四個係數以決定變數間的關係，若 i2 0 且 i1 =0，表示 Y 領先 X，X 落後 Y。若 01 i 且 02 i ，則表示 X 領先 Y，Y 落後 X。若 i2 =0 且 i1 =0，則表示變數間相互獨立。若 i2 0 且 01 i ，表示變數間存在互為因果之回饋關係（feedback）。

5.衝擊反應函數

衝擊反應函數（impulse response function）乃在探討 VAR 模型中各結構干擾項隨著時間變動而對各變數影響之互動關係，亦即當某一變數受到一個外生衝擊時，其它變數

對此衝擊之動態反應模式（dynamic response pattern）。本研究以 Cholesky 分解處理正交化過程，藉此評估模型內各國指數間之跨期動態效果，以及各國指數間之動態交互影響

的程度。其模式如下：

t i t ii 0

Y u I i 1 2, , , ,........,

（10）

（10）式中 i 表示衝擊反應項，由於誤差 1t 可以詮釋為第 t-i 期的未預期之衝擊，若欲觀察落後一期的衝擊時當期變數的影響，則可由（11）式表示之。

tj k z

t 1

Y, ,

（11）

第 j 行、第 k 列的係數因子，其隨著時間所構成的連續函數，稱為衝擊反應函數。

6.預測誤差變異分解

變異分解的用途在於分析 VAR 中每個隨機干擾項對於各個變數的相對影響，亦即各變數在解釋某一變數的預測誤差之變異之相對貢獻率，進而可判斷變數之間相對外生

性的強弱，以及個別變數於系統內重要性與程度之影響。

四、實證結果與分析

為了探討次貸風暴前後各國股市間的影響，本研究針對臺灣與世界各國的股價指數

資料，依最適落後期數進行 ADF 單根檢定，以檢驗實證資料是否符合定態數列，並運用 Johansen 最大概似共整合檢定、向量自我迴歸模型分析、Granger 因果關係檢定、衝擊反應函數與預測誤差變異分解等時間序列方法，實證分析次貸風暴所造成臺灣與各國

股市連動關係變化的影響。透過本文的探討，可以瞭解國際股市間有無長期均衡關係，

並分析次貸風暴是否改變臺灣與國際指數之間的因果關係，同時可對市場之間的關聯性


有更完整瞭解。

（一）單根檢定

為探討序列是否具有穩定的特性，本研究先利用 Augmented Dickey-Fuller（ADF）進行單根檢定（unit root test），針對樣本中十個國家之股票市場指數，分別在次貸風暴前後進行單根檢定。而 ADF 單根檢定的結果，由表 2 可得知，於股價指數方面，無論於次貸風暴前或次貸風暴後，各國之股市數列在 1%的顯著水準下皆無法拒絕單根的虛無假設，因此每一個序列皆為為非恆定數列，表示長期而言，投資人均無法以過去的價

格來預測未來的價格。為了使所有資料皆符合定態的要求，是故將時間數列進行一階差

分，其結果發現，不論在次貸風暴發生前或發生後，各國股價指數經過一階差分後，在

10%的顯著水準下，皆拒絕單根的虛無假設，表示均為恆定的 I(1)序列。

表 2 各國指數之單根檢定次貸風暴前(2006/1/1~2007/6/30) ADF PP KPSS Level 1st Diff. Level 1st Diff. Level 1st Diff. 美國 -0.2134 -9.0911* -0.2993 -17.6488* 1.7232 0.1173* 加拿大 -0.9141 -17.3887* -0.7387 -17.5604* 1.5773 0.0741* 德國 0.2718 -6.7933* 0.4886 -15.9504* 1.6861 0.2088* 法國 -0.7855 -6.8524* -0.7010 -16.7018* 1.6552 0.0637* 英國 -1.1121 -6.9021* -1.1027 -17.0542* 1.5989 0.0489* 日本 -1.6661 -16.6673* -1.5841 -16.9691* 1.0686 0.1128* 中國 -0.6784 -15.9489* -0.5877 -16.0158* 1.8749 0.0368* 韓國 0.1426 -16.1167* 0.2045 -16.1110* 1.1912 0.3687* 台灣 0.0450 -15.8705* 0.1739 -15.8802* 1.6655 0.1858* 新加坡 0.0462 -17.0314* 0.2808 -17.2266* 1.7378 0.2053*

次貸風暴後(2007/7/1~2008/12/31) 美國 -0.4165 -18.0609 -0.4165 -18.1426* 1.5797 0.1283* 加拿大 -0.2359 -16.6784* -0.0077 -16.8118* 1.1495 0.2786* 德國 0.0215 -6.0689* -0.6033 -18.2977* 1.6781 0.0832* 法國 -0.2074 -8.9270* -0.3669 -19.4465* 1.8061 0.0791* 英國 -0.7595 -5.6821* -0.7817 -18.214* 1.6582 0.0779* 日本 -0.7818 -12.8438* -0.6718 -16.7810* 1.6422 0.0738* 中國 -0.2693 -5.8769* -0.2203 -17.5523* 1.3757 0.2933* 韓國 -0.3633 -11.1420* -0.4457 -17.1974* 1.5658 0.1427* 台灣 0.3136 -11.4947* 0.2013 -16.6075* 1.5810 0.2458* 新加坡 0.1228 -17.1979* 0.1284 -17.1978* 1.6053 0.2038* 說明：1. 單根檢定之臨界值來自於 Mackinnon(1996)。延遲落後項是根據 AIC 值最小決定。 2. ***、**、*分別表示 1%、5%與 10%之顯著水準。 3. 表中各國指數分別以美國 S&P500 指數（S&P500）、加拿大多倫多綜合指數（GSPTSE）、德國

法蘭克福指數（DAX）、法國巴黎券商公會指數（FCHI）、英國倫敦金融時報指數（FTSE）、日本日經指數（NIKKEI）、中國深圳 B 股指數（SSEB）、韓國綜合指數（KOSPI）、台灣加權股價指數（TAIEX）與新加坡海峽時報指數（STI）為代表。


（二）共整合檢定

在進行共整合檢定之前，由於 Johansen 共整合分析主要是將模型假設為一 p 階向量自我迴歸之型式，因此實證上必須先決定落後期數 p 以消除殘差項序列相關。本文以AIC、SC 以及 HQ 等三種準則作為落後期數的選擇依據。

根據表 3 之結果得知，於次貸風暴發生之前，AIC、SC 與 HQ 皆在落後期數為 1 時數值最小，而風暴發生後，除了 AIC 值為落後 7 期最小之外，SC 與 HQ 亦皆為落後 1期，因此本文在探討共整合向量個數時，選擇落後 1 期做為最適落後期數來進行實證研究。

表 3 不同落後期數之 AIC、SC 及 HQ

次貸風暴前 Lag AIC SC HQ

0 -66.5857 -66.4517 -66.5319 1 -88.2553* -86.7814* -87.6633* 2 -88.1870 -85.3732 -87.0569 3 -87.9075 -83.7538 -86.2392 4 -87.6302 -82.1365 -85.4237 5 -87.5742 -80.7406 -84.8295 6 -87.3980 -79.2245 -84.1152 7 -87.0479 -77.5344 -83.2268 8 -86.8969 -76.0435 -82.5376

次貸風暴後 0 -54.8033 -54.6742 -54.7515 1 -74.5031 -73.0825* -73.9334* 2 -75.0165 -72.3044 -73.9289 3 -75.0107 -71.0071 -73.4052 4 -75.0375 -69.7425 -72.9142 5 -75.1952 -68.6088 -72.5540 6 -75.2703 -67.3924 -72.1112 7 -75.3210* -66.1516 -71.6440 8 -75.2408 -64.7800 -71.0459

說明：*表示在 5%之下拒絕虛無假設。

依據前一節單根檢定之結果，可得知每個國家之股價指數序列，無論於次貸風暴前

或次貸風暴後，皆呈現一階穩定序列 I(1)，因此可進一步檢驗各國家股市間之共整合關係。本文以最大概似法（maximum-likelihood approach）進行估計，由軌跡檢定（trace test）與最大特性根檢定（maximum eigenvalue test）的結果表 4 中顯示，次貸風暴發生


前各國指數之間並無共整合關係，但在風暴發生後，在 1%的顯著水準下並無法拒絕2r 的虛無假設，表示風暴發生後，各國股價指數間存在二組具有長期穩定均衡關係

的共整合向量，故遭受到次貸風暴的衝擊之後，各國之股價間則存在著長期均衡關係。

此結果乃意味著次貸風暴的發生，顯著地提高國際股市之間的共移型態（comovement pattern），換言之，以國際投資組合分散風險的程度已大幅降低。

表 4 共整合檢定

次貸風暴前次貸風暴後

0H trace max trace max 0r 211.0348 56.22025 296.8454** 71.69189**

1r 154.8145 35.56147 225.1535** 66.57703*

2r 119.2530 28.60412 158.5765* 41.77053

3r 90.64892 22.28437 116.8060 39.55545

4r 68.36455 19.74334 77.25051 33.61521

5r 48.62121 16.94924 43.63530 20.11671

6r 31.67197 12.98484 23.51859 13.19556

7r 18.68713 9.907217 10.32303 5.540822

8r 8.779910 8.779803 4.782209 4.549797

9r 0.000107 0.000107 0.232412 0.232412 說明：1. 本文採用 Johansen(1988)和 Johansen and Juselius(1990)之最大概似法(maximum-likelihood approach)

進行估計。其中 trace 與 max 分別代表軌跡檢定(trace test)和最大特性根檢定(maximum eigenvalue test)之統計量。

2. **表示在 1%之下拒絕虛無假設。其中臨界值取自於 Osterwald-Lenum (1992)之數值。

（三）向量自我迴歸模型

根據 Engle and Granger（1987）的研究指出，若變數之間存在共整合關係，則在進行向量自我迴歸研究時，應該考量到長期失衡的調整，由於殘差項可代表迴歸式變數線

性組合偏離長期均衡的離差，故應將殘差項列入考慮，亦即在向量自我迴歸模型

（vector autoregression, VAR）方程式後，再加上誤差修正項，以形成向量誤差修正模型（vector error correction model, VECM），藉此觀察長期的共整合關係之動態調整行為。

由前面章節之共整合檢定結果得知，於次貸風暴發生前，各國指數之間並未存在共

整合關係，而在次貸風暴發生後，變數之間則存在二組共整合向量，因此各國指數間長

期穩定均衡關係，僅存在於次級房貸風暴發生之後。是故，本研究於次貸風暴發生前，

採用 VAR 模型，而在次貸風暴發生後，則採用 VECM 模型分析，而遞延落後期數的選擇則依據前述結果採落後期數 1 期，藉此檢定臺灣與各國指數於次貸風暴前後的短期互動關係。結果分別如表 5 與表 6 所示（註八）。


於次貸風暴發生前，由表 5VAR 模型檢測結果得知，美國、德國與法國之前 1 期指數變動會影響臺灣的加權股價指數，而法國與英國的指數則會受臺灣前 1 期指數變動的影響。此外，由表 6VECM 模型檢測結果發現，在次貸風暴後，於 1%的信賴水準下，僅有美國與德國前 1 期之指數會影響臺灣指數，其餘國家前期 1 指數皆不影響台股走勢。另外，日經指數會受臺灣前 1 期指數的影響，而其它國家則不受影響。整體而言，於次貸風暴發生後，臺灣加權股價指數短期受歐美指數的影響有降低的情形。

（四）因果關係檢定

為了瞭解臺灣加權股價指數與各國股市之間，是否存在著單向的領先落後（lead-lag）關係或雙向之回饋（feedback）關係，亦或者是不相互影響的獨立關係，因此本節將進行 Granger 因果關係檢定，藉由對變數的落後項係數進行聯合 F 檢定，以決定變數間之因果關係，並探討各國股市之間，是否因次貸風暴的影響而有所改變，其實證結果

如表 7 所示。各國成對股價指數之 Granger 因果關係檢定，由表 7 中得知，無論次貸風暴發生前

或者發生後，臺灣股市皆領先加拿大、中國及日本，顯示臺灣與這些國家股市之因果關

係，並未受到次貸風暴的影響而改變。此外，於歐洲地區部分，德國、英國與法國和臺

灣指數之間，在風暴過後皆改變了之間的關係；於風暴發生前，原本臺灣加權股價指數

與此三個國家呈現出互有領先的雙向回饋關係，但次貸風暴衝擊之後，臺灣皆領先此三

個國家之指數，而同樣的情況也發生在新加坡。最後，美國於次貸風暴之前，原本領先

臺灣，但在風暴發生後，與臺灣出現了雙向回饋關係，顯示其對臺灣股市的影響程度有

下降的情形。


（五）衝擊反應函數

衝擊反應函數主要分析當模式內某一內生變數發生自發性干擾時，對其他內生變數

當期與未來數期的影響過程。因此，經由衝擊反應分析，可以觀察各國之股價指數產生

自發性干擾時，引起臺灣股價指數在時間過程中所產生的反應型態。然而，在運用衝擊

反應函數與預測誤差變異分解模型時，變數間之排列順序（ordering）對結果會產生很大的影響。因為排序在前的變數，會影響同期排序在後的變數；而排序在後的變數，並

無法影響同期排序在前的變數，故在模型內會因變數的排序不同，而影響到分析的結

果。因此，本文在各國指數的排序上，乃依據世界交易所聯合會（world federation of exchanges, WFE）2008 年各國股市成交值資料進行排列，依次為美國、日本、中國、德國、英國、法國、加拿大、韓國、臺灣與新加坡。

由圖 2 與圖 3 中得知，臺灣股市在面對自身股市一單位標準差干擾項的反應，不論次貸風暴發生前後，其於程度上均最為激烈。此外，日本、中國、韓國對台股衝擊乃隨

著時間變動而消失，其中在次貸風暴發生後，韓國對台彎股價指數的衝擊是先呈正面反

應，至 6 個月後開始呈負向反應，故韓國指數對台股短期是正向反應，而長期是負面反應。另外，各國股市於反應期間內屬於正向且持續性的反應型態，而反應程度隨著反應

期數的增加而有下降的趨勢。其中在次貸風暴發生後，德國指數由風暴發生前的正向反

應，轉變為負向反應，且均隨著時間變動而增加，顯示德國指數長期而言對台股的衝擊

已經轉變。

圖 2 次貸風暴前各國股價指數對台灣股價指數的衡擊


圖 3 次貸風暴後各國股價指數對台灣股價指數的衡擊

（六）預測誤差變異分解

若要評估當變數自發性干擾時，對某一內生變數相對的變動情形，則可利用預測誤

差變異分解進行分析。其主要用來衡量每個變數誤差變異，受到自身變動和其他變數變

動的影響程度為何。彙整如表 8 中所示。臺灣股市在次貸風暴發生前後，第 1 期的自我解釋能力均為最高，而後隨著時間的

拉長逐漸降低。另外，法國於對臺灣的解釋能力平均而言最低，顯示我國股市不易受法

國股市的影響。其次，美國股市在風暴前後皆為影響臺灣股市變異最大的來源，且影響

程度隨著期數的增加有顯著提高的情形。換言之，臺灣股市對於美國股市的依賴程度仍

相當大，但在風暴發生後有降低的趨勢。此外，於次貸風暴過後，中國股市變異的解釋

能力明顯有提高的情況，由此反應出在遭受次貸風暴的影響後，臺灣與中國股市彼此之

間的短期互動能力有增加的現象。


五、結論

本文藉由次級房貸風暴事件的發生，分析國際股票市場在風暴發生前後，臺灣與國

際股市長短期動態傳遞效果的差異性，並透過本文的分析，進而瞭解次貸風暴對國際指

數之間的連動情況是否產生變化，以期提供投資人有更多可供參考的資訊。由共整合檢

定結果得知，於次貸風暴發生前，各國股市於長期間並無均衡共整合關係；然而在風暴

發生後，各國股市則存在共整合關係，顯示各國股市具有長期穩定均衡之關係，亦即國

際股市之間已傾向共移的型態。此外，由 VECM 模型分析得知，次貸風暴發生後，臺灣加權股價指數短期受歐美指數的影響有降低的情形。

另外，在 Granger 因果關係檢定中發現，無論次貸風暴發生前或者發生後，臺灣股市皆領先加拿大、中國及日本，顯示臺灣與這些國家股市之因果關係，並未受到次貸風

暴的影響而改變。再者，美國於次貸風暴之前，原本領先臺灣，但在風暴發生後，與臺

灣出現了雙向回饋關係，顯示其對臺灣股市的影響程度有下降的情形。最後，經由預測

誤差變異分解分析了解，臺灣股市對於美國股市的依賴程度仍相當大，但在風暴發生後

有降低的現象。然而，於次貸風暴後，中國股市變異的解釋能力卻明顯有提高的情況，

由此反應出次貸風暴後，臺灣與中國股市彼此之間的短期互動能力有提高的情形。綜合以上所述，本研究發現無論次貸風暴前後，美國與日本兩大經濟強國對臺灣股

市之影響力最大，然而在次貸風暴發生後，兩國之影響力明顯有降低的情況，反而中國

有提高的現象。由此可知，隨著兩岸經貿交流日益密切，股市之間的互動關係也隨之提

高，而未來連動關係是否更趨緊密，此乃值得後續研究追蹤與關注之議題。

註釋

註一：房利美（Fannie Mae），創立於 1938 年，是政府出資創建，從事金融業務，用以擴大資金在二級房

屋消費市場上流動的資金。房地美（Freddie Mac），於 1970 年由國會成立，成立目的在於開拓美國

第二抵押市場，促進家庭貸款所有權與房屋貸款之租金收入。其為第二大美國政府贊助企業

（Government Sponsored Enterprise, GSE），商業規模僅次於房利美。

註二：郭敏華與紀鈞中（2000）實證結果發現，外資在金融風暴前後期均呈現賣超的情況，且不論在風暴

或其前後期，外資標的股的投資報酬率均顯著優於大盤。

註三：Ko and Lee（1991）、Becker, Finnerty, and Tucker（1992）、Masih and Masih（1997）、Lin, Pan and

Shieh（1998）、Francis and Leachman（1998）等研究也顯示相同的結果。

註四：以亞洲地區做為研究對象的文章，請參閱 Azaman-Saini（2002）, Jang and Sul（2002）, Khalid and

Kawai（2003）等。

註五：Kim and Shin（2000）探討中國 A 股、B 股與香港 H 股指數之間的關係，實證研究顯示於 1996 年以

後，深圳 B 股指數較具有影響力，因此本文選取深圳 B 股指數。

註六：假性迴歸為 Granger and Newbold（1974）所提出，乃指模型雖然具有很高的解釋能力（ 2R ），而 t統計量非常顯著，但其結果並不具有任何的經濟意義。

註七：Gonzalo（1994）比較五種測試共整合的方法，其研究結果為 Johansen 共整合為最佳的結果，所以本

研究以 Johansen 最大概似法進行變數之間長期關係的檢定。


註八：由於本研究在執行 VECM 模型時，在有截距項有趨勢項及有截距項無趨勢項之共整合向量數之數據

結果相似，所以僅列有截距項無趨勢項的向量誤差修正結果。

參考文獻

1. 方文碩、王冠閔、董澍琦（2006），「亞洲金融危機期間股票市場的蔓延效果」，管理評論，第 25 卷，

第 2 期，頁 61-82。

2. 王毓敏、廖四郎、徐守德（2000），「亞洲股市間的關係－動態過程的檢定」，亞太管理評論，第 5

卷，第 1 期，頁 15-27。

3. 林左裕（2008），「美國次級房貸風暴對臺灣金融資產證券化及投資者之啟示」，住宅學報，第 17 卷，

第 1 期，第 111~123。

4. 徐守德（1995），「亞洲股市間共整合關係之實證研究」，證券市場發展季刊，第 7 卷，第 4 期，33-38。

5. 郭敏華、紀鈞中（2000），「亞洲金融風暴前後外資投資行為暨報酬差異之探討」，管理評論，第 19

卷，第 1 期，頁 81-118。

6. Arshanapalli, B. and J. Doukas (1995), “The Linkages of S&P500 Stock Index Futures Prices During October

1987,” Journal of Economics and Business, 49, 253-266.

7. Azman-Saini, W.N.W., M. Azali, M.S. Habibullah and K.G. Matthews (2002), “Financial Integration and the

ASEAN-5 Equity Markets,” Applied Economics, 34, 2283–2288.

8. Becker, K. G., J. E. Finnery and A. L. Tucker (1992), “The Intraday Interdependence Structure Between U.S. and

Japanese Equity Markets,” Journal of Financial Research, 15, 27-37.

9. Chan, K. C., B. E. Gup and M. S. Pan (1992), “An Empirical Analysis of Stock Prices in Major Asian Market and

the United States,” Financial Review, 289-307.

10. Chowdhury, A. R. (1994), “Stock Market Interdependencies: Evidence from the Asian NIEs,” Journal of

Macroeconomics, 16, 629-651.

11. Darbar, S. M. and P. Deb (1997), “Comovement in International Equity Markets,”Journal of Financial

Research, 16, 305-322.

12. Engle, R. F. and C. W. J. Granger (1987),“Co-Integration and Error Correction: Representation, Estimation, and

Testing,” Econometrica, 55, 251-276.

13. Eun, C. S. and S. Shim. (1989), “International Transmission of Stock Market Movements,” Journal of Financial

Quantitative Analysis, 4, 241-256.

14. Forbes, K. J. and R. Rigobon (2002), “No Contagion, Only Interdependence：Measuring Stock Market

Comovements,”Journal of Finance, 57, 2223-2261.

15. Francis, B. and L. Leachman (1998), “Superexogeneity and Dynamic Linkages among International Equity

Markets,” Journal of International Money and Finance, 17, 475-92.

16. Ghosh, Asim, R. S. and K. H. Johnson (1999), “Who Moves the Asia-Pacific Stock Markets U.S. or Japan?

Empirical Evidence Based on the Theory of Cointegration,” The Financial Review, 34, 159-170.

17. Goh, K. L., Y. C. Wong and K. L. Kok (2005), “Financial Crisis and Intertemporal Linkages Across the

ASEAN-5 Stock Markets,” Review of Quantitative Finance and Accounting, 24, 359–377.

18. Gonzalo, J. (1994), “Five Alternative Methods of Estimating Long-run Equilibrium Relationships,” Journal of


Econometrics, 60, 203-233.

19. Granger, C. W. J. (1969), “Investigating Causal Relations by Econometric Models and Cross-Spectral

Methods.” Econometrica, 37, 424-438.

20. Granger, C. W. J. and P. Newbold (1974), “Spurious Regressions in Econometrics,” Journal of Econometrics, 4,

111-120.

21. Granger, C.W.J. (1988), “Some Recent Developments in a Concept of Causality,”Journal of Econometrics, 39,

199-211.

22. Groenewold, N., S. H. K. Tang and Y. Wu (2004), “The Dynamic Interrelationships between the Greater China

Share Markets,” China Economic Review ,14, 45-62.

23. Jang, H. and W. Sul (2002), “The Asian Financial Crisis and the Co-Movement of Asian Stock

Markets,”Journal of Asian Economics, 13, 94-104.

24. Johansen, S. (1988), “Statistical Analysis of Cointegration Vectors,” Journal of Economics and Dynamics and

Control, 12, 231-254.

25. Johansen, S. and K. Juselius (1990), “Maximum Likelihood Estimation and Inference on Cointegration With

Applications to the Demand for Money,” Oxford Bulletin of Economics and Statistics, 52, 169-210.

26. Johnson, R. and L. Soenen (2002), “Asian Economic Integration and Stock Market Comovement,” Journal of

Financial Research, 25, 141-157.

27. Jones, C. M. and G. Kaul (1996), “Oil and stock markets,” Journal of Finance, 51, 463-491.

28. Khalid, A. M. and M. Kawai (2003), “Was Financial Market Contagion the Source of Economic Crisis in Asia?:

Evidence Using a Multivariate VAR Model,” Journal of Asian Economics, 14, 131-156.

29. Kim, Y. and J. Shin (2000), “Interactions among China-related stocks,” Asian-Pacific Financial Markets , 7 ,

97–115.

30. Ko, K. S. and S. B. Lee (1991), “A Comparative Analysis of the Daily Behavior of Stock Returns：Japan, the

US, and the Asian NICs,” Journal of Business Finance, 18, 219-234.

31. Liu, Y. A., M. S. Pan. and J. C. P. Shieh (1998), “International Transmission of Stock Price Movements:

Evidence from the U.S. and Five Asian-Pacific Markets,” Journal of Economics and Finance, 22, 59-69.

32. MacKinnon, J. G. (1996). “Numerical Distribution Functions for Unit Root and Cointegration Tests,” Journal of

Applied Econometrics, 11, 601-618.

33. Masih, A. M. M. and R. Masih (1997), “Dynamic Linkages and the Propagation Mechanism Driving Major

International Stock Markets: An Analysis of Pre-and Post-Crash Eras,” The Quarterly Review of Economics and

Finance, 37, 859-885

34. Meric, I. and G. Meric (1998), “Correlation between the World’s Stock Markets Before and After the 1987

Crash,” Journal of Investing, 7, 67-70.

35. Osterwald-Lenum, M. (1992), “A Note with Quantiles of the Asymptotic Distribution of the Maximum

Likelihood Cointegration Rank Test Statistics,” Oxford Bulletin of Economics and Statistics, 54, 461-472.

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

37. Smith, K.L. (1999), “Major World Equity Market Interdependence a Decade After the October 1987 Crash:

Evidence from Cross-Spectral Analysis,”Journal of Business Finance and Accounting, 26, 365-392.

次級房貸風暴對臺股指數與國際指數互動關係 之影響...

Documents

次級房貸風暴對臺股指數與國際指數互動關係之影響...