臺灣博碩士論文加值系統

本研究之目的為建立和比較五種單一變數預測方法，並尋找出適用於匯率升貶值最佳的預測方法，以便預測人民幣之每月匯率升貶值數據。研究之資料範圍為2007年1月至2011年12月。透過古典分解法、三角函數迴歸、季節性虛擬變數、灰預測、及混合型灰預測等五種預測模式，以產生人民幣之五種方法的預測值。藉由實證分析，利用平均絕對誤差(Mean Absolute Error, MAE)、平均絕對誤差百分比(Mean Absolute Percent Error, MAPE)及殘差均方根(Root Mean Squared Error, RMSE)等評估指標比較後，以驗證何者可提供預測最佳之精確度。

實證結果發現，人民幣匯率升貶值以古典分解法平均絕對誤差在5%以內最為準確，混合型灰預測平均絕對誤差在7%則排第二。就整體預測方法比較而言，古典分解法擁有最佳的人民幣匯率升貶值之短期預測準確度，顯示此種方法在短期預測中，對人民幣匯率升貶值具有一定程度的預測能力，其次為混合型灰預測。因台灣為海島型國家高度仰賴進出口貿易經濟發展，易遭受匯率升貶波動、通貨膨脹的影響，故擇以我國經濟合作程度緊密且最重要的出口國中國人民幣匯率預測為主旨。

本研究可供未來國內外學術領域研究匯率升貶值領域更進一步完整的分析，因所使用之模式有限，未來若能再考慮以其他的預測模式，諸如：類神經網路、人工智慧等預測方法，或許能再提高人民幣匯率升貶值預測之準確度，亦可擴增採用其他國外貨幣匯率資料，進行模式驗證。

The purpose of this study is to establish and compare five univariate prediction methods to find out the most suitable way of forecasting the monthly RMB exchange rate. The research data were collected from Jan 2007 to Dec, 2011. Through Classical Decomposition, the Trigonometric Model, the Regression Model with Seasonal Dummy Variables, the Gray Forecast, and Hybrid Gray Forecast Model, it has the results of five forecasting models for the exchange rate of RMB. Mean Absolute Error (MAE), Root Mean Square Residual (RMSE) and Mean Absolute Percent Error (MAPE) are used to verify whichever provides the best prediction accuracy.

Empirical results show that RMB exchange rate predicted by Classical Decomposition method was the most accurate as the MAE is less than 5%. While the Hybrid Gray Forecast Method was the runner up as the MAE is approximately 7%. In comparison with five prediction methods, the Classical Decomposition Method has the best short-term accuracy over RMB exchange rate, followed by Hybrid Grey Forecast method. Because Taiwan is an island country, it is highly dependent on import and export trade. Furthermore, Taiwan’s economic development is vulnerable to fluctuations in exchange rates and, inflation. Hence, the currency of our most important export country, RMB, was choosen as the studied subject.

Due to limited models used in this research, this research can be improved and helpful to domestic and international academic studies by exploring other prediction methods, such as, Neural Networks, Artifical Intelligence and other prediction methods. As for further research, with other forecast methods, it may increase the accuracy of forecasting RMB exchange rate. In addition, other foreign currencies can be considered in the furture.

目 次

謝 辭………………………………… I
摘 要……………………………………….. II
目 次………………………………….. IV
圖 次…………………………………… VI
表 次…………………………………. VII

第一章 緒論……………………………. 1
1.1 研究動機與目的 1
1.2 研究範圍與限制 2
1.3 研究方法 3
1.4 研究流程及架構 3
第二章 文獻回顧………………………… 6
2.1 人民幣匯率預測之相關文獻 6
2.2 相關預測方法文獻 12
2.2.1 古典分解法 12
2.2.2 三角函數迴歸 13
2.2.3 季節性虛擬變數迴歸 13
2.2.4 灰預測 14
2.2.5 混合型灰預測 17
2.2.6 其他預測方法 19
2.2.7 預測方法之比較 21
2.3 本章小結 27
第三章 研究方法………………………. 29
3.1 古典分解法 30
3.2 三角函數迴歸模式 32
3.3 季節性虛擬變數迴歸 32
3.4 灰預測 33
3.4.1 灰色建模 33
3.4.2 誤差分析 36
3.5 混合型灰預測 37
3.6 本章小結 38
第四章 模式建構與預測結果分析…….. 39
4.1 我國與主要貿易對手通貨之匯率月資料與人民幣匯率 39
4.2 各種預測模型之建構 41
4.2.1 古典分解法 41
4.2.2 三角函數迴歸 44
4.2.3 季節性虛擬變數迴歸 45
4.2.4 灰預測 46
4.2.5 混合型灰預測 47
4.3 產生各種預測模式之預測值 48
4.4 各種單一預測模型之預測精確度比較分析 50
第五章 結論與建議…………………. 52
5.1 結論 52
5.2 建議 53
參考文獻…………………………………. 54

參考文獻
一、中文部分

1. 于宗先（1972），經濟預測，台北：中央研究院經濟研究所。
2. 中國國家外匯管理局，(2009.12) 網址: http://www.safe.gov.cn/
3. 任德亮、李向國與張天偉（2004），利用直線趨勢方程與三角函數週期性的特點表現的季節變動。
4. 朱倍誠（2011），「台灣共同基金績效評估與相關經濟變數之預測-灰色系統理論之運用」，私立樹德科技大學碩士論文。
5. 邱至中（2003），「長短期匯率預測模式績效之比較」，國立成功大學碩士論文。
6. 呂佳芹（2009），「應用時間序列、演化式類神經網路與灰預測方法在匯率預測績效之比較」，私立朝陽科技大學碩士論文。
7. 吳依蒨(2012) ，「人民幣匯率之動態預測」，國立暨南國際大學碩士論文。
8. 吳柏林（1995），時間數列分析導論，台北：華泰書局。
9. 李綱紀（2005），「季節性預測模式比較─以台中港進口貨櫃預測為例」，國立臺灣海洋大學碩士論文。
10. 花佳正（2012），「美中貿易角力戰論人民幣升值對我國產業之挑戰」，台灣經濟研究月刊，第三十五卷，第二期，頁102,105。
11. 周大中，（2012.8），「人民幣國際化之路」，臺灣經濟金融月刊，第四十八卷，第八期，頁1-13。
12. 林冠宇(2012) ，「美元、新台幣與人民幣匯率問題之研究」，國立中山大學碩士論文。
13. 林建甫，“台灣應積極發展人民幣離岸中心”,國政分析，財團法人國家政策研究基金會，2011年9月20日。
14. 施向陽 （2001），「匯率變動預測模式之研究」，私立大葉大學碩士論文。
15. 洪秀凰（2005），「應用灰色理論於匯率預測之研究」，私立義守大學碩士論文。
16. 凃雲懷（2010），「台灣匯率預測模型在多頭或空頭市場之預測能力－總體經濟因素及時間序列模型的比較」，國立中正大學碩士論文。
17. 徐世修（2009），「灰色模型在醫院設施維護費用預測之應用」，國立臺灣科技大學碩士論文。
18. 孫慶龍（2012.10），貿易TRADE MAGAZINE NO. 256，「兩岸貨幣清算機制將上路各路人馬搶進人民幣商機」，頁8-12。
19. 孫效孔，「台灣是更好的人民幣離岸市場」，國政分析，財團法人國家政策研究基金會，2011年8月22日。
20. 孫效孔（2012.10），人民幣外匯存底究竟有多重要？財團法人國家政策研究基金會，財金(評)101-202號 網址: http://www.npf.org.tw/post/1/11442
21. 夏斌、陳道富（2011.11），「中國金融戰略2020」，台北：財信出版有限公司。
22. 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」，私立東海大學碩士論文。
23. 陳鶴文（2009），「應用灰色理論於匯率及股價預測之研究」，私立正修科技大學碩士論文。
24. 陳翊鏵（2002），在「台灣利率、匯率互動之實證研究(1982-2001) 」，國立東華大學碩士論文。
25. 曹慧菁（2005），「季節性預測模式比較─以基隆港出口貨櫃預測為例」，國立臺灣海洋大學碩士論文。
26. 曹素春（2006），「單一變數季節性預測模式比較─以基隆港出口貨櫃為例」，國立臺灣海洋大學碩士論文。
27. 張嘉玲（2010），「應用灰色理論於匯率預測之研究」，國立高雄應用科技大學碩士論文。
28. 張明輝（2007），「人民幣匯率趨勢之預測─以日本、台灣匯率與總體經濟變動關係為例」，私立輔仁大學碩士論文。
29. 許凱榮（2006），「應用基因灰色預測模型於全台用電量之最佳預測」，國立高雄第一科技大學碩士論文。
30. 許純君（1999），「預測的原理與應用」初版，台北：台灣西書，頁789。
31. 黃天麟（2011），台灣經融的未來：匯率、利率與經濟成長，台北：新台灣國策智庫有限公司出版。
32. 黃億文（2012），「人民幣均衡匯率與匯率失衡之實證研究：動態追蹤資料模型之應用」，國立暨南國際大學碩士論文。
33. 黃筱淇（2012），「以灰色理論探討台灣加權股價指數與有關經濟因素之研究」，私立樹德科技大學碩士論文。
34. 溫坤禮、黃宜豐、陳繁雄、李元秉、連志峰、賴家瑞（2002），「灰預測原理與應用」，台北：全華科技圖書。
35. 彭文怡（2008），「台灣國際港口貨櫃吞吐量單一變數預測模型之比較」，國立臺灣海洋大學博士論文。
36. 彭文怡、朱經武、曹素春（2006），「單一變數季節性預測模式比較—以基隆港出口貨櫃為例」，海運學報，第十五期，頁33-48。
37. 彭文怡、朱經武（2006），「季節性預測模式比較—以台灣地區國際港埠進口貨櫃預測為例」，航運季刊，第二十五卷，第二期，頁21-36。
38. 彭文怡、朱經武（2007），「貨櫃吞吐量預測模式之比較研究」，航運季刊，第十六卷，第四期，頁81-102。
39. 彭文怡（2008），「台灣國際港口貨櫃吞吐量單一變數預測模型之比較」，博士論文，國立臺灣海洋大學，基隆。
40. 貿易TRADE MAGAZINE （2012.10），NO. 256 Editor’s Report，「兩岸貨弊緊箍咒鬆開之後」。
41. 葉中仁（2005），「季節性預測模式比較—以高雄港轉口貨櫃預測為例」，國立臺灣海洋大學碩士論文。
42. 葉明豐（1999），「灰色模型與灰關聯分析之研究與應用」，私立大同工學院博士論文。
43. 楊明松（2003），「人民幣匯率預測之研究─灰馬可夫鏈應用」，私立大葉大學碩士論文。
44. 楊慈珍（2006），「新台幣兌美元匯率波動性預測及其與遠期匯率之關聯性─預測模型比較及納入成交量之探討」，國立臺灣海洋大學碩士論文。
45. 管相柔（2006），「 匯率預測模型之研究-ARIMA之應用」，私立中原大學碩士論文。
46. 鄧聚龍（1996），灰色系統基本方法，湖北：華中理工大學版社。
47. 鄧聚龍、郭洪（1996），灰預測原理與應用，全華出版公司。
48. 鄧聚龍、郭洪、溫坤禮、張廷政、張偉哲（1999），灰預測模型方法與應用，高立圖書有限公司。
49. 葛自祥(2009) ，「結合獨立成分分析與類神經網路之外匯預測模式：以日圓與美元之匯率為例」，私立輔仁大學碩士論文。
50. 蔣士祺（2012.10），貿易TRADE MAGAZINE NO. 256，「改善資金斷鏈問題貨幣直接匯兌台商收穫大」，頁14,15。
51. 蔡火蓮（2006），「新台幣匯率預測之探討」，國立中山大學碩士論文。
52. 賴鎮戊、章孝庭（2001），判讀金融指標，台北，書泉出版社。
53. 賴士保（2004），生產與作業管理：理論與實務，台北：華泰文化事業股份有限公司。
54. 藍靖瑜（2008），「中國國債市場開放與人民幣國際化問題」，國立台北大學碩士論文。


二、英文部分

55. Bowerman, B. L. and O’Connel, R. T. (1993), Forecasting and Time Series: An Applied Approach, 3rd Edition, CA: Duxbury Press.
56. Box, G. E. P. and Jenkins, G. M. (1976), Time Series Analysis, Forecasting and Control, 2nd Edition, San Francisco: Holden-Day.
57. Box, G. E. P., Jenkins, G. M. and Reinsel, G. C. (1994), Time Series Analysis, Forecasting and Control, Englewood Cliffs, NJ: Prentice-Hall.
58. Chu, C. W. and Zhang, G. P. (2003), “A Comparative Study of Linear and Nonlinear Models for Aggregate Retail Sales Forecasting,” International Journal of Production Economics, Vol. 86, pp. 217-231.
59. Chamber, J. C., Smith, D. D. and Mullick, S.K. (1971), How to Choose Right Forecasting Techniques, Harvard Business Review, July-August, pp. 55-57.
60. Draper, N. R. and Smith, H. (1981), Applied Regression Analysis, 2nd ed., New York : John Wiley &; Sons.
61. Deng, J. L. (1989), “Introduction Grey System Theory,” Journal of Grey System, Vol. 1, pp. 1-24.
62. Fildes, R. and Makridakis, S. (1995), “The Impact of Empirical Accuracy Studies on Time Series Analysis and Forecasting,” International Statistical Reviews, Vol. 63, pp. 289-308.
63. Franses, P. H. and Van Dijk, D. (2005), “The Forecasting Performance of Various Models for Seasonality and Nonlinearity for Quarterly Industrial Production,” International Journal of Forecasting, Vol. 21, pp. 87-102.
64. Huang, Y. F., Zheng, M. C. and Wu C. H. (2004), “Comparison of Various Different Approaches to Tourist Demand Forecasting,” Journal of Grey System, Vol. 7, No. 1, pp. 21-27.
65. Anderson, J. (2003), “The Complete RMB Handbook,” Asian Economic Perspectives, UBS Securities Asia Ltd., October 27, pp. 10-12.
66. Frankel, J. A. (1999), “No Single Currency Regime Is Right for All Countries or at All Times,” Princeton University, Essays in International Finance, No. 215.
67. Levenbach, H. and Cleary, J. P. (1984), The Modern Forecaster: The Forecasting Process through Data Analysis, Belment, CA: Wadsworth.
68. Obstfeld, M. (1986), “Rational and Self-fulfilling Balance-of-Payments Crises,” American Economic Review, Vol. 76, No. 1, pp. 72-81.
69. Obstfeld, M. (1996), “Models of Currency Crises with Self-fulfilling Features,” European Economic Review, Vol. 40, No. 3-5, pp. 1037-1047.
70. Makridakis, S., Wheelwright, S. C., and Hyndman, R.J. (2008) Forecasting: Methods and Applications, New York: John Wiley &; Sons.
71. Montgomery, Douglas C. and Peck, E.A. (1982), Introduction to Linear Regression Analysis, New York; John Wiley &; Sons, Inc.
72. Makridakis, S., Anderson, A., Carbone, R., Fildes, R., Hibon, M., Lewandowski, R., Newton, J., Parzen, E. and Winkler, R. (1982), “The Accuracy of Extrapolation (Time Series) Methods: Results of a Forecasting Competition,” Journal of forecasting, Vol. 1, pp. 111-153.
73. Makridakis, S. and Hibon, M. (2000), “The M3-Competition: Results, Conclusions and Implications,” International Journal of Forecasting, Vol. 16, No. 4, pp. 451-476.
74. Peng, W. Y. and Chu, C. W. (2007), “A Comparative Study of Seasonal Forecasting Models on the Prediction of Container Throughput Volumes,” International Journal of Business and Strategy, Vol. 8, No. 2, pp. 52-73.
75. Profillidis V. A. (2000), “Econometric and Fuzzy Model for the Forecast of Demand in the Air Port of Rhode,” Journal of Air Transportation Management, Vol. 6, pp. 95-100.
76. Krugman, P. (1979), “A Theory of Balance of Payments Crises,” Journal of Money, Credit and Banking, No. 11, pp. 311-325.
77. Dunaway, S. and Li, X. (2005), “Estimating China’s Equilibrium Real Exchange Rate,” IMF Working Paper, WP/05/202, October.
78. Tzeng, F. M., Yu, H. C. and Tzeng, G. H. (2001), “Applied Hybrid Grey Model to Forecast Seasonal Time Series,” Technological Forecasting and Social Change, Vol. 67, pp. 291-302.
79. Yokum, J. T. and Armstrong, J. S. (1995), “Beyond Accuracy: Comparison of Criteria Used to Select Forecasting Methods,” International Journal of Forecasting, Vol. 11, No. 4, pp. 591-597.