美國禁止國內企業使用對國家安全構成任何威脅的公司所製造的電子通信設備，造成中國大陸企業無法進入美國市場，導致華為成為其中被打擊的對象，也使得華為事件成為中美貿易戰後另一項令人關注的事件。 
    本研究使用Google Trends提供的搜尋量指數(Search Volume Index)，探討華為事件的發生SVI與股價歷史波動率的關係。
本文探討與華為產業鏈相關的14間台灣上市公司，這14間公司依序為台積電、大立光、聯發科、群創、敦泰、南電、穩懋、聯詠、光環、華星光、台達電、精測、易華電和環宇-KY。以這14間公司的股價歷史波動率為應變數，分析2018年4月至2020年8月華為事件發生期間股價歷史波動率是否與SVI有關聯。
    實證結果發現關鍵字華為、華為概念股、華為5G、Huawei、Huawei 5G分別對於6間公司，群創、敦泰、穩懋、易華電、南電及聯詠有顯著的解釋能力，證明這6間公司的股價在華為事件期間，受到投資人的關注有顯著的波動。

The U.S government prohibits U.S companies from using communications electronic equipment made by companies that pose threats to national security. It leads to China's enterprises cannot enter the U.S market. Therefore, Huawei becomes one of the companies limited by the prohibition. The Huawei events have become an important issue concern after the China US trade war. This paper utilizes the Search Volume Index which provided by Google Trends to analyze the relationship between SVI and the historical volatilities of the stock prices under the Huawei Event.
This article discusses the 14 listed companies related to the Huawei industry chain in Taiwan. These 14 companies are TSMC, Largan, MediaTek, Innolux, FocalTech, Nan Ya PCB, WIN Semiconductors, Novatek, TrueLight, LuxNet, Delta Electronics, Chunghwa Precision Test Tech, JMC Electronic, and Global Communication Semiconductors. Based on the historical volatilities of these 14 listed companies' stock prices, this research analyzes whether the historical stock volatility of the Huawei events is related to SVI from April 2018 to August 2020.
The empirical results show that the keywords: (華為), Huawei concept stocks(華為概念股), Huawei 5G(華為 5G), Huawei, and Huawei 5G, have significantly affected the stock price of six companies which including Innolux, FocalTech, WIN Semiconductors, JMCT, Nan Ya PCB, and Novatek during the Huawei event, respectively.

目錄

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 研究架構	3
第二章 文獻探討	5
第一節 投資人注意力與股價關係	5
第二節 SVI與股價關係	6
第三章 資料與研究方法	9
第一節 研究假說	9
第二節 資料樣本	9
一、	Google Trends	9
二、台灣經濟新報 TEJ	10
第三節 研究方法	11
第四章 實證結果	13
第一節　敘述統計	13
第二節  SVI、台股指數報酬率、COVID-19 Dummy和市場狀況變數對14間公司股價歷史波動率影響	17
1.光電產業:大立光、群創	17
2.半導體: 聯發科、敦泰、穩懋、精測、易華電、環宇-KY、台積電	19
3.電子零組件: 南電、聯詠、台達電	28
4.通信網路: 光環、華星光	31
第五章 結論及建議	33
第一節 結論	33
第二節 研究限制與建議	35
參考文獻	37

表目錄
表 1 本文所採用關鍵字	10
表 2 14間公司依照產業可分為下表四種產業	10
表 3 SVI敘述統計量	13
表 4 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對大立光的相關性	17
表 5 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對群創的相關性	18
表 6 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對聯發科的相關性	20
表 7 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對敦泰的相關性	21
表 8 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對穩懋的相關性	22
表 9 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對精測的相關性	23
表 10 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對易華電的相關性	24
表 11 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對環宇-KY的相關性	25
表 12 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對台積電的相關性	27
表 13 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對南電的相關性	28
表 14 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對聯詠的相關性	29
表 15 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對台達電的相關性	30
表 16 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對光環的相關性	31
表 17 SVI、台股指數報酬率、COVID-19 DUMMY和市場狀況變數對華星光的相關性	32
表 18 關鍵字對各股價歷史波動率的關係	35

圖目錄
圖 1 GOOGLE TRENDS 關鍵字搜尋量次數	1
圖 2 研究流程	4
圖 3 關鍵字1(華為)	14
圖 4 關鍵字2(華為供應鏈)	14
圖 5 關鍵字3(華為概念股)	15
圖 6 關鍵字4(華為5G)	15
圖 7 關鍵字5(HUAWEI)	16
圖 8 關鍵字6(HUAWEI 5G)	16
圖 9 大立光-股價歷史波動率	18
圖 10 群創-股價歷史波動率	19
圖 11 聯發科-股價歷史波動率	20
圖 12 敦泰-股價歷史波動率	21
圖 13 穩懋-股價歷史波動率	23
圖 14 精測-股價歷史波動率	24
圖 15 易華電-股價歷史波動率	25
圖 16 環宇-KY-股價歷史波動率	26
圖 17 台積電-股價歷史波動率	27
圖 18 南電-股價歷史波動率	28
圖 19 聯詠-股價歷史波動率	29
圖 20 台達電-股價歷史波動率	30
圖 21 光環-股價歷史波動率	31
圖 22 華星光-股價歷史波動率	32

李永隆 、杜玉振與王瑋瑄，2017，Google搜尋量指數對臺灣股票報酬與成交量之影響，管理與系統，第 24卷第 4期，頁 565-590。

何怡滿與陳雯琪，2019，投資人關注度對台灣50指數成分股之股票報酬與公司績效的影響，屏東大學學報-管理類，屏東大學學報-管理類，(2)，73-103。

呂權峰，2020，Google搜尋量指數是否在中美貿易戰影響美國工業類及科技類股指數，淡江大學財務金融學系碩士論文

洪文淋，2013，搜尋量指數和台灣股票流動性與報酬率之研究，國立中山大學財務金融系碩士論文 。

陳怡靜，2014，谷歌搜尋引擎與台灣股市交易活動之關聯性，國立高雄科技大學金融研究所碩士論文。

陳蕙妤，2012，網路搜尋量是否可以增進股票市場波動率的預測？國際實證，國立台灣大學財務金融研究所碩士論文。

黃子倫、賴冠伶、陳妙玲與郭修仁，2014，資訊需求、網路搜尋行為與投機交易活動，中山管理評論，22(1)：157-183。

黃偉勲，2018，Google搜尋量指數在中美貿易戰是否影響股價指數?，淡江大學財務金融學系碩士論文

蔡承勳，2017，Google搜尋量指數是否能解釋美國股市波動 ? ，國立台灣大學管理學院財務金融學系碩士論文

Askitas, N. and Zimmermann, K. F.. (2009). Google econometrics and unemployment forecasting. Applied Economics Quarterly, 55(2), 107–120.



Bank, M., Larch, M. & Peter, G. (2011). Google search volume and its influence on
liquidity and returns of German stocks. Financial markets and portfolio
management, 25, 239-264.

Barber, B., & Odean, T. (2008). All that glitters: The effect of attention and news on the buying behavior of individual and institutional investors. The Review of Financial Studies, 21(2), 785-818. Retrieved November 24, 2020, from http://www.jstor.org/stable/40056835

Choi, H and Varian, H. (2012). Predicting the present with google trends. The Economic Record, 88, 2–9. https://doi.org/10.1111/j.1475-4932.2012.00809.x

Da, Z., Engelberg, J., and Gao, P. (2011). In search of attention. The Journal of Finance (New York), 66(5), 1461–1499. https://doi.org/10.1111/j.1540-6261.2011.01679. 

Da, Z., Engelberg, J., and Gao, P. (2015). The sum of all FEARS investor sentiment and asset prices. The Review of Financial Studies, 28(1), 1-32. Retrieved November 24, 2020, from http://www.jstor.org/stable/24466846

De Long, J., Shleifer, A., Summers, L., & Waldmann, R. (1990). Noise trader risk in financial markets. Journal of Political Economy, 98(4), 703-738. Retrieved December 10, 2020, from http://www.jstor.org/stable/2937765

Goel, S., Hofman, J., Lahaie, S., Pennock, D., and Watts, D. (2010). Predicting consumer behavior with web search. Proceedings of the National Academy of Sciences of the United States of America, 107(41), 17486-17490. Retrieved November 24, 2020, from http://www.jstor.org/stable/20780485

Fama, E. (1970). Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417. doi:10.2307/2325486

Fehle, F., Tsyplakov, S., and Zdorovtsov, V. (2005). Can companies influence investor behaviour through advertising? Super bowl commercials and stock returns. European Financial Management, 11(5), 625–647. https://doi.org/10.1111/j.1354-7798.2005.00301.x
Hirshleifer, T. (2003). Limited attention, information disclosure, and financial reporting. Journal of Accounting & Economics, 36(1-3), 337–386. https://doi.org/10.1016/j.jacceco.2003.10.002

Huberman, G. and Regev, T. (2001). Contagious speculation and a cure for cancer: A nonevent that made stock prices soar. The Journal of Finance (New York), 56(1), 387–396. https://doi.org/10.1111/0022-1082.00330

Joseph, K., Wintoki, M. B., and Zhang, Z. (2011). Forecasting abnormal stock returns and trading volume using investor sentiment: Evidence from online search. International Journal of Forecasting, 27(4), 1116–1127. https://doi.org/10.1016/j.ijforecast.2010.11.001

Kahneman, D. (1973). Attention and effort. Englewood Cliffs, N.J: Prentice-Hall.

Merton, R. (1987). A simple model of capital market equilibrium with incomplete information. The Journal of Finance, 42(3), 483-510. doi:10.2307/2328367

Mondria, J., Wu, T., and Zhang, Y. (2010). The determinants of international investment and attention allocation: Using internet search query data. Journal of International Economics, 82(1), 85–95. https://doi.org/10.1016/j.jinteco.2010.04.007

Neal, R., and Wheatley, S. (1998). Do measures of investor sentiment predict returns? The Journal of Financial and Quantitative Analysis, 33(4), 523-547. doi:10.2307/2331130

Odean, T. (1999). Do investors trade too much? American Economic Review, 89(5), 1279-1298. doi:http://dx.doi.org/10.1257/aer.89.5.1279
Peng, L., and Xiong, W. (2006). Investor attention, overconfidence and category learning. Journal of Financial Economics, 80(3), 563–602. https://doi.org/10.1016/j.jfineco.2005.05.003

Takeda, F. and Wakao, T. (2014). Google search intensity and its relationship with returns and trading volume of Japanese stocks. Pacific-Basin Finance Journal, 27, 1–18. https://doi.org/10.1016/j.pacfin.2014.01.003

Vlastakis, N. and Markellos, R. N. (2012). Information demand and stock market volatility. Journal of Banking & Finance, 36(6), 1808–1821. https://doi.org/10.1016/j.jbankfin.2012.02.007