為了驗證美國貨幣政策對於美國市場投資的影響力，本文主要研究動機乃針對美國實施量化寬鬆（Quantitative easing，簡稱QE）的後期QE4-2012年12月至2014年10月期間和2014年10月量化寬鬆結束到2015年4月這兩段時間美國投資市場上的股價、利率、油價、黃金、美債的關聯結構分析。在實證研究上，本文應用五種靜態的Copula函數來進行不同變數間的列相關分析，包括Normal，Student-t，Clayton，Gumbel及Frank五種靜態模型。整體而言，各相關變數在QE退場前的列相關高於QE退場後。但若考量最佳的Copula模型則發現，不論是QE退場前後，各相關變數間的最佳配適函數並不具一致性；但集中於Normal copula、Gumbel copula及Clayton　copula三個函數。而由列相關係數判斷，卻發現僅有道瓊指數與西德州原油在QE退場前較退場後為大，其他則較小。

In order to verify the influence of US monetary policy for investment in the US market, This thesis aims at the United States to implement quantitative easing (Quantitative easing, called QE) late QE4- 2012 December to October 2014 and October 2014 to quantify loose end until April 2015 these two time stock prices, interest rates, oil prices, gold, associated with the structure of US debt US investment market analysis. In empirical study, we apply five static copula functions to calculate the rank correlation between different variables, namely normal, student-t, clayton, gumbel and frank copula model. Overall, the rank correlation of relevant variables before QE exit is higher than QE exit. However, if consider the best copula model and found that both before and after the QE exit, the best copula function among all relevant variables are not consistency, but concentrated on normal copula, gumbel copula and clayton copula. We also find that the rank correlation coefficient appears large difference between the Dow Jones index and West Texas crude oil, others are small.

目  次
目  次	I
表  次	VI
圖  次	VIII
第一章 緒論	                         1
第一節 研究背景與動機	                 1
第二節 研究目的    	                 5
第三節 研究架構與流程	                 6
第二章 理論與相關文獻	                 8
第一節 美國量化寬鬆政策	                 8
第二節 量化寬鬆和國際股市之相關文獻      9
第三節 貨幣政策對股票報酬反應的文獻	11
第四節 貨幣政策對其他變數影響的文獻	13
第五節  COPULA 相關文獻	               15
第三章 研究方法	                        19
第一節 研究資料與來源	                19
第二節　GARCH模型定義與概念	       19
第三節 COPULA方法介紹	                21
第四節 　變數定義與預期影響	       25
第四章 實證結果與分析	                30
第一節 　敘述統計量與分析	                30
第二節 　實證結果分析	                32
第五章 結論與建議	                        53
第一節　結論	                        53
第二節 建議	                        54
參考文獻                  	               55
 
表  次
表1本研究相關變數一覽表	                                19
表2變數的預期符號表	                                29
表3變數之敘述統計量(全樣本)	                        31
表4美國各變數變動率之相關性(全樣本)	                33
表5道瓊指數與西德州原油GJR-GARCH模型估計結果（QE退場前）	35
表6道瓊指數與西德州原油的KENDALL’S TAU(QE退場前)	36
表7道瓊指數與西德州原油GJR-GARCH模型估計結果(QE退場後)	37
表8道瓊指數與西德州原油的KENDALL’S TAU(QE退場後)	37
表9道瓊指數與黃金GJR-GARCH模型估計結果(QE退場前)  	38
表10道瓊指數與黃金的KENDALL’S TAU(QE退場前)	        39
表11道瓊指數與黃金GJR-GARCH模型估計結果(QE退場後)	40
表12道瓊指數與黃金的KENDALL’S TAU(QE退場後)	        41
表13道瓊指數與債券殖利率GJR-GARCH模型估計結果(QE退場前)	42
表14道瓊指數與債券殖利率的KENDALL’S TAU(QE退場前)	42
表15道瓊指數與債券殖利率GJR-GARCH模型估計結果(QE退場後)	43
表16道瓊指數與債券殖利率的 KENDALL’S TAU(QE退場前)	44
表17道瓊指數與美國高收益債GJR-GARCH模型結果(QE退場前)	45
表18道瓊指數與美國高收益債的 KENDALL’S TAU(QE退場前)	46
表19道瓊指數與美國高收益債GJR-GARCH模型結果(QE退場後)	47
表20道瓊指數與美國高收益債的 KENDALL’S TAU(QE退場後)	48
表21西德州原油與黃金GJR-GARCH模型估計結果(QE退場前)	49
表22西德州原油與黃金的 KENDALL’S TAU(QE退場前)	        50
表23西德州原油與黃金GJR-GARCH模型估計結果(QE退場後)	51
表24 西德州原油與黃金的 KENDALL’S TAU(QE退場前	        51
表25最佳模型與相關系數	                                52
 
圖  次
圖1研究流程	                                 1
圖2　研究變數之常態檢視圖	                31
圖3 道瓊指數與西德州原油的散佈圖(QE退場前)	34
圖4道瓊指數與西德州原油的散佈圖(QE退場後)	36
圖5道瓊指數與黃金的散佈圖(QE退場前)	        38
圖6道瓊指數與黃金的散佈圖(QE退場後)	        39
圖7道瓊指數與債券殖利率的散佈圖(QE退場前)	41
圖8道瓊指數與債券殖利率的散佈圖(QE退場後)	43
圖9道瓊指數與美國高收益債的散佈圖(QE退場前)	45
圖10道瓊指數與美國高收益債的散佈圖(QE退場後)	47
圖11西德州原油與黃金的散佈圖(QE退場前)	        48
圖12西德州原油與黃金的散佈圖(QE退場後)	        50

參考文獻
一、中文文獻
1.	王聖文（2011），貨幣政策衝擊對股價的影響：結構性向量自我回歸模型之應用，國立嘉義大學應用經濟學系研究所碩士論文。
2.	李沃牆、柯星妤(2014) ，「金磚五國之期貨避險績效─動態Copula-GJR-GARCH模型應用」， 期貨與選擇權學刊，第7卷第1期，頁1-36
3.	李育峰、周潮(2010)，「基於Copula函數的我國CPI與PPI相關性分系」，甘肅金融，第3卷，頁61-64。
4.	李家敏(2013)，美國量化寬鬆政策對新興經濟體之影響分析，國立臺北大學國際財務金融碩士班在職專班碩士論文。
5.	李建璋(2013)，美國量化寬鬆貨幣政策對台灣股票市場之影響-事件研究法之應用，私立淡江大學財務金融學系碩士班在職專班碩士論文。
6.	余昭弘（2005），貨幣政策對股價指數影響不對稱效果之研究：高低股價門檻模型之應用，私立義守大學財務金融學系碩士班論文。
7.	林家慶（2014），美國量化寬鬆政策對金融市場及商品市場的影響，國立中央大學財務融學系碩士論文。
8.	林瓊芳（2014），美國量化寬鬆政策對各主要國家股市及匯率之影響，私立銘傳 大學財務金融學系碩士在職專論文。
9.	林雍盛（2012），貨幣政策衝擊對股價的影響：台灣.美國的實證研究-SVAR模型之應用，國立中正大學國際經濟研究所碩士論文。
10.	周宜潔(2013)，金融危機期間股市相關性研究-利用Copula檢視股市相關性，國立臺北商業技術學院財務金融系碩士班碩士論文。
11.	高蕙芬(2012)，美債危機對台股之傳染效果影響分析-ARMAX-GARCH-Copula Type 模型之應用，私立淡江大學財務金融學系碩士班在職專班碩士論文。
12.	高儷珊(2013)，美國量化寬鬆貨幣政策對G2 股匯市非線性因果關係探討，私立淡江大學財務金融學系碩士班碩士論文。
13.	莊旭明(2011)，跨國金融危機擴散效果之分析-以Copula模型為分析方法，國立政治大學經濟學系碩士班碩士論文。
14.	黃馨穎（2014），美國量化寬鬆政策對亞洲新興市場的衝擊-Copula模型之應用，私立淡江大學財務金融學系碩士班碩士論文。
15.	黃鐘霆（2014），量化寬鬆政策對利率結構的影響，私立中國文化大學社會科學院經濟學系碩士論文。
16.	黃瀚（2012），美國量化寬鬆政策對新興市場股票型基金之影響-以事件研究法分析，私立銘傳大學國際企業學系碩士在職專論文。
17.	謝霂震（2014），量化寬鬆前後台美股市.基金與債券之比較分析，私立大葉大學國際企業管理系碩士論文。
18.	鄭義崧（2011），美國.中國.印度.巴西.俄羅斯五地股市指數關聯性之研究-以美國量化寬鬆貨幣政策實施前後為例，國立中央大學金融學系碩士論文。
二.英文文獻
1.	Akaike, H.,(1974),“A New Look at the Statistical Model Identification, IEEE Transactions on Automatic Control, Vol.6, No.6, pp.716-723.
2.	Chiou, S.C. and R.S. Tsay (2008), “A Copula-Based Approach to Option Pricing and Risk Assessment,” Journal of Data Science, Vol. 6, pp.273-301.
3.	Doh, T. (2010). The Efficacy of Large-Scale Asset Purchases at the Zero Lower Bound. Federal Reserve Bank of Kansas City,” Economic Review,Vol. 95, No.2, pp.5-34.
4.	Engle, R. F. (1982), “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of U.K. Inflation,” Econometrica, Vol.50, pp. 987-1008.
5.	Glosten, L. R., R. Jagannathan, and D. E. Runkle, (1993), “On The Relation Betrween The Expected Value and The Volatility of The Nominal Excess Return on Stocks, ” Journa l of Finance, Vol.48, pp.1779-1802
6.	Hsu, C. C., C. P. Tseng and Y. H. Wang, (2008), “Dynamic Hedging With Futures: A Copula-Based GARCH Model,” Journal of Futures Markets, Vol. 28, Issue 11, pp. 1095–1116.
7.	Huanga, J. J. and K. J. Lee, (2009), “Estimating Value at Risk of Portfolio by Conditional Copula-GARCH Method,” Insurance: Mathematics and Economics, Vol. 45, Issue 3, pp. 315–324.
8.	Kresta Aleš and Tomáš Tichỳ, (2012), “International Equity Portfolio Risk Modeling: The Case of The NIG Model and Ordinary Copula Functions,” Czech Journal of Economics and Finance (Finance a uver), Vol. 62, issue 2, pp. 141-161.
9.	Lee, W. C. and H. N. Lin, (2010), “Portfolio Value at Risk with Copula-ARMAX-GJR-GARCH Model: Evidence from The Gold and Silver Futures”, African Journal of Business Management, Vol. 5, No.5, pp. 1650-1662.
http://www.bankofengland.co.uk/publications/speeches/2011/speech521.pdf (last accessed: 23 July 2012).
10.	Manner, H. and O. Reznikova, (2012), “A Survey on Time-Varying Copulas: Specification, Simulations, and Application,” Econometric Review, Vol.31, No.6, pp.654-687.
11.	Pan, Z. and X. Sun, (2013), “Hedging Strategy Using Copula and Nonparametric Methods：Evidence from China Securities Index Futures,” International Journal of Economics and Financial Issues, Vol. 4, No. 1, pp. 107-121.
12.	Sklar, M., (1959), “Fonctions de r′epartition `a n Dimensions et Leurs Marges,” Publ.Inst. Statist. Univ. Paris, Vol. 8, pp. 229–231.
13.	Schwarz, G.,(1978),“Estimating the dimension of a model,” Annals of Statistics, Vol.6,  pp.461-464.
14.	Wang, K., Y.H. Chenb, S.W. Huang, (2011), “The Dynamic Dependence Between The Chinese Market and Other International Stock Markets: A Time-Varying Copula Approach,” International Review of Economics & Finance, Vol. 20, Issue 4, pp. 654–664