本研究的目的在於檢驗台幣、日圓、韓元之間在實施寬鬆貨幣政策前後是否存在競貶效果。 實證上透過ARMAX-GJR-GARCH-Copula Type模型檢視日本寬鬆貨幣政策前後日圓、台幣、韓元之相關變化。
實證結果顯示，無論是全樣本或安倍實施寬鬆貨幣政策前後，日圓對台幣及韓元匯率均數方程式影響皆呈現顯著效果且為正向影響。變異數方程式參數估計而言，在全樣本、寬鬆貨幣政策前亦呈顯著影響，意涵不同消息面對市場衝擊，除了安倍實施寬鬆貨幣政策前，韓元匯率的不對稱性不顯著外，其餘皆具顯著性。
    本文繼續透過五種不同的Copula函數，包含Normal Copula、Student Copula、Clayton Copula、	Gumbel Copula及Frank Copula　分別來配適全樣本、安倍實施寬鬆政策前、後，日圓與台幣、日圓與韓元及台幣與韓元三組的匯率關聯結構，並進一步求出列相關係數( Kendall’s tau)。結果發現，日圓與台幣、日圓與韓元的相關程度無論在全樣本、安倍實施寬鬆政策前、後均很小；意涵台灣央行及韓國央行均能力守匯率的穩定性，不受日圓貶值而隨之競貶。但安倍實施寬鬆政策後，其相關性稍微提高。然而，台幣與韓元的關聯程度無論在全樣本、安倍實施寬鬆政策前、後均很高，顯示台灣與韓國之出口貿易競爭關係非常激烈，而匯率是影響出口的重要關鍵。

The study aims  to examine  whether the NTD, YEN, and KRW have the depreciation effect before and after implementation of the quantitative easing policy. In empirical study, we apply the asymmetric ARMAX-GJR-GARCH-Copula Type model to test the correlation between the YEN, NTD, and KRW  before and after the quantitative easing policy in Japan.
The empirical results show that both the front and rear full sample or after the Abe accommodative monetary policy. The YEN had showed a positive significant effect on NTD and KRW in the mean equation. Parameter estimation variance equation, in the former All samples also found a significant effect of quantitative easing policy, meaning different messages in addition to the front face of market shocks Abe implementing quantitative easing policy, no significant asymmetry effect in KRW exchange rate, the other remaining significant.
This thesis further fit the copula function of the JPY and the TWD, the JPY and the KRW and the NT and KRW exchange rate-related structures in whole sample, before and after Abe ‘s  quantitative easing policy through five different Copula functions, including the Normal Copula, Student Copula, Clayton Copula, Gumbel Copula and Frank Copula, respectively. 
According the correlation coefficient (Kendall's tau), the results showed that, the JPY and the TWD, the JPY and the KRW's relevance is small in terms of the full sample, before and after Abe’s quantitative easing policy. Which means that Taiwan　and Koera’s central banks have the ability to keep the exchange rate stability, along with competing against the JPY and banished. But after Abe implement easing slightly increase its relevance. However, the degree of association NT and KRW both in the full sample, Abe implemented before easing back are high, showing export trade relations between Taiwan and South Korea's competition is fierce, but the exchange rate is the key to influence exports.

第一章    緒論	1
第一節 研究背景與動機	1
第二節 研究目的	4
第三節 研究架構與流程	5
第二章　  理論與相關文獻	6
第一節 貨幣政策與理論	6
第二節 量化寬鬆貨幣政策	7
第三節 Copula相關文獻整理	11
第三章    研究方法	14
第一節 資料來源	14
第二節 雙變數GARCH 模型	14
第三節 Copula模型	18
第四節 Dynamic Copula	24
第四章　 實證結果與分析	25
第一節 敘述統計量分析	25
第二節 實證結果分析	27
第五章　 結論與建議	50
第一節 結論	50
第二節 建議	52
參考文獻	54

表目錄

表1彙整本研究的COPULA函數及其相關係數Τ	23
表2 日圓、台幣及韓元之敘述統計量	25
表3 日圓、台幣及韓元ARMAX-GJR-GARCH模型估計結果(全樣本)	28
表4 不同COPULA函數的 KENDALL’S TAU(全樣本)-(日圓與台幣匯率)	30
表5 不同COPULA函數的 KENDALL’S TAU(全樣本)-(日圓對韓元匯率)	31
表6 不同COPULA函數的 KENDALL’S TAU(全樣本)-(台幣對韓元匯率)………….	33
表7 日圓、台幣及韓元ARMAX-GJR-GARCH模型估計結果(安倍實施QE前)	35
表8  不同COPULA函數的 KENDALL’S TAU(安倍實施QE前)-(日圓對台灣匯率)	36
表9  不同COPULA函數的 KENDALL’S TAU(安倍實施QE前)-(日圓對韓元匯率)	38
表10 不同COPULA函數的 KENDALL’S TAU(安倍實施QE前)-(台幣對韓元匯率).40
表11日圓、台幣及韓元ARMAX-GJR-GARCH模型估計結果(安倍實施QE後.42
表12不同COPULA函數的 KENDALL’S TAU(安倍實施QE後)-(日圓對台灣匯率) ..44
表13不同COPULA函數的 KENDALL’S TAU(安倍實施QE後)-(日圓對韓元匯率).45
表14不同COPULA函數的 KENDALL’S TAU(安倍實施QE後)-(台幣對韓元匯率)	48

圖目錄
圖1  研究流程	5
圖2  美國QE傳遞管道示意圖	8
圖3  日本央行貨幣政策的演變	9
圖4  2008年後FED資產規模	11
圖5  日圓匯率走勢	26
圖6  台幣匯率走勢	26
圖7  韓元匯率走勢	27
圖8  日圓匯率與台幣匯率相關散佈圖(全樣本)	30
圖9  日圓匯率與台幣匯率的NORMAL動態相關(全樣本)	30
圖10 日圓匯率與韓元匯率相關散佈圖(全樣本)	32
圖11 日圓匯率與韓元匯率的NORMAL動態相關(全樣本)	32
圖12 日圓匯率與韓元匯率相關散佈圖(全樣本)	34
圖13日圓匯率與韓元匯率的NORMAL動態相關(全樣本)	34
圖14 日圓匯率與台幣匯率相關散佈圖(安倍實施QE前)	37
圖15 日圓匯率與台幣匯率的NORMAL動態相關(安倍實施QE前)	37
圖16 日圓匯率與韓元匯率相關散佈圖(安倍實施QE前)	39
圖17 日圓匯率與韓元匯率的NORMAL動態相關(安倍實施QE前)	39
圖18 台幣匯率與韓元匯率相關散佈圖(安倍實施QE前)	41
圖19 台幣匯率與韓元匯率的NORMAL動態相關(安倍實施QE前)	41
圖20 日圓匯率與台幣匯率相關散佈圖(安倍實施QE後)	44
圖21 日圓匯率與台幣匯率的NORMAL動態相關(安倍實施QE後)	44
圖22 日圓匯率與韓元匯率相關散佈圖(安倍實施QE後)	46
圖23 日圓匯率與韓元匯率的NORMAL動態相關(安倍實施QE後)	46
圖24 台幣匯率與韓元匯率相關散佈圖(安倍實施QE後)	48
圖25台幣匯率與韓元匯率的NORMAL動態相關(安倍實施QE後)	49

參考文獻
一、	中文文獻
1.	中央銀行(2003)中華民國中央銀行之制度與功能，頁26。
2.	中央銀行(2013)量化寬鬆貨幣政策，頁1-3
3.	李榮謙(2007)，「貨幣金融學概論」，一刷，東華書局出版。
4.	李榮謙(2012)，「貨幣銀行學」，十版增訂，智勝文化出版。
5.	李沃牆(2013) ，「日本量化寬鬆當道，另一個失落或崛起的十年？」，會計研究月刊第334期，頁76-82。
6.	沈青孺(2013)，美國總體經濟變數與通貨膨脹關聯性結構探討-Copula模型之應用，淡江大學財務金融學系研究所碩士論文。
7.	林曉伶，「日本貨幣政策操作方式與政策目標之達成」，國際金融參考資料，56輯，頁99-139。
8.	林曉伶、李榮謙 (2008)，「質化寬鬆VS量化寬鬆，FED與BOJ的非傳統性政策」，中央銀行：國際貨幣金融資訊簡報，第157期，12月。
9.	林勝宏(2004)，國際股市關聯性結構之研究－Copula模型之應用，國立台灣科技大學資訊管理學系碩士論文。
10.	高志宏(2002)，台灣、日本、南韓股匯市與美國股市相關性之實證研究-GARCH-in- Mean模式之應用，東吳大學商學研究所碩士論文。
11.	黃坤銘(2010) ，次級房貸危機及金融海嘯下美國股市與公債期現貨市場動態連態連動性之研究，臺北大學國際企業研究所學位論文。
12.	楊奕農(2005)，「時間序列分析－經濟與財務上之應用」，雙葉書廊出版。
13.	劉邦彥 (2004)，股價與匯價非線性關係之探討：以台灣及南韓為例，逢甲大學經濟研究所碩士論文。
14.	鄭育姍(2006)，匯率與總體變數非線性平滑轉換誤差修正模型之實證分析，淡江大學財務金融學系研究所碩士論文。
15.	賴奕豪、江福松、林煌傑(2010)，極端報酬下亞洲股市之蔓延效果，經濟與管理論叢，第6卷第2期，頁247-270。

二、	英文文獻
1.	Akaike, H. (1973). Information Theory and an Extension of the Maximum Likelihood Principle. In B. N. Petrov and F. Csaki (Eds.), Second international symposium on information theory,pp. 267-281.
2.	Petrov, B. N. and F. Csaki (Eds.), Second International Symposium on Information  Theory, pp. 267-281.
3.	Bollerslev, T.(1986), “Generalized Autoregressive Condition Heteroskedasticity,” Journal of Econometrics, Vol.31, pp. 307－327.
4.	Bollerslev, T. (1987), “A Conditionally Heteroskedastic Time Series Model for Speculative Prices and Rates of Return,” The Review of Economics and Statistics, Vol.69, pp. 542－547.
5.	Bollerslev, T. (1990), “Modeling the Coherence in Short-Run Nominal Exchange Rates: Multivariate Generalized ARCH Approach,” Review of Economic and Statistics, Vol. 72, pp. 498-505.
6.	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.
7.	Dwyer, G. P. and  M. Fisher, (2009)“Inflation and Monetary Regimes”Journal of International Money and Finance, Elsevier, Vol.28, No.7,pp.1221-1241.
8.	DeGrauwe, P. and M. Polan (2005)“Is Inflation Always and Everywhere a Monetary Phenomenon?” Scandinavian Journal of Economics, Vol.107, No.2, pp.239-259.
9.	Engle, R. F. (1982), “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of U.K. Inflation,” Econometrica, Vol.50, pp. 987－1008.
10.	Engle, R. F. and V. K. Ng (1993), “Measuring and Testing the Impact of News on Volatility,” Journal of Finance, Vol.48. No.5. 1749-1778.
11.	Engle, R. F., (2002), “Dynamic Conditional Correlation-A Simple Class of Multivariate GARCH Models,” Journal of Business and Economic Statistics, Vol. 20, No. 3, pp. 339-350.
12.	Glosten, L. R., Jagannathan, R. & Runkle, D. E. (1993). On the Relation between the Expected Value and the Volatility of the Nominal Excess Return on Stocks. Journal of Finance, Vol.48, Issue.5, pp.1779-1799
13.	Hamilton, J.(1994),Time Series Analysis, Published by Achuthan Sekar.
14.	Huizinga, J. and F. S. Mishkin, (1984) “Inflation and Real Interest Rates on Assets with Different Risk Characteristics”, Journal of Finance, Vol.39, No.3, pp. 699-712. 
15.	Hsu, C. C. , C. P. Tseng and Y. H. Wang (2008), “Dynamic Hedging with Futures: Copula-based GARCH Model,” Journal of Futures Markets, Vol.28, Issue.11, pp.1095–1116. 
16.	Huang, J. J. , K. J. Lee, L. Kuo , H. Liang and W. F. Lin(2009), “Estimating Value at Risk of Portfolio by Conditional Copula-GARCH Method,” Insurance Mathematics and Economics, Vol.45, No.3, pp.315-324.
17.	Junker, M., A. Szimayer and N. Wagner (2006), “Nonlinear Term Structure Dependence: Copula Functions, Empirics, and Risk Implications,” Journal of Banking and Finance, Vol.30, Issue.4 , pp.1171-1199
18.	Jondeau, E. and M. Rockinger (2006), “The Copula-GARCH model of conditional dependencies: An international stock market application,” Journal of International Money and Finance, Vol.25, No.5, pp.827-853.
19.	Lee, W. C. and H. N. Lin, (2010), “The Dynamic Relationship between Gold and Silver Futures Markets based on Copula-AR-GJR-GARCH Model,” Middle Eastern of Finance and Economics, Issue. 7, pp. 118-129.	
20.	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
21.	Nelson, D. B. (1991), “Conditional Heteroskedasticity in Asset Returns: A New Approach,” Econometrica, Vol.59, pp. 347－70.
22.	Palaro H. P. and L. K. Hotta(2006), “Using Conditional Copula to Estimate Value at Risk”. Journal of  Data  Science, Vol. 4, pp.93-115
23.	Rolnick, A. J and W. E. Weber (1997). “Money, Inflation, and Output under Fiat and Commodity Standards,” Journal of Political Economy, University of Chicago Press, Vol.105, No.6, pp.1308-21.
24.	Rodriguez, J. C. (2007), “Measure  Financial Contagion a Copula  Approach.
” Journal of Empirical Finance, Vol.14, Issue.3, pp.401-423.
25.	Sklar, M., (1959), “Fonctions de r’epartition `a n Dimensions et Leurs Marges,” Publ.Inst. Statist. Univ. Paris, Vol. 8, pp. 229–231.
26.	Schwarz, G. E. (1978), “Estimating the Dimension of a Model”. Annals of Statistics.Vol. 6, No.2, pp. 461–464
27.	Schwettzer, B. and E. Wolff (1981), “On Nonparametric Measures of Dependence For Random Variables, The Annals of Statistics, Vol.9, pp. 879-885