Page 14 - MFB22JudyOK

為非定態數列。對於非定態數列，應取差分並持續反覆以 ADF 檢

定，直到差分後的數列為定態時再進行迴歸分析。

3.2.2 預測模型

2020 年來因應新冠肺炎疫情的爆發，為了避免金融系統崩潰，美

國聯準會 Fed 開始實施史上首見的無限 QE (quantitative easing) 政

策，推出 7,000 億美金的量化寬鬆計劃，並宣佈把利率降為零。而

台灣央行也提出一系列寬鬆政策，包含購買擴大附買回操作機制、降

低基準利率，提供個人和企業紓困貸款等措施。量化寬鬆政策最主要

的目的，是透過增加貨幣供給，提供流動性，冀使經濟迅速復甦。但

由於貨幣供給量增加，市場上資金充沛，過多資金追逐有限標的，進

一步推升資產價格，很可能引發通貨膨脹、資產泡沫化等問題。Dokko

et al. (2011) 亦提及貨幣供給量增加，進而會影響股市、房市動能。因

此，我們參考黃裕烈與管中閔 (2019) 的作法，使用單變數的預測模

型 ， 檢視台灣的貨幣總計數 M1B 及大盤月報酬率與情緒指標間是否

有解釋及預測能力，模型設計如下:

m n
0 
x i t     j x , i t j     k y t k   t 1 ,

, 1
j 0 k 0
其中 x 為第 i={全台,台北市,新北市,桃園市,台中市,台南市,高雄市}
i,t
個區域在 t 時間點所編製而成的 Tone 或是 PN 指標。若為月頻率

資料，x i,t+1 則為下一個月資料，若為季頻率資料，則為下一季資料。解

釋變數中亦包含落後期數的 Tone 或 PN (x ，j=｛0,1,…m｝)，主要
i,t-j
是用於捕捉可能產生的相關序列性，而 y ，k =｛0,1,…n｝ 則為經
t-k
濟相關數據。由於房地產之流動性相較股票等金融商品為差，因此我

們參考陳明吉與曾琬婷 (2008) 之做法，並透過 Akaike information

criterion (簡稱 AIC) 選取落後期數至第四期，於是自變數的落後期選

取 0 至 3 期。為避免虛假迴歸的問題，所有變數皆已轉換為定態的

12