跳到主要內容

升息會使貨幣變強嗎？

還記得美國在2015年開始實施升息循環嗎？那時候聯邦基金利率升到最高2.25%到2.5%之間，10年期公債殖利率一路走高，甚至突破3% ，1美元也以換超過32.5元台幣；當時，國內、外許多財經新聞都有報導美元因為美債利率上升，國際熱錢為賺取利息，大量購買美金投資美債，而使美元升值。
但是，影響貨幣強弱的因素也很多，且統計學的相關性不能用來證明因果關係，舉例來說，冰淇淋的銷售量與溺水人數成正比，那是因為吃冰淇淋讓人溺水？還是因為夏天到了，吃冰的人多，游泳的人也多，所以溺水人數上升？

美國公債殖利率上升會使美金升值？

美國公債殖利率若上升，對於投資人來講，一定會很有吸引力，對吧？畢竟投資美債每年如果有3%的報酬，又不擔心美國政府違約不還錢。聽起來真不錯！

所以，美國公債殖利若上升，理論上大家會大量購買美金，而使美金升值。

但是如果純粹用「無套利定價原理(no arbitrage pricing principle)」去評估貨幣，好像不是如此！

無套利定價原理(no arbitrage pricing principle)

無套利定價原理意指只要有任何套利的機會，許多人會執行套利交易，使套利交易的標的價格變動，直到沒有套利的機會為止。不過...，實際上還要考慮稅率、交易手續費及買賣價差的問題。

就以利率及匯率的關係而言，也是如此。

假設美元年利率是1%，台幣年利率是0%，在匯率假定1年內不會有變動的狀況下，我會想把所有閒錢都換成美金，定存1年，然後換回台幣吧！？因為這樣賺1%。

那麼，假設我可以無限跟銀行用0%的利率借到錢，我會無限的借，然後全部買美金；當然，如果這麼做，銀行一定會提升借給我的利率到1%，讓換美金定存套利的機會完成沒有。但是，我們現在聊的是匯率的變化，不是利率，所以繼續假設銀行借給我錢的利率一直是0%。

那麼怎麼套利呢？例子延續...

我可以跟銀行借3000塊台幣，換成100元塊美金(假設匯率是1美金換30元台幣)，存款1年後拿回美金本金加利息共101塊，在用原來的匯率換回101 X 30 = 3030元，最後再把3000元還銀行(因為假設台幣利率為0%)，我在沒有任何本金(因為錢是用借的)、任何努力及任何風險的狀況下賺到30元台幣，這個就是套利。

不過，現在的例子改成匯率會變動呢？利率不變。

我可以跟銀行借3000塊台幣，換成100元塊美金(假設匯率是1美金換30元台幣)，存款1年後拿回美金本金加利息共101塊，並為了不想有匯率風險，同時賣出1年期100元的美金兌台幣期貨。假設1年期匯率期貨也是1美金兌30元台幣，我就可以保證在1年後，以這個匯率賣出美金，拿到101 X 30 = 3030，最後再把3000元還銀行(持續假設台幣利率為0%)。一樣不須本金，完成套利30元台幣。

但是，如果大家都這麼做，大量賣出美元兌台幣的期貨，美金期貨匯率應該要下降，降到美元兌台幣1比3000 / 101 = 29.7，才不會有任何套利空間；因此，美金應該持續走弱才對。

公式為：
美金期貨價格 X (1 + 台幣年利率)^年= 美金現貨 X (1 + 美金年利率)^年

結論

本文的例子未考慮到買美元現貨也會使美元升值，不過相對來說，美金期貨依無套利定價原理計算，會比現貨便宜，所以，也有可能會有美金期、現貨都同步升值的狀況。

不過，無套利定價原理也是投資外幣考量的其中一項因素。

貨幣的價值最終還是由市場供給及需求的大小及變化而改變，如果美國升息，而美金能持續維持強勢，那勢必也有很多其他因素共同造成的。
Labels:

留言

張貼留言

這個網誌中的熱門文章

母體變異數(population variance)、樣本變異數(sample variance)及自由度(degrees of freedom)

母體指的是所有的數據，樣本指的是從母體抽樣的數據，舉例來說，一個班級有40人，它們的身高，40個身高數據，若只針對這個班，就是母體，但是，卻只是代表全校學生身高的一部分，也就是樣本。 回到「機率統計」頁面 樣本平均數(mean)不是母體平均數，樣本變異數(variance)也不是母體變異數，一個班40個人身高的平均數很難剛好是全校學生的身高平均數。 一個班40個人的身高變異數也不會是全校學生的身高變異數。 變異數計算 母體變異數的定義如下： 而樣本變異數的定義如下： 奇怪的地方 平均數 雖然樣本平均數不是母體平均數，不過，如果不斷重複從同一個母體抽樣平均，會得到一個近似母體平均數的數字。舉例來說，從一個學校所有學生中，不斷隨機選出40個學生取平均數，再將這些平均數平均，結果會接近直接算全校學生的身高平均數。 也就是說樣本平均數的期望值就是母體平均數： 變異數 樣本變異數跟母體變異數就沒這麼單純了。奇怪的地方是，為什麼樣本變異數公式的除術是n-1，而不是像平均數計算一樣用n？ 為何樣本變異數要除的是(n-1)？ 除數為n的話，變異數會太小 如果樣本變異數的除數是n，樣本變異數就會常常比母體變異數小。為什麼呢？ 因為，樣本是從母體抽取的，抽樣的數據算出平均，並且抽樣的數據會相對的接近抽樣的平均，總不會剛好抽出的樣本平均數剛好是母體平均數，且樣本數據離樣本平均數就像母體數據離母體平均數一樣分散吧？ 假設母體數據為0-99的整數，共100個數據，從中選出10個數字，然後計算樣本的平均數，分別用n及n-1當作除數算出變異數，連續執行200次，並將200個樣本平均數及200個樣本變異數平均。 也就是取得樣本平均數及樣本變異數的期望值，結果如下： 母體平均數 = 49.5
張貼留言
Read more »

中央極限定理(central limit theorem)證明

中央極限定理(central limit theorem )指的是從一個獨立同分布(Independent and identically distributed, i.i.d)取出之變數數量趨近無限多時，其平均數(mean)將趨近常態分布(normal distribution)。 回到「機率統計」頁面 目錄： 動差母函數(moment generating function) 常態分布的動差母函數 中央極限定理證明 中央極限定理模擬 中央極限定理應用 動差母函數(moment generating function) 動差母函數為機率密度函數(probability density fFunction, PDF）及累積分佈函數(cumulative distribution function CDF)之外，另一種描述機率分布模型的一種方式。 定義 M X (t) = E[e tx ] 而 e tx 的泰勒級數(Taylor series)為 e tx  = 1 + tx + t 2 x 2 /2! +  t 3 x 3 /3! + ... 則 M X (t) 的泰勒級數為 M X (t) = E[e tx ]  = 1 + tE[x] +  t 2 /2! E[x 2 ] +  t 3 /3! E[x 3 ] + ... 因此，當t = 0時，以t取 動差母函數m次微分，就可以找到其分布模型的第m動差。 特性 M X+Y (t) = E[e t(x+y) ] =  E[e tx+ty ] =  E[e tx e ty ]  =  E[e tx ]  E[ e ty ] =  M X (t)  M Y (t)  常態分布的動差母
張貼留言
Read more »

HYG、LQD 與 TLT 風險報酬比較

10 年期公債除了站上 4%，再撰寫這篇文章時，已經在 4.3% 徘迴，上次在 這篇文章 研究了現在是否應該要買 LQD 而不是 TLT，本篇文章我想研究非投資等級債是否更適合。 買點 HYG 現在 HYG 價格為 74.04，距離近一次低點 2020/3/20 的 69.75，差別為 5.794% LQD 上次低點在 2020/10/14 的 100.38 附近，與目前的 105.01 相差 4.612%。 TLT 上次低點在 2022/11/4 的 94.22 附近，與目前的 95.16相差 1%。 殖利率上升時，公司債的表現 TLT 2009-01-06 到 2010-01-05 跌了 16.364% 這段期間美國 30 年期公債殖利率從 3.04% 漲到  3.74%，漲了 0.7%。 TLT 2012-11-14 到 2013-11-13 跌了 15.701% 這段期間 美國 30 年期公債殖利率從 2.73% 漲到  3.83%，漲了 1.1%。 TLT 2016-07-29 到 2017-07-28 跌了 10.307% 這段期間 美國 30 年期公債殖利率從 2.18% 漲到  2.89%，漲了 0.71%。 TLT 2021-11-18 到 2023-8-15 跌了 32.695% 這段期間美國 30 年期公債殖利率從 1.97% 漲到  4.35%，漲了 2.38%。 結論 HYG 現在也很便宜，在公債殖利率還有可能持續上漲狀況下，表現可能勝過公債及投資等級公司債。
張貼留言
Read more »

如何在Chart.js的圖上加上X軸或Y軸名稱

 Chart.js可以幫助網頁顯示各類圖表，要在X軸及Y軸上標示名稱方法如下： 找到Chart物件。 在Chart物件內找到options。 在options內找到scales，若無，自行加上scales。 即可在scales下設定X軸及Y軸的標示。 程式碼範例 <div> <canvas id="myChart"></canvas> </div> <script src="https://cdn.jsdelivr.net/npm/chart.js"></script> <script> const labels = [ '1', '2', '3', '4', '5', '6', ]; const data = { labels: labels, datasets: [{ label: '數據', backgroundColor: 'rgb(255, 99, 132)', borderColor: 'rgb(255, 99, 132)', data: [0, 10, 5, 2, 20, 30, 45], }] }; const config = { type: 'line', data, options: {scales:{ x:{ title:{ display:true, text:"月" } }, y:{ title:{ display:true, text:"unit" } } } } }; var myChart = new Chart( document.ge
張貼留言
Read more »

賭徒破產理論(Gambler's ruin)機率公式證明

賭徒破產理論(Gambler's ruin)指指的是兩位賭徒，每局賭1元，A賭徒有i元，B賭徒有n-i元，兩人不斷的賭，直到一人輸光為止。 回到「機率統計」頁面 前言 假設A賭徒勝率為p，輸的機率就是1-p，稱為q，我們要求算A贏光所有錢的機率。 讓p(i)代表A賭徒擁有i元的時候，獲得最後勝利的機率。 p(0) = 0，因為已經輸光所有錢並且賭局已結束。 p(n) = 1，因為已經贏光所有錢並且賭局已結束。 那麼p(i)呢？ 遞迴公式(recursive formula) 假設A有i元，它下一局有可能贏，有可能輸。贏的機率為p，輸的機率為1-p = q。 不論這一局是贏還是輸，A要贏光所有錢的機率還是沒有算出來。 這局贏了，接下來贏光所有錢的機率為p(i+1)。 這局輸了，接下來贏光所有錢的機率為p(i-1)。 因此，p(i) = p*p(i+1) + q*p(i-1)，且可以繼續延伸，例如p(i+1) = p*p(i+2) + q*p(i)、p(i-1) = p*p(i-) + q*p(i-2)... 每個公式需要套用原本的公式，稱為遞迴公式公式，而遞迴公式解法可以像解微分方程(differential equation)一樣，可以先用猜的！ 例如dx/dt = rx，微分之後x還是在公式裡，可以先猜測x = e^y。 猜測 假設，p(i) = x i ，並帶入p(i) = p*p(i+1) + q*p(i-1)，得到  x i   = p* x i+1  + q * x i-1 x = p* x 2  + q p* x 2  - x + q = 0 解一元二次方程式得 x = 1 或 x = q/p 微分方程 p(i) = x i ， x = 1 或 x = q/p，且有兩已知數 p(0) = 0 及 p(n) = 1。 而x i 的x有兩個根(root)，必須都帶入線性組合(linear combination)公式求解。 p(i) = A(1) i  + B ( q/p ) i  =  A +  B ( q/p ) i  p(0) = A + B = 0 ， A = -B p(n) = A + B ( q/p ) n   = 1 A + B ( q/p ) n  = -B +  B ( q/p ) n  = B(-1 +  ( q/p ) n )
張貼留言
Read more »