本研究利用2020年1月1日至2026年4月30日之日資料，比較比特幣價格與半導體產業、美國科技股、美國整體股市、匯率、利率、能源價格及全球風險情緒等文獻中之主要預測指標，對台灣加權股價指數短期報酬之預測表現。研究方法上，採用 Westerlund and Narayan 型預測迴歸模型（WN-type predictive regression model），以處理金融價格與指數水準變數可能具有高度持續性的問題，並透過樣本內估計、樣本外預測、歷史平均模型、AR 基準模型與增額預測能力檢驗，評估比特幣價格資訊之預測價值。
實證結果顯示，比特幣價格扣除自身高度持續性後的變動成分，與台灣加權股價指數報酬具有顯著正向關係。在預測表現方面，比特幣價格資訊相較於單純使用台股平均報酬或自身落後報酬，能提供一定程度的短期預測訊號。然而，與其他國際金融變數相比，比特幣模型優於油價、利率與匯率模型，但弱於全球風險情緒、美國整體股市、科技股市場與半導體產業指標。整體而言，比特幣價格資訊在台股短期報酬預測中具有輔助性資訊價值，可作為觀察跨市場情緒與資金配置變化的補充指標。

This study uses daily data from January 1, 2020 to April 30, 2026 to compare the predictive performance of Bitcoin prices with major predictors commonly identified in the literature, including indicators related to the semiconductor industry, the U.S. technology stock market, the U.S. overall stock market, exchange rates, interest rates, energy prices, and global risk sentiment, in forecasting the short-term returns of the Taiwan Capitalization Weighted Stock Index. Methodologically, this study adopts the Westerlund and Narayan-type predictive regression model to address the high persistence commonly observed in financial prices and index-level variables. In-sample estimation, out-of-sample forecasting, comparisons with the historical average model and autoregressive benchmark models, and incremental predictive power tests are employed to evaluate the predictive value of Bitcoin price information.
The empirical results show that the variation in Bitcoin prices after accounting for their own high persistence is significantly and positively associated with the returns of the Taiwan Capitalization Weighted Stock Index. In terms of predictive performance, Bitcoin price information provides a certain degree of short-term predictive signal compared with forecasts based solely on the historical average return or the lagged returns of the Taiwan stock market. However, relative to other international financial variables, the Bitcoin model outperforms the oil price, interest rate, and exchange rate models, but underperforms the models based on global risk sentiment, the U.S. overall stock market, the U.S. technology stock market, and semiconductor industry indicators. Overall, Bitcoin price information has supplementary informational value in predicting short-term Taiwan stock market returns and may serve as an additional indicator for observing cross-market sentiment and changes in asset allocation.

中文文獻
白庭嘉（2021），《加密貨幣關注度與亞洲股價指數報酬之關係》，輔仁大學金融與國際企業學系金融碩士班碩士論文。
白經睿（2019），《比特幣價格與臺灣比特幣概念股股價的關聯》，淡江大學經濟學系經濟與財務碩士班碩士論文。
吳怡慧（2011），《台灣加權股價指數與總體經濟變數之關聯性研究》，國立中正大學經濟學系國際經濟學碩士班碩士論文。
吳宗正（2008），《台灣上市鋼鐵類股價指數預測之研究》，國立成功大學統計學研究所碩士論文。
吳承諺（2024），《加密貨幣能否作為台股的避險工具》，國立臺北大學企業管理學系碩士論文。
宋嘉凌（2007），《台灣股市與主要國際股市之相關性研究》，國立臺灣大學國際企業學研究所碩士論文。
周立騰（2025），《台灣加權股價指數的領先指標》，淡江大學產業經濟學系碩士論文。
洪玉勳（2019），《台灣與美國、日本、中國及香港股市關聯性之研究》，嶺東科技大學財務金融系碩士論文。
張椿柏、陳立君與林承翰（2023），「比特幣價格與台灣相關概念股股價關聯性之研究」，《財金論文叢刊》，38，21–39。
傅澤偉、張哲豪與林曼莉（2021），「恐慌指數、外溢效果與台灣股票市場報酬率」，《亞太經濟管理評論》，24，1–22。
莊秋欣（2017），《三種虛擬貨幣之比較與股市關聯性之研究》，中原大學企業管理研究所碩士論文。
蔡明章（2001），《影響台灣股市波動因素之探討》，國立臺北大學國際財務金融碩士在職專班碩士論文。
英文文獻
Campbell, J. Y. and S. B. Thompson (2008), “Predicting Excess Stock Returns Out of Sample: Can Anything Beat the Historical Average?” The Review of Financial Studies, 21(4), 1509–1531.
Narayan, P. K. and R. Gupta (2015), “Has Oil Price Predicted Stock Returns for Over a Century?” Energy Economics, 48, 18–23.
Phan, D. H. B., S. S. Sharma, and V. T. Tran (2018), “Can Economic Policy Uncertainty Predict Stock Returns? Global Evidence,” Journal of International Financial Markets, Institutions and Money, 55, 134–150.
Rapach, D. E., J. K. Strauss, and G. Zhou (2013), “International Stock Return Predictability: What Is the Role of the United States?” The Journal of Finance, 68(4), 1633–1662.
Salisu, A. A., K. Isah, and L. O. Akanni (2019), “Improving the Predictability of Stock Returns with Bitcoin Prices,” The North American Journal of Economics and Finance, 48, 857–867.
Westerlund, J. and P. K. Narayan (2012), “Does the Choice of Estimator Matter When Forecasting Returns?” Journal of Banking & Finance, 36(9), 2632–2640.
Westerlund, J. and P. K. Narayan (2015), “Testing for Predictability in Conditionally Heteroskedastic Stock Returns,” Journal of Financial Econometrics, 13(2), 342–375.