實證結果歸納與分析

由5.2 與 5.3 小節的結果來分析，根據本研究預期結果的三大方面依序歸納 如下：

1、估計相關係數的部分，數值過低。可能與投資組合間產業類別較多使得 相關性較低有關。

2、在預估違約率的部分，依照有無增加總體經濟風險因子和隨機誤差項分 成三類。可以發現無增加的第一類別較接近真實值，但是可能因忽略總體 環境的風險有低估的狀況。第二類別只有增加總經風險因子的過份高估，

原因可能在於投資組合中產業類別較多，受到總體環境的系統風險程度未 必一致，所以，在考量總經風險因子的同時就有可能過份高估。第三類別，

同時增加總經風險因子與隨機誤差項，雖仍然高估，但是比起第二類別，

明顯接近實際違約率。原因在於，隨機誤差項可以動態的調整總體經濟風 險因子。而在適度的調整下，可以較佳的控制總體環境的系統影響。

3、利用模擬的暴險額和違約損失率可以計算出投資組合整體的損失分配圖。

並對2000 年到 2006 的風險值作一比較。可以得到與前面一致的結論。

2000-2006 VaR比較值

0 10000 20000 30000 40000

2000 2001 2002 2003 2004 2005 2006

實際值 無總經風險因子 有總經風險因子 總經風險因子加上隨機誤差項

圖6 三種類別模擬風險值比較

第六章 結論與建議

本研究以 DB 模型作延伸，並且嘗試比較，可以提供學術界及後續研究者對

做為參考，因為往往一個投資組合並不是動輒就有上萬家公司或資產。雖然 學術上研究，往往擔心樣本過小而無法得到統計上的顯著結果。但透過本研 究可以瞭解到資料較少型的大樣本依然可以使用 DB 模型。相信對於金融機 構而言，一個模型能夠有彈性的適應不同的樣本數，將是具有效益並可以參 考使用的模型。

6.2 研究限制與後續研究建議

由於本研究資料無法自銀行取得，只能從台灣經濟新報自行形成投資組合。

外加上台灣信用評等等起步較晚。所以，必須要自行估計各別公司的狀況與違約 可能。並且因為研究時間不足，在公司個別因子、總體經濟風險因子等處理上也 不完善，有很多可以改善和加強的空間。另外，對於違約率預估與相關性的部分，

如果資料更充足，應該對未來時點作更多的預測。甚至針對景氣狀況、信用評等、

產業類別、集團股或非集團股等作分類，或者公司市值、投資多角化、公司存在 上下游關係與否等，去作更進一步的分析和討論。對於未來的研究建議，如下：

1、希望能跟金融機構合作，取得較長時間的數據資料，或者以國外市場的 資料作研究，相信可以更多更明顯的結果。

2、未來如果可以取得較多的資料來源，可以按照產業分類並且分別估計其 相關係數，並且研究不同產業之間的相關性。

3、對於公司個別因子和總體經濟風險因子的選定，可以作更進一步的探討，

尋求更好更具解釋力的變數。

參考文獻

中文部分

1. 沈中華、張家華（2003），「產業違約率及景氣循環」，金融風險管理季刊，1(4)，

91-105。

2. 沈中華、張家華（2004），「違約率與總體經濟相關性」，信用資訊月刊，3。

3. 沈中華（2005），「資產組合風險預測：Default Corrlation 及 Asset Correlation

」，金融風險管理季刊，1(1)，102-110。

4. 洪明欽、張揖平、孫銘儀、王思芳（2006），「資產相關性在信用投資組合風 險管理上之運用-以台灣市場為例」，金融風險管理季刊，2(1)，83-96。

5. 李正福、王克陸、劉大安（2006)，「考量總體經濟環境之信用評等移轉矩陣 --信用投資組合法及信用循環指標法之比較研究」，發表於 2006 台灣財務工 程學會年會暨風險管理研討會。

6. 黃博怡、張大成、江欣怡（2006），「考慮總體經濟因素之企業危機預警模型」， 金融風險管理季刊，2(2)，75-89。

7. 葉金江（1998），「退票率與經濟景氣之關係-影響退票率因素之實證分析」，

貨幣觀測與信用評等，11，78-85。

英文部分

1. Altman, E. (1968). “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy.” The Journal of Finance, 23(4), 589-609.

2. Credit Suisse, (1997). “CreditRisk⁺: A Credit Risk Management Framework.”

Credit Suisse Financial Products.

3. Crouhy, M., Galai, D., & Mark, R. (2000). “A comparative analysis of current credit risk models.” Journal of Banking & Finance, 24(1-2), 59-117.

4. Das, S.R., Feed, L., Geng, G., & Kapadia, N. (2002). “Correlated default risk.”

Working paper, Santa Clara University, California, America.

5. Dietschi, M., & Petey, J. (2003). “Should SME exposure be treated as retail or corporate exposure? A comparative analysis of probabilities of default and asset correlation in French and German SMEs.” Journal of Banking & Finance, 28, 778-788.

6. Gordy, M. B. (2000). “A comparative anatomy of credit risk models.” Journal of Banking & Finance, 24(1-2), 119-149.

7. Gordy, M. B. (2003). “A risk-factor model foundation for rating-based bank capital rules.” Journal of Financial Intermediation, 12(3), 199-232.

8. Hamerle, A., Liebig, T., & Rosch, D. (2004). “Credit risk factor modeling and Basel II IRB approach.” Discussion Paper Series 2: Banking and Financial Supervision No.01/2003, Deutsche Bundesbank.

9. Hamerle, A., Liebig, T., & Scheule, H. (2004). “Forecasting credit portfolio risk.”

Working paper, University Regensburg, Deutsche Bundesbank.

10. Hamerle, A., Liebig, T., Scheule, H., & Wildenauer, N. (2005). “Incorporating prediction and estimation risk in point-in-time credit portfolio models.” Working paper, University Regensburg, Deutsche Bundesbank.

11. Hamerle, A., & Rosch, D. (2004). “Parameterizing credit risk models.” working paper, University Regensburg, Deutsche Bundesbank.

12. Merton, R., (1974), “On the pricing of corporate debt: The risk structure of interest rates.” Journal of Financial and Quantitative Analysis, 9(3), 423-446.

13. Morgan, J.P. (1997). “CreditMatrics^TM-Technical Document.” First Edition.

14. Rabe-Hesketh, S., & Skrondal, A. (2002). “Reliable estimation of generalized linear mixed models using adaptive quadrature.” The Stata Journal, 2(1), 1-21.

15. Schonbucher, P. J. (2000). “Factor models for portfolio credit risk.” Bonn University.Bonn, Germany.

16. Wilson, T. C. (1997). “Portfolio credit risk.” Risk Magazine, 47(9-10), 71-82.