Flood, Lo, Valanis(2012)在A Survey of Systemic Risk Analytics中整理出31種在經 濟與金融領域衡量系統風險的方法，分為六大部分，包括總體經濟的衡量、個別 基礎網絡指標(granular foundations and network measures)、可預見風險的衡量 (forward-looking)、壓力測詴(stress tests)、橫斷面的衡量及缺乏流動性與無償債 能力的衡量，其中有7種為具有可預見風險的衡量方法，這些方法橫跨不同的主 題，且將實證研究應用至不同的市場，由於可預見風險的衡量與本篇論文欲研究 的目的相同，故將此7篇文獻予以回顧，以下將分述之。
Gray and Jobst (2010)提出運用或有權利分析法(contingent claims analysis, CCA)從市場隱含的預期損失來衡量系統風險，並可量化潛在的風險轉移至政府 的大小。CCA的方法是延續1973年Merton的研究，Gray and Jobst使用CCA，結合 Black-Scholes-Merton(BSM)的微分方程式，計算股票市場中每一金融機構的隱含
‧
Kritzman and Li(2010)運用Merton在1937年提出的馬氏距離，將金融動盪 (financial turbulence)定義為馬氏距離的平方，用來衡量在已知過去的行為表現 下，資產報酬在統計上的異常性。若期間t的動盪(turbulence)超過 75th百分位，即 定義為金融動盪。
Kritzman, Li, Page and Rigobon(2010)延續吸納比率(Absorption ratio, AR)，提出 AR的變動(AR)作為資產價格陷入困境(trouble)的領先指標。
其中
AR為標準化AR的變動 AR15days為AR15天的移動平均
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
6
為AR一年的移動平均 為AR一年的標準差
若將上述的金融動盪與本篇論文的研究方法─吸納比率(absorption ratio, AR) 做結合，可衡量系統風險與金融動盪之間的關係：實證結果顯示AR在事件發 生40天前開始上升，一直持續上升至金融動盪的期間，當動盪的期間結束，AR 則隨之下降，因此證據顯示AR可做為動盪期間開始與結束的前兆。
Capuano(2008)提出選擇權隱含違約之機率(Option Implied Probability of default, iPoD)，乃是運用Cover and Thomas在2006年提出的principle of minimum cross-entropy方法，從股票選擇權(equity options)推測以市場為基礎(market-based) 的違約機率。此架構可提供有效的資訊像是：違約的機率與資產價格的PDF。在 實證研究Bear Stearns的例子裡，Option-iPoD可做為市場較敏感時的先前訊號，
因此Option-iPoD也被歸類為一可預見系統風險的方法。
Segoviano and Goodhart(2009)基於銀行體系的多變量密度函數(BSMD)提出 一個衡量系統風險的方法，且可用來分析穩定性。在已知BSMD的情況下，
Segoviano and Goodhart提出以下四個方法皆是透過銀行間相依賴的程度，在某一 銀行惡化時，將如何連帶影響其他銀行的表現來衡量系統風險：
1. Joint Probability of Default (JPoD)：違約的聯合機率，代表體系內的所有銀 行逐漸惡化(becoming distressed)的機率。JPoD可描繪銀行間的惡化其相依賴程度 (distress dependence)的改變，且JPoD在金融惡化時將增加。
2. Banking Stability Index (BSI)：銀行穩定性指數，可反映已知在至少一個銀 行惡化的情況下，預期將會有多少家銀行的情況惡化。
3. Distress Dependence Matrix (DDM)：Distress dependence matrix在已知在行 的銀行情況惡化下(the bank specified becomes distressed)，列的銀行情況惡化之機
‧
率(the probability of distress of the bank specified)的矩陣。其計算公式為一條件機 率，雖然條件機率並不代表有因果關係，但可在其相互連結(interlinkages)及銀行 間傳播(contagion)的可能性提供重要的資訊。
4. Probability of Cascade Effects(PCE)：在已知某一特定銀行惡化的情況下，
其他銀行（一家、兩家…直到體系內的所有銀行）情況惡化的機率。在已知某一 的再融資機會(near-frictionless refinancing opportunity)，會導致金融體系大量的增 加系統風險。當上述情形同時發生時，會發生棘輪效應(ratchet effect)，為了衡量 棘輪效應對系統的影響，文中房貸出借人的損失是由無追索權房貸之賣權 (embedded put option in non-recourse mortgages)來估計，而被提出作為房市的系統 風險指標為嵌入式賣權以美金計價的變動(dollar-delta of the embedded put
option)。
TOTALGRT TOTALV SURVIV GRT
VALUE
上式GRT為信用貸款(guarantee)的價值，例如：賣權；TOTALGRT則為信用 貸款的總價值。TOTALGRT可被用來衡量在房市走下坡時的潛在損失，那麼當
‧
入選擇權的變動(embedded option’s ―delta‖)而得，例如：對標的資產的價格微分。,
TOTALDLT TOTALV SURVIV DLT
VALUE
Khandani, Kim, and Lo(2010)應用機器學習(machine-learning)的方法去建立 消費者信用風險的非線性無母數預測模型。在母體中預期到期未付的比例，被用 來當作消費者出借(consumer lending)的系統風險指標。作者利用
CART(classification and regression trees)與自適應增強的方法(adaptive boosting technique)分別去建構與改善預測模型，最後作者將消費者貸款拖欠的機率分為 兩種情況，一為到期未付的，另一則為按期繳付的(current)，作者運用上述方法 去預測在未來六個月至十二個月的期間，信用卡90天期以上到期未付的比率來預 測系統風險，若未來到期未付的比例較高，意即違約風險也較高，消費者出借的 系統風險也將較高。
Kritzman, Li, Page and Rigobon(2010)提出吸納比率(absorption ratio, AR)去衡 量系統風險。吸納比率被定義為一系列資產報酬的總變異可被固定數量的特徵向 量(eigenvectors)所解釋或吸納的比率。
‧
繼之而來的是股票價格明顯地上漲。若運用Case-Shiller housing price index的資 料，AR亦可做為美國房市泡沫的領先指標。此外，AR在金融動盪發生前，將會 有系統的增加，綜合以上，AR可被用來衡量系統風險。
以上七個方法皆為具有可預見(forward-looking)的特性，且為用來衡量系統 風險的指標，每個方法皆運用至不同的市場，像是CCA是應用在政府的或有負 債，藉由觀察違約發生時，總預期損失轉嫁至政府的比率來衡量系統風險；由馬
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
10
氏距離衍生出的金融動盪是應用在美國股票市場(例如：S&P500)、非股票市場(例 如：MSCI non-U.S. index)、美國債券、不動產及商品市場，觀察高於 75th百分位 的資料即為動盪，同時也可與AR做結合，藉此來衡量各個市場的系統風險；選 擇權隱含的違約機率是應用在股票及其選擇權的市場；銀行體系的多變量密度函 數是運用CDS的日資料，得知銀行體系內銀行高度相關聯(JPoD)的違約機率，部 分文獻甚至運用至房市價格及消費者的信用上去衡量系統風險。綜合以上，由於 部分資料不易取得像是台灣無CDS市場，因此無法取得該市場的資料，同時因為 台灣股票市場的資料取得較容易且成本較低，更重要的是本篇論文欲研究的目的 為透過系統風險的衡量指標，期望可預見台灣股票市場的不安與動盪，與 Kritzman所提出的研究方法AR研究目的相同，因此本研究將選擇吸納比率 (Absorption ratio, AR)做為此篇論文的研究方法。
‧ 國
立 政 治 大 學
‧
Na tiona
l Ch engchi University
11