均溫為休斯頓，華氏 69.2409；最低均溫為明尼阿波利斯，華氏 45.5492。以每日溫度之 波動度而言，最高波動度為明尼阿波利斯，23.0033；最低波動度為波特蘭，11.5160。
若將樣本以 CDD 與 HDD 契約所劃分之月份來分類，CDD 包含五月、六月、七月、八 月、九月，附加四月與十月；HDD 包含十一月、十二月、一月、二月、三月，附加四 月與十月。由表 1 可得知 18 個城市中，冬季之溫度變化皆較夏季來得大，因此溫度變 化具有波動轉換之特徵。
「在此插入表 4」
表 5 為利用各城市每日之平均溫度做為樣本，估計各城市之 GARCH 模型。由表 5 可得 知大部分之城市皆服從 GARCH(1.3)，僅薩克拉門托福從 GARCH(1,1)。實證結果指出 溫度指數不僅受到全球暖化、季節循環所影響外，仍受到槓桿效果與波動叢集所影響。
前者表示當前一期氣溫驟變時往往會造成下一期之波動度提升，後者表示現在波動度之 大小取決於過去波動度之大小。
「在此插入表 5」
表 6 為利用蒙地卡羅模擬次數為兩萬次的情況下，計算 HDD 選擇權之理論價格，並與 市場真實價值比較進一步計算溫度風險之價格
t。實證結果指出大部分而言，溫度選擇 權之風險價格皆大於股票市場。「在此插入表 6」
由於溫度指數在冬季與夏季之波動度相異，因此未來做實證研究與評價方法上可以 結合狀態轉換模型（regime-switching model）與非線性 GARCH 模型，應可進一步捕捉 溫度指數之特徵並精準地評價溫度衍生性商品之價值。
參考文獻
1. Alaton, P., B. Djehiche, and D. Stillberger, 2002, “On Modelling and Pricing Weather Derivatives,” Applied Mathematical Finance, Vol. 9, 1-20.
2. Chang, C. C., S. K. Lin, and M. T. Yu, 2010, “Valuation of Catastrophe Equity Puts with Markov- Modulated Poisson Process,” Journal of Risk and Insurance, Vol. 77, 1-27.
3. Considine, G., 1998, “Introduction to Weather Derivatives,” Weather Derivative Group, Aquila Energy.
4. Cox, H., J. Fairchild, and H. Pedersen, 2004, “Valuation of Structured Risk Management Products,” Insurance: Mathematics and Economics, Vol. 34, 259-272.
5. Cummins, J. D., M. E. Grace, and R. D. Phillips, 1999, “Regulatory Solvency Prediction in Property-Liability Insurance: Risk-Based Capital, Audit Ratios, and Cash Flow Simulation,” Journal of Risk and Insurance, Vol. 66, 417-458.
6. DeMaria, M., and J. Kaplan, 1994, “Sea Surface Temperature and the Maximum Intensity of Atlantic Tropical Cyclones,” Journal of Climate, Vol. 7, 1324-1334.
7. Emanuel, K., 2005, “Increasing Destructiveness of Tropical Cyclones Over the Past 30 Years,” Nature, Vol. 436, 686-688.
8. Froot, K. A., 1998, “The Evolving Market for Catastrophic Event Risk,” New York:
Marsh and McLennan Securities.
9.
Gerber, H. U. and E. S. Shiu ,1994, “Option Pricing by Esscher Transforms,” Transactions of
Society of Actuaries, Vol. 46, 99-191.
10. Ghiulnara, A., and C. Viegas, 2010, “Introduction of Weather-Derivative Concepts:
Perspectives for Portugal,” The Journal of Risk Finance, Vol. 11, 9-19.
11. Goldenberg, S. B., C. W. Landsea, A. M. Mestas-Nunez, and W. M. Gray, 2001, “The Recent Increase in Atlantic Hurricane Activity: Causes and Implications,” Science, Vol.
293, 474-479.
12. Gray, W.M., 1968, “Global View of the Origins of Tropical Disturbances and Storms,”
Monthly Weather Review, Vol. 96, 669-700.
13. Huang, H. H., Y. M. Shiu, and P. S. Lin, 2008, “HDD and CDD Option Pricing with Market Price of Weather Risk for Taiwan,” Journal of Futures Markets, Vol. 28, 790-814.
14. Jaimungal, S., and T. Wang, 2006,“Catastrophe Options with Stochastic Interest Rates and Compound Poisson Losses,” Insurance: Mathematics and Economics, Vol. 38, 469-483.
15. Landsea, C. W., and W. Gray, 1992, “The Strong Association BetweenWestern Sahel Monsoon Rainfall and Severe Atlantic Hurricanes,” Journal of Climate, Vol. 5, 435-453.
16. Landsea, C. W., 2005, “Meteorology: Hurricanes and Global Warming,” Nature, Vol.
438.
17. Lin, S. K., C. C. Chang, and M. R. Powers, 2009, “The Valuation of Contingent Capital with Catastrophe Risks,” Insurance: Mathematics and Economics, Vol. 45, 65-73.
18.
Merton, R. C., 1976, “Option Pricing when Underlying Stock Returns are Discontinuous,”
Journal of Financial Economics, Vol. 3, 125-144.
19. Minobe, S., 1997, “A 50-70 Year Climatic Oscillation over the North Pacific and North America,” Geophys. Res. Lett., Vol. 24, 683-686.
20. Sponberg, K., 1999, “Compendium of Climatological Impacts,” National Oceanic and Atmospheric Administration, Washington, DC, Vol. 62.
21. Supplee, C., 1999, “El Niño /La Niña,” Nat. Geo., Vol. 195(3), 72-95.
22. Swiss Re, 1997, Sigma, No. 5.
表 1：巨災權益賣權價格
1
y
y11 1
(
0, )(2, 0.05) (2, 0.1) (4, 0.05) (4, 0.1) 0.2 0.05 0.6326 0.6462 1.9977 2.1089 0.1 0.6419 0.6594 2.0064 2.1629 0.4 0.05 0.8261 0.8919 3.0617 3.2369 0.1 0.8836 0.9269 3.2718 3.4243
0 30, 25, 10, r 0.1, s 0.2, sr 0.04, 1 0.8, 11 0.9, 21 0.5, S
K
L
P
P
在參數為11 6, 12 4, 21 2, 22 3, y2 0.03, y3 0.06, y2 0.4, y3 0.15, (P normal) 0.8
表 2：巨災權益賣權價格
2
y
y21 1
(
0, )(2,0.05) (2,0.1) (4,0.05) (4,0.1) 0.2
0.06 0.3858 0.422 1.4948 1.511 0.4 0.9242 0.9954 2.8663 2.9739
0
30, 25, 10,
r0.1,
s0.2,
sr0.04,
y10.1,
y10.2,
10.8,
S K L
在參數為
11 0.9, 21 0.5, 11 6, 12 4, 21 2, 22 3, y3 0.06, y3 0.15, ( ) 0.8
P P
P normal 表 3：巨災權益賣權價格
3
y
y31 1
(
0, )(2,0.05) (2,0.1) (4,0.05) (4,0.1) 0.15
0.06 0.3611 0.4003 1.4661 1.5366 0.3 0.4117 0.4230 1.5755 1.5903
0
30, 25, 10,
r0.1,
s0.2,
sr0.04,
y10.1,
y10.2,
10.8,
S K L
在參數為
11 0.9, 21 0.5, 11 6, 12 4, 21 2, 22 3, y2 0.06, y2 0.2, ( ) 0.8 P P
P normal 表 4：各城市日均溫之敘述統計量
城市 個數 平均數 標準差 最小值 中位數 最大值 偏態
係數
峰態 係數 Panel (a)：全部樣本，1950/01/01 至 2012/12/18
Atlanta 22,998 62.0912 15.0241 5.0 64.0 92.0 -0.4167 2.2409 Baltimore 22,998 55.5404 17.3386 0.0 56.0 93.5 -0.1945 2.0312 Boston 22,998 51.6444 17.2189 -2.5 52.0 92.5 -0.1526 2.1453 Chicago 19,772 49.5859 20.0865 -18.0 51.0 92.5 -0.3161 2.2757 Cincinnati 22,998 53.9369 18.4861 -12.5 56.0 90.0 -0.3867 2.2569 Dallas 14,232 66.3016 16.3481 8.5 68.0 97.5 -0.3912 2.2814 Des Moines 22,998 50.2803 21.5888 -17.5 52.5 92.5 -0.3832 2.2468 Detroit 19,711 49.5293 19.1489 -12.0 50.5 89.5 -0.2403 2.0842 Houston 15,907 69.2409 13.4791 17.5 72.0 95.0 -0.5885 2.4447 Kansas City 14,689 54.4625 19.9965 -15.5 56.5 93.5 -0.3837 2.3521 Las Vegas 22,998 67.5264 17.1408 19.5 67.0 106.0 0.0202 1.7975 Minneapolis 22,998 45.5492 23.0033 -24.5 48.0 91.0 -0.3569 2.2055 New York 22,998 55.2245 17.2828 2.5 55.5 94.5 -0.1786 2.0810 Philadelphia 22,998 55.2461 17.5953 0.5 56.0 92.5 -0.1965 2.0378 Portland 22,998 53.7100 11.5160 7.0 53.0 90.0 -0.0089 2.4863 Sacramento 22,998 61.0000 11.8426 27.5 61.0 94.5 0.0101 2.0651 Salt Lake City 22,998 52.3761 18.4877 -7.0 51.5 91.5 -0.0404 2.0468 Tucson 22,998 68.9669 14.1213 28.0 69.0 99.0 -0.1316 1.8943
（續）表 4：各城市日均溫之敘述統計量
城市 個數 平均數 標準差 最小值 中位數 最大值 偏態
係數
峰態 係數 Panel (b)：五月、六月、七月、八月、九月，附加四月與十月
Atlanta 13,482 71.8942 8.8400 36.0 74.0 92.0 -0.7542 3.1000 Baltimore 13,482 67.0016 10.8686 31.0 68.5 93.5 -0.4291 2.3882 Boston 13,482 62.8949 11.0966 20.5 64.0 92.5 -0.2396 2.3335 Chicago 11,556 62.8806 11.9951 20.5 64.5 92.5 -0.3894 2.4467 Cincinnati 13,482 65.9912 10.9821 27.0 68.0 90.0 -0.6416 2.7448
Dallas 8,346 76.9218 9.7684 38.0 78.5 97.5 -0.6213 2.8198
Des Moines 13,482 64.7997 12.1316 20.5 67.0 92.5 -0.5080 2.6579 Detroit 11,556 62.2816 11.6586 20.5 64.0 89.5 -0.4427 2.4926 Houston 9,355 77.7422 7.6591 42.0 79.5 95.0 -0.9752 3.6476 Kansas City 8,591 67.5828 11.7782 25.0 69.0 93.5 -0.4755 2.6476 Las Vegas 13,482 79.1449 11.4308 39.0 80.5 106.0 -0.4336 2.3852 Minneapolis 13,482 61.2820 12.6652 16.0 63.0 91.0 -0.4132 2.5101 New York 13,482 66.6956 10.8676 26.0 68.0 94.5 -0.3584 2.4212 Philadelphia 13,482 66.9668 10.9226 27.5 68.5 92.5 -0.4217 2.4102 Portland 13,482 60.9854 8.1980 36.5 61.5 90.0 -0.0111 2.4921 Sacramento 13,482 68.7845 8.0674 43.5 69.5 94.5 -0.1870 2.6549 Salt Lake City 13,482 64.4714 12.5588 24.0 65.5 91.5 -0.2647 2.1207 Tucson 13,482 78.4427 9.1400 43.0 80.0 99.0 -0.6804 3.0376
（續）表 4：各城市日均溫之敘述統計量
城市 個數 平均數 標準差 最小值 中位數 最大值 偏態
係數
峰態 係數 Panel (c)：十一月、十二月、一月、二月、三月，附加四月與十月
Atlanta 13,359 52.2951 11.5140 5.0 52.5 83.0 -0.2422 2.5907 Baltimore 13,359 43.9675 12.3073 0.0 43.5 80.5 0.0190 2.7069 Boston 13,359 40.2690 12.1446 -2.5 40.5 80.0 -0.0560 2.7951 Chicago 11,510 36.5911 15.1259 -18.0 36.5 80.5 -0.1672 2.9333 Cincinnati 13,359 41.9869 14.2351 -12.5 42.0 78.5 -0.1726 2.7994
Dallas 8,265 55.6732 12.4180 8.5 56.0 85.5 -0.2840 2.6917
Des Moines 13,359 36.1834 16.4851 -17.5 36.5 81.0 -0.1795 2.7345 Detroit 11,449 36.8116 13.8547 -12.0 36.5 79.0 -0.0329 2.7197 Houston 9,206 60.7562 11.1449 17.5 61.5 87.0 -0.3163 2.5385 Kansas City 8,569 41.6459 15.3665 -15.5 42.0 84.0 -0.2608 2.8602 Las Vegas 13,359 55.5564 10.5555 19.5 54.5 86.5 0.2500 2.5612 Minneapolis 13,359 30.3587 17.2475 -24.5 31.0 78.5 -0.1747 2.6926 New York 13,359 43.6687 12.1345 2.5 43.5 83.5 -0.0426 2.7355 Philadelphia 13,359 43.4449 12.4105 0.5 43.0 79.5 -0.0085 2.7005 Portland 13,359 46.1533 7.6683 7.0 46.0 73.5 -0.2881 3.7892 Sacramento 13,359 53.2475 8.1130 27.5 53.0 81.0 0.2456 2.7811 Salt Lake City 13,359 39.9117 12.0631 -7.0 40.0 76.5 -0.0749 2.8198
Tucson 13,359 59.3318 9.5397 28.0 59.0 86.5 0.1077 2.5832
表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (a)：Atlanta 平均數方程式
60.9440 0.0365 -7.5941 -16.9308
變異數方程式 AIC
(1,1) 10.55287 0.60769 0.24076 149,689.6
(1,2) 4.74313 0.52815 0.10310 0.31426 149,268.0
(1,3) 3.55056 0.52339 0.07259 0.10906 0.25587 148,982.6
(2,1) 10.55145 0.60770 0.00000 0.24082 149,691.6
(2,2) 4.74400 0.52819 0.00000 0.10310 0.31421 149,270.0
(2,3) 3.55010 0.52337 0.00000 0.07260 0.10909 0.25587 148,984.6
(3,1) 12.52140 0.63982 0.00000 0.07277 0.09959 149,578.6
(3,2) 4.74213 0.52813 0.00000 0.00000 0.10313 0.31428 149,272.0 (3,3) 3.54929 0.52326 0.00000 0.00000 0.07254 0.10925 0.25585 148,986.6
Panel (b)：Baltimore 平均數方程式
54.8075 0.0233 -10.1161 -19.5464
變異數方程式 AIC
(1,1) 24.79784 0.50911 0.06839 154,504.3
(1,2) 18.52918 0.49392 0.02237 0.16872 154,365.0
(1,3) 15.45212 0.48742 0.00000 0.12694 0.12288 154,292.4
(2,1) 24.80248 0.50909 0.00000 0.06831 154,506.3
(2,2) 18.53239 0.49399 0.00000 0.02233 0.16869 154,367.0
(2,3) 15.44908 0.48750 0.00000 0.00000 0.12686 0.12299 154,294.4
(3,1) 24.70496 0.51030 0.00000 0.05835 0.00980 154,409.2
(3,2) 18.53140 0.49397 0.00000 0.00000 0.02232 0.16870 154,369.0 (3,3) 15.45418 0.48749 0.00000 0.00000 0.00000 0.12690 0.12283 154,296.4
（續）表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (c)：Boston 平均數方程式
51.1271 0.0165 -11.5001 -18.6564
變異數方程式 AIC
(1,1) 27.55137 0.44866 0.06430 154,671.0
(1,2) 22.55257 0.44167 0.02630 0.13305 154,592.4
(1,3) 19.90742 0.43762 0.01793 0.09769 0.09422 154,553.7
(2,1) 48.64935 0.27485 0.00000 0.00000 155,671.2
(2,2) 22.55350 0.44167 0.00000 0.02628 0.13305 154,594.4
(2,3) 19.90382 0.43764 0.00000 0.01796 0.09768 0.09425 154,555.7
(3,1) 27.43291 0.44871 0.00000 0.04523 0.02044 154,614.0
(3,2) 22.55476 0.44170 0.00000 0.00000 0.02617 0.13312 154,596.4 (3,3) 19.90056 0.43554 0.00000 0.00000 0.01771 0.09787 0.09442 154,557.7
Panel (d)：Chicago 平均數方程式
48.3319 0.0479 -25.1912 -1.4728
變異數方程式 AIC
(1,1) 32.79956 0.57265 0.03814 139,009.5
(1,2) 28.65579 0.56571 0.00000 0.09237 138,937.1
(1,3) 26.01140 0.56034 0.00000 0.06544 0.06334 138,908.2
(2,1) 32.80496 0.57258 0.00000 0.03807 139,011.5
(2,2) 28.65531 0.56569 0.00000 0.00000 0.09237 138,939.1
(2,3) 26.01160 0.56038 0.00000 0.00000 0.06543 0.06334 138,910.2
(3,1) 32.34283 0.57035 0.00000 0.04398 0.00000 138,950.5
(3,2) 28.65589 0.56570 0.00000 0.00000 0.00000 0.09237 138,941.1 (3,3) 46.27949 0.46598 0.00000 0.01227 0.00000 0.00000 0.00000 139,298.4
（續）表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (e)：Cincinnati 平均數方程式
53.4000 0.0171 -9.9445 -20.5895
變異數方程式 AIC
(1,1) 21.61536 0.57973 0.17401 159,989.3
(1,2) 15.62283 0.55192 0.08073 0.18874 159,781.6
(1,3) 11.29367 0.53380 0.06348 0.07871 0.19708 159,606.9
(2,1) 26.47188 0.59096 0.00000 0.09826 160,014.4
(2,2) 15.62243 0.55194 0.00000 0.08074 0.18874 159,783.6
(2,3) 11.29455 0.53382 0.00000 0.06345 0.07876 0.19702 159,608.9
(3,1) 23.44109 0.59092 0.00000 0.06167 0.07535 159,885.9
(3,2) 15.62091 0.55194 0.00000 0.00000 0.08071 0.18878 159,785.6 (3,3) 11.29413 0.53383 0.00000 0.00000 0.06347 0.07869 0.19709 159,610.9
Panel (f)：Dallas 平均數方程式
64.6269 0.0857 -7.5410 -18.8823
變異數方程式 AIC
(1,1) 3.54030 0.37650 0.59858 94,438.6
(1,2) 2.78146 0.42763 0.13930 0.41697 94,117.5
(1,3) 2.36214 0.45028 0.15289 0.06814 0.31750 93,949.0
(2,1) 17.32184 0.56170 0.01318 0.16239 94,579.2
(2,2) 2.78140 0.42764 0.00000 0.13926 0.41700 94,119.5
(2,3) 2.36179 0.45030 0.00000 0.15277 0.06820 0.31754 93,951.0
(3,1) 11.56627 0.55098 0.00000 0.05731 0.24040 94,466.6
(3,2) 2.78189 0.42762 0.00000 0.00000 0.13928 0.41700 94,121.5 (3,3) 2.36206 0.45023 0.00000 0.00000 0.15290 0.06813 0.31753 93,953.0
（續）表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (g)：Des Moines 平均數方程式
48.9138 0.0435 -11.5104 -24.8043
變異數方程式 AIC
(1,1) 30.49630 0.60070 0.07286 162,869.2
(1,2) 24.39951 0.58107 0.03873 0.11901 162,759.4
(1,3) 21.08525 0.57419 0.03347 0.07099 0.09578 162,682.9
(2,1) 30.49550 0.60071 0.00000 0.07289 162,871.2
(2,2) 24.39983 0.58098 0.00000 0.03873 0.11901 162,761.4
(2,3) 21.08387 0.57426 0.00000 0.03351 0.07098 0.09576 162,684.9
(3,1) 30.13128 0.59720 0.00000 0.04873 0.03023 162,796.4
(3,2) 24.39146 0.58099 0.00000 0.00000 0.03875 0.11911 162,763.4 (3,3) 21.08586 0.57426 0.00000 0.00000 0.03347 0.07100 0.09575 162,686.9
Panel (h)：Detroit 平均數方程式
47.6942 0.0680 -11.1080 -21.7192
變異數方程式 AIC
(1,1) 27.75448 0.55531 0.04225 134,973.6
(1,2) 23.61731 0.54594 0.01411 0.09702 134,915.1
(1,3) 20.89883 0.54221 0.00811 0.05675 0.08942 134,867.4
(2,1) 27.75095 0.55520 0.00000 0.04229 134,975.6
(2,2) 23.61540 0.54599 0.00000 0.01412 0.09705 134,917.1
(2,3) 20.89173 0.54225 0.00000 0.00814 0.05674 0.08949 134,869.4
(3,1) 27.31572 0.55207 0.00000 0.04276 0.00773 134,929.4
(3,2) 31.49368 0.56018 0.00000 0.01868 0.00000 0.00000 134,981.9 (3,3) 20.89038 0.54218 0.00000 0.00000 0.00819 0.05677 0.08944 134,871.4
（續）表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (i)：Houston 平均數方程式
67.4345 0.0797 12.8634 9.7345
變異數方程式 AIC
(1,1) 0.95033 0.29775 0.70225 100,969.0
(1,2) 0.95366 0.37189 0.19015 0.43795 100,647.9
(1,3) 0.92874 0.41086 0.17946 0.07904 0.33064 100,454.8
(2,1) 0.95067 0.29776 0.00000 0.70224 100,971.0
(2,2) 0.95395 0.37194 0.00000 0.19009 0.43797 100,649.9
(2,3) 0.92802 0.41087 0.00000 0.17921 0.07926 0.33066 100,456.8
(3,1) 0.95029 0.29774 0.00000 0.00000 0.70226 100,973.0
(3,2) 0.95393 0.37194 0.00000 0.00000 0.19013 0.43794 100,651.9 (3,3) 0.92800 0.41079 0.00000 0.00000 0.17937 0.07916 0.33067 100,458.8
Panel (j)：Kansas City 平均數方程式
53.1768 0.0665 -23.2226 9.2143
變異數方程式 AIC
(1,1) 27.63258 0.58584 0.11101 103,502.9
(1,2) 21.74509 0.56789 0.05342 0.13949 103,405.2
(1,3) 17.10020 0.55333 0.03706 0.07865 0.14331 103,324.8
(2,1) 27.63069 0.58584 0.00000 0.11099 103,504.9
(2,2) 34.70214 0.55642 0.00318 0.00000 0.05093 103,502.7
(2,3) 17.10513 0.55343 0.00000 0.03702 0.07865 0.14321 103,326.8
(3,1) 28.48582 0.59094 0.00000 0.05525 0.03857 103,440.6
(3,2) 21.73942 0.56776 0.00000 0.00000 0.05347 0.13953 103,409.2 (3,3) 17.10769 0.55344 0.00000 0.00000 0.03702 0.07863 0.14319 103,328.8
（續）表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (k)：Las Vegas 平均數方程式
65.1968 0.0740 -9.4375 -20.3289
變異數方程式 AIC
(1,1) 13.05889 0.67383 0.00175 143,371.1
(1,2) 12.22622 0.66967 0.00000 0.02849 143,362.2
(1,3) 11.67314 0.67069 0.00000 0.00124 0.03990 143,339.1
(2,1) 13.05994 0.67381 0.00000 0.00173 143,373.1
(2,2) 12.22844 0.66958 0.00000 0.00000 0.02849 143,364.2
(2,3) 16.47441 0.59475 0.00000 0.00000 0.00000 0.00000 143,558.0
(3,1) 11.43455 0.68293 0.00000 0.02452 0.01631 143,384.7
(3,2) 12.22713 0.66958 0.00000 0.00000 0.00000 0.02854 143,366.2 (3,3) 11.67300 0.67076 0.00000 0.00000 0.00000 0.00121 0.03990 143,343.1
Panel (l)：Minneapolis 平均數方程式
43.7917 0.0559 -12.4694 -26.7647
變異數方程式 AIC
(1,1) 30.41365 0.60727 0.06845 162,962.0
(1,2) 26.26510 0.59732 0.03031 0.09183 162,891.8
(1,3) 23.31790 0.59342 0.02757 0.05462 0.07616 162,835.2
(2,1) 30.42169 0.60722 0.00000 0.06834 162,964.0
(2,2) 26.25385 0.59726 0.00000 0.03043 0.09192 162,893.8
(2,3) 24.62960 0.61725 0.00000 0.02018 0.04893 0.06454 162,841.5
(3,1) 30.42453 0.60621 0.00000 0.03904 0.02886 162,916.2
(3,2) 33.57904 0.59629 0.00458 0.03534 0.00000 0.00000 162,929.9 (3,3) 23.31748 0.59340 0.00000 0.00000 0.02755 0.05462 0.07618 162,839.2
（續）表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (m)：New York 平均數方程式
53.9818 0.0395 -11.5041 -18.9984
變異數方程式 AIC
(1,1) 22.74839 0.49768 0.06687 151,935.8
(1,2) 18.38103 0.48861 0.02483 0.13492 151,841.9
(1,3) 16.14732 0.48325 0.01843 0.09526 0.09385 151,798.4
(2,1) 22.74486 0.49766 0.00000 0.06701 151,937.8
(2,2) 18.38216 0.48862 0.00000 0.02474 0.13498 151,843.9
(2,3) 16.14910 0.48331 0.00000 0.01842 0.09517 0.09387 151,800.4
(3,1) 22.57174 0.49749 0.00000 0.04852 0.02145 151,869.9
(3,2) 18.38046 0.48864 0.00000 0.00000 0.02475 0.13498 151,845.9 (3,3) 16.14952 0.48327 0.00000 0.00000 0.01843 0.09522 0.09385 151,802.4
Panel (n)：Philadelphia 平均數方程式
53.7323 0.0481 -10.7526 -19.7921
變異數方程式 AIC
(1,1) 23.99083 0.52501 0.04123 153,061.6
(1,2) 19.63556 0.51665 0.01358 0.11560 152,974.0
(1,3) 17.15232 0.51090 0.00404 0.07697 0.09787 152,917.8
(2,1) 23.99428 0.52500 0.00000 0.04119 153,063.6
(2,2) 19.63582 0.51664 0.00000 0.01358 0.11559 152,976.0
(2,3) 17.14894 0.51090 0.00000 0.00406 0.07695 0.09794 152,919.8
(3,1) 23.41378 0.52414 0.00000 0.04768 0.00505 152,994.3
(3,2) 20.66335 0.51575 0.00000 0.00000 0.00403 0.10676 152,979.6 (3,3) 17.15699 0.51087 0.00000 0.00000 0.00405 0.07689 0.09787 152,921.8
（續）表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (o)：Portland 平均數方程式
52.4541 0.0399 -6.8276 -12.3871
變異數方程式 AIC
(1,1) 11.92567 0.61624 0.00330 138,707.9
(1,2) 11.31226 0.61241 0.00000 0.02686 138,698.2
(1,3) 10.94069 0.61122 0.00000 0.00340 0.03572 138,684.7
(2,1) 11.92571 0.61616 0.00000 0.00332 138,709.9
(2,2) 11.31324 0.61244 0.00000 0.00000 0.02683 138,700.2
(2,3) 10.94037 0.61123 0.00000 0.00000 0.00342 0.03571 138,686.7
(3,1) 11.65413 0.61292 0.00000 0.01556 0.00000 138,700.9
(3,2) 16.18594 0.50542 0.00000 0.00000 0.00000 0.00000 139,048.1 (3,3) 10.94043 0.61123 0.00000 0.00000 0.00000 0.00341 0.03572 138,688.7
Panel (p)：Sacramento 平均數方程式
60.4614 0.0172 -7.1317 -12.9738
變異數方程式 AIC
(1,1) 10.55572 0.66074 0.00000 137,729.0
(1,2) 10.48422 0.66033 0.00000 0.00294 137,730.8
(1,3) 10.27864 0.65949 0.00000 0.00000 0.01039 137,730.8
(2,1) 10.55584 0.66070 0.00000 0.00000 137,731.0
(2,2) 10.48398 0.66023 0.00000 0.00000 0.00296 137,732.8
(2,3) 10.28062 0.65939 0.00000 0.00000 0.00000 0.01037 137,732.8
(3,1) 20.40049 0.42906 0.00000 0.00000 0.00000 139,231.4
(3,2) 10.48573 0.66021 0.00000 0.00000 0.00000 0.00292 137,734.8 (3,3) 10.27929 0.65945 0.00000 0.00000 0.00000 0.00000 0.01039 137,734.8
（續）表 5：各城市日均溫之 GARCH 模型參數之估計與配適結果
Panel (q)：Salt Lake City 平均數方程式
51.1079 0.0403 -10.3442 -21.2224
變異數方程式 AIC
(1,1) 24.00850 0.60726 0.00422 154,795.8
(1,2) 22.39814 0.60330 0.00000 0.03495 154,783.2
(1,3) 21.34837 0.60116 0.00000 0.01165 0.04149 154,770.0
(2,1) 24.01049 0.60724 0.00000 0.00416 154,797.8
(2,2) 26.97202 0.56771 0.00000 0.00000 0.00000 154,844.0
(2,3) 21.35093 0.60116 0.00000 0.00000 0.01168 0.04137 154,772.0
(3,1) 23.34294 0.60411 0.00000 0.01878 0.00000 154,786.7
(3,2) 22.40341 0.60314 0.00000 0.00000 0.00000 0.03489 154,787.2 (3,3) 21.34960 0.60115 0.00000 0.00000 0.00000 0.01170 0.04140 154,774.0
Panel (r)：Tucson 平均數方程式
67.5081 0.0464 -8.3763 -16.0522
變異數方程式 AIC
(1,1) 12.85540 0.63211 0.00000 140,705.6
(1,2) 11.97150 0.62919 0.00000 0.03047 140,695.1
(1,3) 11.35789 0.62851 0.00000 0.00508 0.04334 140,674.8
(2,1) 12.85427 0.63216 0.00000 0.00000 140,707.6
(2,2) 11.97338 0.62919 0.00000 0.00000 0.03039 140,697.1
(2,3) 13.82411 1.00000 0.00000 0.00000 0.00000 0.00000 141,478.5
(3,1) 12.41029 0.62978 0.00000 0.01721 0.00000 140,698.3
(3,2) 11.97336 0.62922 0.00000 0.00000 0.00000 0.03039 140,699.1 (3,3) 11.35713 0.62840 0.00000 0.00000 0.00000 0.00512 0.04337 140,678.8
表 6：HDD 溫度選擇權市場之市場風險價格
城市 評價日 到期日 距到
期日
市場 權利金
履約 價格
溫度風 險價格
股票風 險價格
Atlanta 2012/12/04 2013/03/31 118 11 2,550 0.6347 0.1884 Baltimore 2007/03/06 2007/03/31 26 16 3,700 1.4593 1.8294 Boston 2011/11/15 2012/03/31 138 12 4,700 1.2099 0.2654 Chicago 2012/12/04 2013/03/31 118 29 5,200 1.0724 0.1884 Cincinnati 2012/10/23 2012/12/31 70 32 1,650 0.8878 2.2012 Dallas 2012/10/23 2012/12/31 70 49 750 0.4950 2.2012 Des Moines 2012/12/04 2013/03/31 118 118 4,650 1.0075 0.1884 Houston 2009/12/01 2010/03/31 121 27 1,350 0.1280 0.9853 Kansas City 2009/12/01 2010/03/31 121 34 4,225 0.9155 0.9853 Las Vegas 2012/12/04 2013/03/31 118 114 1,750 1.0371 0.1884 Minneapolis 2012/12/04 2013/03/31 118 64 6,200 0.9886 0.1884 New York 2012/12/04 2013/03/31 118 28 3,400 1.1628 0.1884 Philadelphia 2012/12/04 2013/03/31 118 40 3,500 1.1775 0.1884 Portland 2012/12/04 2013/03/31 118 79 3,100 1.1473 0.1884 Sacramento 2012/12/04 2013/03/31 118 6 2,200 0.8700 0.1884 Salt Lake City 2008/01/02 2008/03/31 90 113 4,600 1.1812 1.1283 Tucson 2009/12/01 2010/03/31 121 30 1,400 1.0478 0.9853
圖 1：相對於 AMO 指數大西洋區域颶風發生的次數（資料來源：NOAA）
1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000 2010
-0.5 -0.3 -0.1 0.1 0.3 0.5
AMO Annual Index
1900 1910 1920 1930 1940 1950 1960 1970 1980 1990 2000 2010
0 2 4 6 8 10
Number of Hurricane in Atlantic Basin
Warm Period Cool Period Warm Period
Cool Period
圖 2：各城市日均溫之動態圖
（續）圖 2：各城市日均溫之動態圖
Des Moines
-20
（續）圖 2：各城市日均溫之動態圖
Kansas City
0
（續）圖 2：各城市日均溫之動態圖
國科會補助專題研究計畫成果報告自評表
請就研究內容與原計畫相符程度、達成預期目標情況、研究成果之學術或應用價值（簡 要敘述成果所代表之意義、價值、影響或進一步發展之可能性）、是否適合在學術期刊 發表或申請專利、主要發現或其他有關價值等，作一綜合評估。
1.
請就研究內容與原計畫相符程度、達成預期目標情況作一綜合評估■達成目標
□未達成目標（請說明，以 100 字為限）
□實驗失敗
□因故實驗中斷
□其他原因，說明：
2.
研究成果在學術期刊發表或申請專利等情形：論文：□已發表 □未發表之文稿 ■撰寫中 □無 專利：□已獲得 □申請中 ■無
技轉：□已技轉 □洽談中 ■無 其他：（以 100 字為限）
3.
請依學術成就、技術創新、社會影響等方面，評估研究成果之學術或應用價值（簡 要敘述成果所代表之意義、價值、影響或進一步發展之可能性）（以 500 字為限）由於近年來氣候變遷、異常氣候頻傳，美國與加拿大冬天之溫度屢創新低、大西洋颶風 與太平洋西部之颱風數量也逐年增加，因此能源公司或保險公司承受很大之氣候風險與 巨災風險。為了規避此類風險，CME 發行了氣候衍生性商品，讓過去機構僅可利用保 險市場避險，可轉嫁至資本市場進行避險，有了更多避險之渠道，以利能源公司或保險 公司永續發展之願景。基於氣候衍生性商品之重要性，如何訂定此類衍生性商品有其重 要性：（1）建構較複雜之模型除了可以描述氣候之季節性與不確定性，亦可用來預測未 來巨災發生之可能性，提供法人機構一個預警機制。（2）有了較精準之氣候動態模型，
可以根據此模型進行氣候衍生性商品之評價，有利於發行者與避險者評估契約之公允價 值。（3）氣候衍生性商品之標的資產為氣候指數，如溫度、颶風、降雪、降雨等，其指 數為不可交易之資產，因此亦可提供其他不可交易之標的資產之衍生性商品一個評價之 方法。由於台灣位於亞熱帶地區，夏季容易遭受颱風之侵襲，近年來冬季之氣溫變化也 造成不少寒害，因此本研究有助於台灣各產業對於氣候變遷風險之評估與避險，以達到 有效降低氣候損失之目標。
第一年國科會補助專題研究計畫出席國際學術會議心得報告
日期：103 年 01 月 27 日
一、參加會議經過
2012 Global Business & International Management Conference，是 2012 年國際性會議 於 101 年 07 月 08 日至 10 日在加拿大溫哥華市舉行，與會學者來自世界各地，共 同探討商業、管理、教育等議題。會議涵蓋理論性研究和應用性研究的學術論文，
參加之學者均為一時之選，研討內容精彩而有深度。07 月 08 日搭飛機到加拿大溫 哥華，本篇論文的會議報到日期為 07 月 08 日，報告時間為 07 月 09 日之財務場次，
與會者對於此次發表的文章提出寶貴意見。後學於此次研討會發表，題目是 Pricing Caps and Floors in a LIBOR Market Model with Markov Jump Risks。
二、與會心得
The characterization of the arbitrage-free dynamics of interest rates is developed in this study under the presence of Markov jump risks, when the term structure of the interest rates is modeled through simple forward rates. We consider Markov jump risks by allowing randomness in jump sizes, independence between jump sizes and jump times.
The Markov jump diffusion model is used to capture empirical phenomena and to accurately describe interest jump risks in a financial market. We derive the arbitrage-free model of simple forward rates under the spot measure. Moreover, the analytical pricing formulas for a cap and a floor are derived under the forward measure when the jump size follows a lognormal distribution. In our empirical analysis, we find the LIBOR market model with Markov jump risk better accounts for changes from/to different states and 計畫編號 NSC100－2410－H－004－057－MY2
計畫名稱 巨災與氣候衍生性商品之定價、避險與實証分析
會議名稱 2012 Global Business & International Management Conference
發表題目 Pricing Caps and Floors in a LIBOR Market Model with Markov Jump Risks
different rates.
四、建議
此次國際會議認識幾位國際學者，往後若有申請國科會補助與短期移地研究，可至 外國學者當地進行移地研究之訪問。
五、攜回資料名稱及內容
研討會議程、出席報告證書。
六、其他
會議議程，如下頁所示。
網址
http://www.jgbm.org/index.files/page/5_PREVIOUS_2012vancouver.html
第二年國科會補助專題研究計畫出席國際學術會議心得報告
日期：103 年 01 月 27 日
後學由於本計畫還在執行中，未有明確結果，因此由於後學報告有全文的利率巨災衍生 性商品。
一、參加會議經過
European Conference on Operational Research 2013，是 2013 年歐洲國際性會議於 102 年 07 月 01 日至 04 日在義大利羅馬舉行，與會學者來自世界各地，共同探討財務、 發表，題目是The Valuation of the Interest’s Derivatives under LIBOR Market Models with Jump Risks。
二、與會心得
此次會議提供了財務、經濟與會計之研究方法的國際學者們經驗交流的很好機會。
此次會議提供了財務、經濟與會計之研究方法的國際學者們經驗交流的很好機會。