Page 15 - 臺大管理論叢第32卷第1期

NTU Management Review Vol. 32 No. 1 Apr. 2022

再者， 除了 Chen et al. (2010) 之外，Lin, Liu, and Wu (2011) 也針對 CDS
premium 與公司債殖利率之間的流動性風險進行探討。本研究與此論文的差異在於
該論文將流動性因子獨立設為一個隨機過程，而本研究則是將流動性因子設定成
CDS premium 中違約因子無法解釋的部分。該論文的理論架構或許較為精確，但進
行實證研究會牽涉較多估計上的問題，例如 : 該論文使用 GMM (Generalized Method

of Moments) 計量方法來進行模型估計，也就是將變數透過參數來估計，如此只能
對流動性因子以估計出的參數來呈現，而無法進行動態的調整。申言之，GMM 方
法通常在機率分配未知的情況下，會是個蠻好用的工具。不過用 GMM 方法所得的
估計值往往較缺乏效率 (Less Efficient) 且有較大的標準誤 (Standard Error)。本研究
則是以卡爾曼濾波 (Kalman Filter) 以及主成分分析 (Principle Component Analysis) 進
行實證研究，可配合資料透過實證方法動態更新或調整流動性因子的估計過程，從
而得到更有效率的估計值。此外，一般在文獻上也認為 Kalman Filter 方式所產生的

估計值會比 GMM 方法有較高的檢定力 (Power)。
綜上，本研究選取美國 CDS premium 買賣報價與公司債殖利率做為估計違約
因子的輸入變數，在平方根隨機過程 (Squared Root Process) 的信用風險模型設定
下，將上述兩項資料透過無損卡爾曼濾波與最大概似法估計出兩種違約因子，並比
較兩種違約因子間的差異。詳言之，根據 Chen et al. (2010) 對 CDS 流動性風險之
作法，乃是將資料以不同信用評等分組進而估計其流動性風險差異，本研究亦遵循
這樣的做法，亦是透過各信用評等的 CDS premium 資料進行主成分分析 (Principal
Component Analysis)。再將主成分分析提取出的含雜訊之風險因子作為應變數，透
過本研究估計出的兩種違約因子作為自變數來進行迴歸分析，把迴歸萃取過後的殘

差做為新流動性風險因子，再以實證檢驗來研判此新流動性風險因子是否為一個良
好的流動性風險代理變數。
亦即，本研究透過兩種新流動性風險因子與 CDS premium 買賣價差以及公司債
交易量這些代表傳統流動性風險之衡量的資訊進行相關分析，並比較不同新流動性
風險因子的模型配適能力是否有差距，藉此顯示哪一種方式所估計出來的新流動性
風險因子會是較合理之方式。
本研究也檢驗兩種新流動性因子對市場利率變數的聯結程度，透過實證的探討

來判斷哪一種方式所估計出來的新流動性風險因子對市場利率較有解釋能力。結果
發現：透過 CDS 資料及公司債殖利率資料聯合估計之新流動性風險因子對市場利
率的解釋能力，比單純透過 CDS 報價所萃取出來的新流動性風險因子要來得高，
且即使在加入總體經濟因素當作控制變數以後，兩者的關聯性差距依舊相似，因此
顯示透過 CDS 資料及公司債殖利率資料聯合估計所產生之新流動性風險因子，將
是較好之選項。

7