金融情況指數(FCI)是欲融合影響實質經濟活動過程不同貨幣傳遞管道，描述實際金融市場情形，被定義為金融變數與經濟活動之間的關係，主要是描述一些金融變數如何影響經濟現有以及未來的經濟情況，觀察執政者是否能透過執行政策使經濟活動獲得改變，甚或是推斷未來經濟情勢的特性。 在之前國內建立的金融情況指數研究文章僅包括了利率、匯率與資產價格的貨幣傳遞過程，但信用傳遞過程對於現今總體經濟影響的重要性也不容小覷。本文即嘗試加入信用傳遞管道相關變數，依據Jan Hatzius et al.(2010)針對美國所建構的金融情況指數所選取的變數，依照台灣目前現有金融市場的變數或是具有相同概念之變數作為選取，透過主成分分析法挑選並建立五個小指標，再將小指標簡單平均，經過三次平滑樣條消除雜訊後建構出金融情況指數。 研究結果顯示，於2003年2月至2010年12月期間，金融情況指數確實對於景氣情況之預測具有一定的實質幫助。以同時指標綜合指數當作台灣當前景氣狀況，金融情況指數的預測能力平均為55.3%。使用向量自我迴歸模型可發現金融情況指數在5%顯著水準下，前8期大都對於當期同時指標綜合指數具有影響力，而應用Granger因果關係檢定結果，在5%顯著水準下，金融情況指數具有領先同時指標綜合指數之關係。

對於商業保險公司和政府單位而言，死亡率的改善和未來死亡率的預估一直是一大重要議題。特別是對於退休金相關的社會保險、勞退或是商業年金、壽險等等，如何找尋一個準確的預估模式對未來的死亡率改善情況進行預測，並釐訂合理的保費及提列適當的準備金，是對於一個保險制度能否永續經營的重要因素。過去所使用的配適方法，大多僅以單一群體的過去資料輔助未來的預測，例如 Li and Carter (1992)所提出的 Lee-Carter Model，或是 Bell (1997)使用主成分分析法 (Principal Component Analysis, PCA)等僅針對單一群體本身變數進行分析之方式。然而綜觀全球死亡率改善趨勢，可發現國與國間、組與祖間雖有不同，但仍具備共同的趨勢。因此在考慮未來的死亡率配適方面，應加入組與組間的共同因子 (common factors) 進行考量。 Li and Lee (2005)曾提出 Augmented Lee-Carter Model，即對原本的Lee-Carter Model進行修正，加入共同因素項，並且得到更好的預測效果。 本文則採用考慮共同因子之主成分分析原理建構多重群體死亡率模型，即透過主成分分析法，同時考慮不同群體間的死亡率，並以台灣男性和女性1970年至2010年的死亡率資料，做為兩個子群體進行分析。本文使用之主成分分析法模式，和 Lee-Carter Model (Li and Carter, 1992) 和 Augmented Lee-Carter Model (Li and Lee, 2005)，以MAPE法對個別的預測能力進行分析，並得出採用PCA的模式，在預測男性短年期(5年)內的預估能力屬精確(MAPE 介於10%~20%之間)，然而在長期預估下容易失準，且所有使用的模型，在配適台灣資料時皆發生無法準確預估嬰幼兒期(0~3歲)和老年期(80歲以上)之情形。本文並以所有模型預估之死亡率計算保險公司之準備金與保費提列，並與第五回經驗生命表進行比較。 / For governments and life insurance companies, mortality rates are one of the key factors in determining premiums and reserves. Ignoring or miscalculating mortality rates might have negative influences in pricing. However, most of the mortality models do not consider the common trends between groups. In this article, we try to construct the mortality structure which considering common trends of multi-groups populations with principal component analysis (PCA) method. We choose 9 factors to set up our model and fit with the actual data in Taiwan’s gender mortality. We also compare the Lee-Carter Model (Lee and Carter, 1992) and the augmented Lee-Carter Model (Li and Hardy, 2012) with our common factors PCA model, and we find that the PCA model has the least MAPE than other model in five years forecasting in both genders. After finishing basic analysis, we use the mortality data of Taiwan (1970 to 2010) from human mortality database to construct the life expectancy model. We adopt the same criteria to choose the components we need. We also compare the level premium and reserves by different forecasting mortality rates. All of the models indicate life insurance companies to provide higher reserves and level premium than using the 5th TSO experience mortality rare. We will do following research by using company-specific data to construct unique life expectancy model.