伴隨國內金融市場制度的逐步放寬，加上近年來，消費性金融的概念蔚為一股潮流，使得各金融機構競相投入信用卡市場，隨著發卡數量的激增與壞帳損失逐年的提高下，信用卡審核制度成為當今發卡機構相當重視的課題，目前國內有關信用卡評估之探討，最常運用的方法有傳統統計技術與人工智慧技術。
支撐向量機(Support Vector Machine)屬最新穎的類神經網路，其源於機器學習理論，對於未知類別的樣本具有相當卓越的分類與預測功能。本研究嘗試利用支撐向量機強大的分類能力與個人信用卡授信機制做結合，進一步分析比較支撐向量機、類神經網路與傳統統計方法三者在信用卡授信機制上之準確度，期望藉由導入支撐向量機技術，增進信用卡授信機制之預測成效。經實證研究發現：
1. 支撐向量機之預測成效良好，不僅優於傳統統計方法其準確率也比以往常用之類神經網路還高，透過支撐向量機導入於個人授信決策機制，將有助於銀行鑑別客戶信用之良莠進而降低呆帳發生之機會。
2. 支撐向量機在參數最佳化、建立模型與預測分類所需時間皆大幅縮短且所允許的問題複雜程度亦大幅提高，使平滑支撐向量機之運用更具發展與實用性。
3. 傳統Logit統計模式預測正確率雖不如人工智慧工具的表現，卻能有效降低型一錯誤之發生率，對於較著重避免呆帳發生之銀行，可提供較保險之風控機制。

Following the opening of the domestic financial markets, the idea of consuming financial instrument has become a trend in recent years. As a result, more and more financial institutions compete to enter the credit card market. As the occurrence of credit card boom and dramatic increase in bad debt, a credit card verifying system has become a growing issue among the credit card providing companies. Currently, the most popular methods on evaluation of credit card are two major approaches: traditional statistic procedure and artificial intelligence.
The Support Vector Machine is the newest developed Neural Network. Its origin is Machine Learning theory which is a very powerful and effective method to classify and predict to the unknown sampling. The study’s goal is to use support vector machine, the neural network and the traditional statistic approach to evaluate the precision on credit card loan system. With the help of implementing the support vector machine, it is expected to help on improve the predicting result of credit card loan system. The research concludes the following:
1. The predicting result of support vector machine is good. Not only does it outplay the traditional statistic approach in precision, it also achieves better result than the neural network. With the implement of support vector machine into individual credit card loan system, it will benefit the bank to have a much effective evaluation on customers credit condition while decreases the probability of bad debt.
2. The timing needed for the support vector machine to achieve parameter optimization, to build up a model and to predict the assortment has been shortened, providing a greater room for dealing with more complex problems. Therefore, it has further developed the usage of Smooth Support Vector Machine and created more practical value.
3. Even though the precision of traditional Logit statistical model in forecasting is no comparison to that of artificial intelligence, the Logit Predict can effectively reduce the probability of Type I error. This provides a safer approach on risk control system for banks that wants to avoid bad debt.

中文部份
[1] 陳明賢(1986)，「財務危機預測之計量分析研究」，國立台灣大學商學研究所碩士論文。
[2] 馬芳資(1994)，「信用卡信用風險預警範例學習系統之研究」，國立政治大學資訊管理研究所碩士論文。
[3] 楊政麟(1997)，「運用類神經網路於股價指數套利之研究」，國立台灣科技大學管理技術研究所碩士論文。
[4] 林育廷(1999)，「信用卡當事人法律關係與風險管理」，國立政治大學風險管理與保險研究所碩士論文。
[5] 鄭廳宜(1999)，「信用卡授信審核之實證研究」，私立朝陽大學財務金融研究所碩士論文。
[6] 黃俊英(2000)，「多變量分析」，中國經濟企業研究所出版。
[7] 洪仁杰、莊維瑩、秦榮志(2001)，「地區金融機構授信決策之研究－以高屏地區為例」，台灣土地金融季刊，第三十七卷第一期。
[8] 王信勝(2001)，「整合分析層級程序與類神經網路之信用評分模型」，私立輔仁大學資訊管理所碩士論文。
[9] 林建州(2001)，「銀行個人消費信用貸款授信風險評估模式之研究」，國立中山大學財務管理學系研究所碩士論文。
[10] 張文生(2001)，「銀行建構"信用卡信用風險即時預警系統"之研究」，私立中原大學企業管理研究所碩士論文。
[11] 葉怡成(2001)，「類神經網路模式應用與實作」，儒林出版社。
[12] 盧靜怡(2001)，「企業經營績效排名之預測─灰色關聯分析與類神經網路之應用」，國立台灣科技大學資訊管理系碩士論文。
[13] 李美笑(2002)，「信用卡持卡人信用風險之研究」，私立逢甲大學保險學研究所碩士論文。
[14] 白豐榮(2002)，「銀行經營信用卡業務與風險管理之研究」，私立銘傳大學金融研究所碩士論文。
[15] 周文賢(2002)，「多變量統計分析SAS/STAT使用方法」，智勝出版社。
[16] 郭素綾(2002)，「本國銀行信用評等實證模型之研究」，國立中正大學企業管理研究所碩士論文。
[17] 江奕良(2002)，「整合類神經網路與遺傳規劃於信用卡受信模式之應用」，國立台北科技大學商業自動化與管理研究所碩士論文。
[18] 宋裕民(2002)，「模糊類神經網路理論於信用之識別」，國立交通大學電資學院學程碩士班碩士論文。
[19] 江淑娟(2003)，「信用評等因素與信用卡違約風險之關係---以台灣A金融機構所發行之信用卡為例」，私立逢甲大學保險所碩士論文。
[20] 黃盟樺(2003)，「以支撐向量機建構企業與個人財務體質評估決策之研究」，國立高雄第一科技大學資訊管理所碩士論文。
[21] 陳麗君(2003)，「應用資料探勘技術於信用卡黃金級客戶之顧客關係管理」，元智大學工業工程與管理學系碩士論文。
[22] 薛博仁(2003)，「資料探勘在銀行業之應用－以類神經網路整合基因演算法處理信用貸款為例」，國立台北大學資訊管理研究所碩士論文。
[23] 王景南(2003)，「多類支向機之研究」，私立元智大學資訊管理學系碩士論文。
[24] 卜怡君(2003)，「運用灰關聯聚類與適應性類神經模糊推論系統於本國銀行業之信用評等」，國立台灣科技大學資訊管理所碩士論文。
[25] 洪榮隆(2003），「消費性貸款信用風險之分析-應用類神經網路」，國立高雄第一科技大學風險管理與保險所碩士論文。
[26] 林勉今(2004)，「消費性貸款授信風險評估之研究-以X銀行為例」，私立大同大學事業經營研究所碩士論文。
[27] 蔡耀宇(2004)，「台灣地區銀行經營績效之研究--因素分析法之應用」，私立世新大學經濟學系碩士論文。
[28] 徐美珍(2004)，「企業財務危機之預測」，國立政治大學統計研究所碩士論文。
[29] 葉怡芳(2004)，「構建財務危機預警模式—支向機與羅吉斯之應用」，私立元智大學會計學系碩士論文。
[30] 張斐章、張麗秋、黃浩倫(2004)，「類神經網路理論與實務」，東華書局出版社。
[31] 劉泰谷(2004)，「信用卡信用評分模型之建構與分析」，私立世新大學財務金融學系碩士論文。
[32] 黃怡華(2004)，「應用類神經網路與關聯法則於銀行消費性貸款」，國立成功大學資訊管理研究所碩士論文。
[33] 戴堅(2004)，「個人消費性信用貸款授信評量模式之研究」，國立中正大學國際經濟研究所碩士論文。
[34] 廖威翔(2004)，「我國信用卡市場指標預測之研究」，私立朝陽科技大學企業管理系碩士班碩士論文。
[35] 周文光,林金賢,劉易昌,洪俊瑋(2004)，「支援向量機器於台灣加權股價指數預測之應用」，第十五屆國際資訊管理研討會，桃園：私立中原大學。
[36] 洪琳美(2005)，「運用支撐向量機與類神經網路於銀行授信之研究」，國立台灣科技大學資訊管理系碩士論文。
[37] 楊啟洲(2005)，「以倒傳遞類神經網路作為授信風險預測之研究」，私立中華大學科技管理研究所碩士論文。
[38] 黃建銘(2005)，「支撐向量機的自動參數選擇」，國立台灣科技大學資訊工程系碩士論文。

英文部份
[1] Dawson C. W. and Wilby R. L., (2001), “Selecting Bankruptcy Predictors Using a Support Vector Machine Approach,” Proceeding of the IEEE-INNS-ENNS International Joint Conference on Neural Networks, 6, pp.354-359.
[2] Ohlson, J. A.(1980), “Financial Ratios and The Probabilistic Prediction of Bankruptch,” Journal of Accounting Research, Vol.18.
[3] Smith, K.V. & Tito, D.A.(1969), “Risk-return measures of expost portfolio performance.” Journal of Financial and Quantitative Analysis, Vol.4, pp.449-471.
[4] Schebesch, K.B. and Stecking, R.(2005), “Using Support Vector Machines in Credit Scoring to select informative patterns and to extract rules from credit data pools.”, The Proceedings of the Seventh International Conference on Informatics in Economy.
[5] Vapnik, V.N.(1995), “The Nature of statistical Learning Theory.” Springer-verlag, New York.
[6] Van Gestel, T., Baesens, B., Suykens, J., Espinoza, M., Baestaens, D.-E., Jan Vanthienen, and De Moor, B. “Bankruptcy prediction with least squares support vector machine classifiers,“ IEEE International Conference on Computational Intelligence for Financial Engineering, pp.1-8, 2003.
[7] Vellido, A., P. J. G. Lisboa, et al.(1999), “Neural networks in business：a survey of applications(1992-1998),” Expert System with Applications, Vol.51, pp.51-70.
[8] Wolfgang, H., Rouslan, A. Moro, and Dorothea, S., “Predicting Bankruptcy with Support Vector Machines,” SFB 649 Discussion Paper, pp.009, 2005.
[9] Yuh-Jye, Lee & Mangasarian, O.L.(1999), ”SSVM：A Smooth Support Vector Machine for Classification,” Computer Sciences Department University of Wisconsin.
[10] Zhang, G., Patuwo, B. E., and Hu, M.Y.(1998), “Forecasting with Artificial Neural Networks：The State of the Art,” International Journal of Forecasting, Vol. 14, pp.35-62.
[11] Zan, H., Hsinchun, C., Chia-Jung, H., Wun-Hwa, C., and Soushan, W.(2004), “Credit rating analysis with support vector machines and neural networks：a market comparative study,” Decision Support System Vol.37, pp.543-558.