Basic Search / Detailed Display

Author: 黃柏誠
PO-CHENG HUANG
Thesis Title: 類神經網路與鑑別分析在中小企業貸款違約預警模型之實證研究
Artificial Neural Network and Discriminate Analysis on the Forecast Model of Corporate Loan Default
Advisor: 徐俊傑
Chiun-Chieh Hsu
Committee: 賴源正
Yuan-Cheng Lai
黃世禎
Shih-Chen Huang
Degree: 碩士
Master
Department: 管理學院 - 資訊管理系
Department of Information Management
Thesis Publication Year: 2009
Graduation Academic Year: 97
Language: 中文
Pages: 73
Keywords (in Chinese): 信用風險企業貸款違約倒傳遞類神經網路鑑別分析法預測模型因素分析
Keywords (in other languages): Credit Risk, Enterprise Loan Default, Back-propagation Artificial Neural Network, Discriminate Analysis, Factor Analysis, Forecast Model
Reference times: Clicks: 198Downloads: 5
Share:
School Collection Retrieve National Library Collection Retrieve Error Report

本研究採倒傳遞類神經網路(Back-propagation Artificial Neural Network)及鑑別分析(Discriminate Analysis)的方法,以810家中小企業為樣本,檢視造成中小企業信用危機的財務與非財務變數資訊,經由因素分析(Factor Analysis)萃取出共同因素後,做為倒傳遞類神經網路及鑑別分析法的輸入變數,建立企業貸款違約預警模型,藉以提供企業量化信用風險之依據,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率。本研究還比較類神經網路及鑑別分析所建構之企業貸款違約預測模型,何者具較高之預測能力。
經由五組訓練樣本與測試樣本的交叉驗證結果,類神經網路預測模型無論在整體正確率或型 I 錯誤率皆優於以鑑別分析法所建立之違約預測模型。


In this thesis, from 810 small and medium sized enterprises, we first employ the Factor Analysis (FA) to extract the financial and non-financial factors causing the credit risks of enterprises. These factors are then treated as the input variables of the Back-propagation Artificial Neural Network model (BPN) and Discriminate Analysis model (DA) in order to build up the forecast models of enterprise loan default. The models can assist the bank to evaluate the credit risks of enterprises, which can decrease the probability of bad debt. Moreover, we also compare the forecast capabilities of the BPN and the DA models.
The experimental results using five group samples by cross-validation method show that accuracy rates and type I error rates of the BPN model always outperform those of the DA model. Therefore, we conclude that the BPN model is more suitable than the DA model on predicting the corporate loan default.

目錄 中文摘要 I Abstract II 致謝 III 目錄 IV 圖索引 VI 表索引 VII 第一章 緒論 1 1.1 研究背景與動機 2 1.2 研究目的 3 1.3 研究架構流程 4 第二章 文獻探討 6 2.1 違約之定義與銀行資產評估損失準備之提撥概述 7 2.2 鑑別分析文獻 9 2.3 類神經網路文獻 13 第三章 研究設計 20 3.1 研究範圍與研究對象 20 3.2 資料預處理 21 3.3 操作變數定義 22 3.4 模型建立的方法 27 第四章 研究方法 29 4.1 因素分析法 29 4.2 鑑別分析法 32 4.3 類神經網路 36 第五章 實證結果 39 5.1 因素分析實證結果 39 5.2 鑑別分析實證結果 48 5.3 類神經網路實證結果 52 第六章 結論與建議 57 6.1 結論 57 6.2 建議 58 參考文獻 59 英文文獻: 59 中文文獻: 60 圖索引 圖1. 1論文研究架構 4 圖5. 1訓練樣本組一為例的網路架構圖 53 圖5. 2訓練樣本組一為例的網路訓練參數 54 圖5. 3訓練樣本組一為例的網路訓練過程收斂圖 54 圖5. 4訓練樣本組一為例的模擬訓練立體圖 55 表索引 表2.1資料探勘相關研究論文統計表 6 表2.2資料探勘相關銀行授信戶研究論文統計表 7 表2.3鑑別分析文獻彙整 13 表2.4類神經網路文獻彙整 18 表2.5本研究與之前學者研究之差異 19 表3.1樣本分佈統計表 21 表3.2財務變數彙整表 27 表3.3訓練樣本與測試樣本分組統計 28 表5.1樣本組一的潛伏因素表 40 表5.2 5組樣本的潛伏因素整理 41 表5.3樣本組一為例的因素組型矩陣 42 表5.4 5組樣本的因素命名 44 表5.5樣本組一為例的因素分數矩陣 47 表5.6 5組樣本的總檢定統計表 49 表5.7樣本組一為例自變數鑑別力檢定 49 表5.8樣本組一為例的線性鑑別函數 50 表5.9訓練樣本組一為例的鑑別函數矩陣 51 表5.10測試樣本組一為例的鑑別函數矩陣 52 表5.11 5組樣本的鑑別函數矩陣 52 表5.12 5組樣本的類神經網路預測能力彙整表 55 表6.1鑑別分析與類神經網路模型驗證比較 56

英文文獻:
[1] Altman, E. I. and Loris, B.:A Financial Early Warning System For Over-the-Counter Broker-Dealers, Journal of Finance, Vol. 31, No. 4, pp. 1201-1217, 1976.
[2] Altman, E. I., Macro, G. and Varetto, F.:Corporate Distress Diagnosis: Comparisons Using Linear Discriminate Analysis and Neural Networks, Journal of Banking and Finance, Vol. 18, No. 3, pp. 505-529, 1994.
[3] Beaver, W.:Financial Ratio as Predictors of Failure, Journal of Accounting Research, Empirical Research in Accounting: Selected Studies, pp. 71-111, 1996.
[4] Blum, M.:Failing Company Discriminate Analysis, Journal of Accounting Research, Vol. 12, No. 1, pp. 1-25, 1974.
[5] Collins, R. A.:An Empirical Comparison of Bankruptcy Prediction Models, Financial Management, Vol. 9, No. 2, pp. 52-57, 1980.
[6] Koh, H. C., Tan, S. S.:A neural network approach to the prediction of going concern status, Accounting and Business Research, Vol. 21, pp. 211-216, 1999.
[7] Odom, M.D. and R., Sharda:A neural networks for bankruptcy prediction, IEEE INNS International Joint Conference on Neural Networks, Vol. 2, pp. 163-168, 1990.
[8] Piramuthu, S.:Financial Credit-Risk Evaluation with Neural and Neurofuzzy Systems, European Journal of Operational Research, Vol. 112, No. 2, pp. 310-321, 1999.
[9] Zhang, G., Hu, M. Y., Patuwo, P. E. and Indro, D. C.:Artificial Neural Networks in Bankruptcy Prediction: General Framework and Cross-Validation Analysis, European Journal of Operational Research, Vol. 116, No. 1, pp. 16-32,1999.

中文文獻:
[10] 陳肇榮:運用財務比率預測企業財務危機之實證研究,政治大學企業管理研究所博士論文,1983。
[11] 盧靜怡: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:台灣科技大學資訊管理學系碩士論文,2001。
[12] 楊浚泓:考慮財務操作與合併報表後之財務危機預警模式,中央大學財務管理研究所碩士論文,2000。
[13] 黃志力:企業財務危機預測-以類神經網路建構產業別預警模型,中山大學企業管理學系碩士論文,2007。
[14] 郭瓊宜:類神經網路在財務危機預警模式之應用,淡江大學管科學研究所碩士論文,1993。
[15] 萬智傑:台灣中小企業之財務危機預警模型、信用評等與巴塞爾協定資本計提,東吳大學企業管理學系碩士論文,2007。
[16] 葉春有:國內中小企業貸款違約預測模式之研究-以某商業銀行之授信戶為例,實踐大學企業管理研究所碩士論文,2004。
[17] 官旻慧:以財務比率衡量公司信用風險,世新大學財務金融學研究所碩士論文,2005。
[18] 陳銘泰:銀行放款風險雙重預警模式之建立-以電子業為例,實踐大學企業管理研究所碩士論文,2005。
[19] 郭敬和:商業銀行授信評等之研究-類神經模糊理論之應用,靜宜大學會計學系研究所碩士論文,2002。
[20] 張勝春:模糊類神經在銀行授信決策之應用,朝陽科技大學財務金融學系碩士論文,2002。
[21] 戴育昇:不良債信評估研究,朝陽科技大學財務金融學系碩士論文,2006。
[22] 周文賢:多變量統計分析,貝塔/智勝出版,2002。
[23] 羅華強:類神經網路-Matlab的應用,清蔚科技出版,2001

QR CODE