跳到主要內容

臺灣博碩士論文加值系統

(44.211.31.134) 您好!臺灣時間:2024/07/23 07:42
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

我願授權國圖
: 
twitterline
研究生:陳勇誠
研究生(外文):Yung-cheng Chen
論文名稱:銀行授信評等模式以小額信貸為例
論文名稱(外文):A Credit Scoring Model of Commercial Banks: the Case of Personal Loans
指導教授:黃金生黃金生引用關係
指導教授(外文):Chin-Sheng Huang
學位類別:碩士
校院名稱:國立雲林科技大學
系所名稱:財務金融系碩士班
學門:商業及管理學門
學類:財務金融學類
論文種類:學術論文
論文出版年:2003
畢業學年度:91
語文別:中文
論文頁數:60
中文關鍵詞:信用評等類神經網路區別分析
外文關鍵詞:Credit Scoring ModelBackpropagation NetworkDiscriminant Analysis
相關次數:
  • 被引用被引用:9
  • 點閱點閱:153
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
隨著新銀行的開放,金融業的競爭日益白熱化。其中,為利差較佳的消費金融建立一套良好的授信信用評等制度及信用管理機制,以因應快速變化的環境與提高銀行績效,為各金融機構的當務之急。本研究嘗試以Steenackers and Goovaerts (1989) 建立個人信貸模型,運用類神經網路與區別分析為模型辨識工具,實證授信評等模式的績效。本研究樣本來自某金融機構小額信貸部門,民國89-90年核准之個人信用貸款案件,包括794 件正常還款戶與273件違約戶,共計1067件樣本。本研究以Steenackers and Goovaerts的十二個解數變數作為個人信貸的授信評估模式。本研究實證結果發現:(1)類神經網路的模型辨識正確率達95.27%,其中,正常戶與違約戶的辨識率各為95.05%與95.49%。(2)區別分析的模型辨識正確率達69.65%,其中,正常戶與違約戶的辨識率各為66.08%與73.22%。(3)類神經網路的外樣本模型預測正確率為78.19%,其中,正常戶與違約戶的辨識率各為60.77%與95.60%。
The open up of new banks has strengthened the market competition in Taiwan financial industry. In particular, the higher spread commercial loan sector is the focus of each financial institution. A credit scoring model and a risk management mechanism are essential for a bank to succeed in such a turbulent environment. This study employs Steenackers and Goovaerts’ (1989) as credit scoring model for personal loans. We apply backpropagation network model and discriminant analysis to pattern recognition in the scoring model. Moreover, this study empirically test and compare the performance of rating models. The empirical data, from the personal loan department of a commercial bank in Taiwan (1990-1991), include 1067 loan samples that can be further divided by 794 normal loans samples and 273 default loans samples. This study constructs a Steenackers and Goovaerts’ twelve variables credit model for the personal loan data. The empirical results show: (1) backpropagation network is able to correctly identify in-sample pattern 95.27%, with normal loans and default loans 95.05% and 95.49%, respectively; (2) discriminant analysis is capable to correctly identify in-sample pattern 69.65%, with normal loans and default loans 66.08% and 69.65%, respectively; (3) backpropagation network has out-sample forecasting accuracy 78.19%, with normal loans and default loans 60.77 and 95.60%, respectively.
目 錄

中文摘要 -------------------------------------------------------------- i
英文摘要 -------------------------------------------------------------- ii
誌謝 -------------------------------------------------------------- iii
目錄 --------------------------------------------------------------- iv
表目錄 --------------------------------------------------------------- v
圖目錄 --------------------------------------------------------------- vi
一、緒論
1.1 研究背景與動機---------------------------------------------------- 1
1.2 研究目的---------------------------------------------------------- 1
1.3 研究範圍---------------------------------------------------------- 3
1.4 論文架構---------------------------------------------------------- 3
二、相關理論與文獻回顧--------------------------------------------------- 6
2.1 消費者貸款的特性-------------------------------------------------- 6
2.2 銀行信用評估的原則及方式------------------------------------------ 8
2.3 區別分析及類神經網路之介紹---------------------------------------- 13
2.4 國內外信用評等相關文獻-------------------------------------------- 23
三、研究方法------------------------------------------------------------- 26
3.1 資料處理與分析---------------------------------------------------- 26
3.2 建立區別分析模式--------------------------------------------------28
3.3建立倒傳遞類神經網路----------------------------------------------- 29
四、實證研究分析-------------------------------------------------------- 43
4.1 樣本資料分析------------------------------------------------------ 43
4.2 區別分析模式之分析------------------------------------------------49
4.3 倒傳遞網路之分析--------------------------------------------------50
4.4 區別分析與倒傳遞網路之比較----------------------------------------56
五、結論與建議----------------------------------------------------------- 57
5.1 研究結論---------------------------------------------------------- 57
5.2 限制與後續建議--------------------------------------------------- 58
參考文獻 --------------------------------------------------------------- 59



表 目 錄

表1 消費者貸款及建築貸款餘額--------------------------------------- 2
表2 各項信用風險評估方法比較表------------------------------------- 12
表3 類神經網路發展過程--------------------------------------------- 16
表4 類神經網路模式簡表--------------------------------------------- 22
表5 轉換前各變數原始資料名稱說明----------------------------------- 27
表6 轉換後各輸入變數值--------------------------------------------- 28
表7 倒傳遞網路參數------------------------------------------------- 36
表8 職業分級表----------------------------------------------------- 43
表9 職業之交叉分析表----------------------------------------------- 44
表10 借款金額之交叉分析表------------------------------------------- 44
表11 年資之交叉分析表----------------------------------------------- 45
表12 年所得之交叉分析表--------------------------------------------- 45
表13 年齡之交叉分析表----------------------------------------------- 46
表14 婚姻狀況之交叉分析表------------------------------------------- 46
表15 教育程度之交叉分析表------------------------------------------- 47
表16 居住狀況之交叉分析表------------------------------------------- 47
表17 姓別之交叉分析表----------------------------------------------- 48
表18 金融機構借款金額之交叉分析表----------------------------------- 48
表19 擔保借款金額之交叉分析表--------------------------------------- 49
表20 信用借款金額之交叉分析表--------------------------------------- 49
表21 區別分析網路模擬結果表----------------------------------------- 50
表22 各種網路經5000次訓練所得之分類正確率--------------------------- 51
表23 各種網路經5000次訓練所得各次使用CPU 之時間----------------- 53
表24 各種網路經5000次訓練所得之 R-square -------------------------- 53
表25 以trainscg方法對樣本內的訓練模擬結果--------------------------- 55
表26 以trainscg方法對樣本外的訓練模擬結果--------------------------- 55










圖 目 錄

圖1 研究流程圖---------------------------------------------------- 5
圖2 生物神經網路-------------------------------------------------- 18
圖3 人工神經元模型------------------------------------------------- 19
圖4 三層倒傳遞類神經網路結構圖------------------------------------- 32
圖5 類神經網路建構流程圖------------------------------------------- 34
圖6 BPN 訓練模擬偏誤值和訓練世代的設定----------------------------- 52
圖7 倒傳遞網路R-square訓練模擬值----------------------------------- 54
參考文獻
中文部份:
1.汪海清、黃景泰、謝維國、楊培宏、王南豪,1999,消費者貸款實務,財團法人金融
人員 研究訓練中心。
2.呂美慧,2000,銀行授信評等模式-Logistic Regresion 之應用,國立政治大學,碩士
論文。
3.何太山,1977,運用區別分析建立商業放款信用評分制度,國立政治大學,碩士論文。
4.吳明隆,2000,SPSS 統計應用實務,松崗電腦圖書資料股份有限公司。
5.張紹勳、張紹評、林秀娟,2000,多變量統計分析,松崗電腦圖書資料股份有限。
6.施孟隆,1999,“Logit Model 應用於信用卡信用風險審核之研究”金融財務月刊,10
月,pp.85-104。
7.許愛惠,1994,信用卡信用風險審核範例學習系統之研究,國立政治大學,碩士論文。
8.陳敬聰,1999,信用卡信用風險評估之研究,國立雲林科技大學,碩士論文。
9.彭慧雯,2001,建構信用卡資料挖礦架構及其實證研究,國立台北科技大學,碩士論文。
10.游崇智,1995,應用類神經網路模擬多變量計量模式於臺灣股市之分析與預測,中原大
學,碩士論文。
11.曾俊堯,1991,信用卡信用管理之研究,國立政治大學,碩士論文。
12.馮志剛,1996,公營與民營金融機構個人擔保與信用放款授信評估之研究,高雄工學
院,碩士論文。
13.葉怡成,2000,類神經網路模式應用與實作,儒林出版社。
14.葉怡成,2001,應用類神經網路,儒林出版社。
15.鄭廳宜,1999,信用卡授信審核之實證研究,朝陽科技大學,碩士論文。
16.鄭淑娥,2000,台灣開放型共同基金績效分類之研究,國立成功大學,碩士論文。
17.賴欣儀,2000,消費者風險態度與資金運用行為對銀行信用卡業務影響之研究,國立中
山大學,碩士論文。


英文部份:
1. Brzezinski, J.R. and Knafl, G.J., Logistic Regression Modeling for
Context-Based Classification, 1999,IEEE
2. Efron, B., The Efficiency of Logistic Regression Compared to Normal
Discriminant Function Analysis, 1975, Journal of the American
Statistical Association, Vol.70, P892-898
3. Harrel, F.E. and Lee, K.L., A Comparison of the Discrimination of
Discriminant Analysis and Logistic Regression under Multivariate
Normality, 1985, Statistics in Biomedical, Public Health and
Environmental Sciences, Sen, P.K. ed., Amsterdam: Elsevier
4. Hauck, W.W. and Donner, A., Wald’s Test as Applied to Hypothesis
in Logit Analysis, 1977, Journal of the American Statistical
Association, Vol.72, pp851-853
5. Hosmer, D.W., and Lemeshow, S., Applied Logistic Regression, 1989,
New York: John Wiley &Sons, Inc.
6. Kim, J.S., Tokuhata, G.K. and Bratz, J.R., Comparison of
Multivariate Regression Analysis Between Logistic Model and the
Least Square Model Using SAS Software, 1985, SAS Users Group
International Conference Proceedings, P1109-1112
7. Lo, A.W., Logit Versus Discriminant Analysis- A Specification Test
and Application to Corporate Bankruptcies, 1986, Journal of
Econometrics, Vol.31, P151-178
8. Maddala, G.S., Limited-dependent and Qualitative Variables in
Econometrics, 1983
9. Orgler, Y.E., A Credit Scoring Model for Commercial Loans, 1970
Journal of Money, Credit, and Banking, P435-445
10.Rock, Andrea, Sure Ways to Score with Lenders, Money, 1984 Sep.,pp57.
11.Steenackers, A. and Goovaerts, M.J., A Credit Scoring Model for
Personal Loans, 1989, Insurance Mathematics Economics, P31-34
12.Updegrave, Waiter L. How lenders Size You Up, Money, 1987 Apr.,pp28.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊