(3.232.129.123) 您好!臺灣時間:2021/03/06 02:10
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:劉振遠
研究生(外文):Jenn-Yusn Liu
論文名稱:建構台灣未上市公司財務危機之預測-支向機與GMDH模式之運用
論文名稱(外文):BANKRUPTCY PREDICTION MODEL FOR UNLISTED COMPANIES IN TAWIAN -APPLICATION OF SVM AND GMDH
指導教授:林利萱
指導教授(外文):Dr.Lee-Hsuan Lin
學位類別:碩士
校院名稱:元智大學
系所名稱:管理研究所
學門:商業及管理學門
學類:企業管理學類
論文種類:學術論文
論文出版年:2005
畢業學年度:93
語文別:中文
論文頁數:61
中文關鍵詞:支向機財務危機
外文關鍵詞:SVMGMDHBankruptcy Prediction
相關次數:
  • 被引用被引用:6
  • 點閱點閱:189
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
摘要
國內未上市公司由於財務報表透明性不高,在授信上銀行以擔保品為主,以致呆帳率居高不下影響銀行授信品質及投資大眾權益,本文主要目的在建構國內未上市公司財務危機預測模型,藉由模型預測以減少授信判斷錯誤。
本文以支向機(Support Vector Machines, SVM)與GMDH(Group Method of Data Handling)作為建構財務危機模式,以國內90年至93年360家未上市公司財務危機前一年之正常240個公司與危機120個公司分別以2:1作為研究樣本,並從模型中瞭解在不同訓練樣本數量下,驗證測試樣本之預測正確率及穩定性。

實證結果:
一、在建構企業財務危機預警模型,GMDH模型利用不同臨界值比較找出最佳預測能力;支向機利用不同參數C、γ值找出最佳預測正確率,在相同樣本及財務指標研究下,支向機與GMDH所建構財務危機預警模型比較,無論訓練樣本及測試樣本支向機預測能力及穩定性要比GMDH模式佳。
二、在驗證測試樣本預測正確率方面,支向機、GMDH模型,兩者模型均呈過度適配(Overfitting)現象。
ABSTRACT

The bad debt rate is very high in Taiwan unlisted companies which will impact the bank loan quality and public investors’ right. The reason is that the financial information of the unlisted companies is not transparent enough and the bank loan mainly relies on the collateral only. The objective of this article is to establish a bankruptcy prediction model to reduce the judgment mistakes in the credit loan.

This article is based on SVM (Support Vector Machines) and GMDH(Group Method of Data Handling)to establish the financial bankruptcy prediction model. The research sample is based on 360 unlisted companies in Taiwan during year 2001-2004 including 240 normal companies and 120 bankrupted companies. The analysis data uses the financial figures of one year before the bankruptcy. The research is also to understand the accuracy and the satiability of the holdout data in the prediction model for different number of the training data.

The experiment results show that:

1. In building the bankruptcy prediction model, GMDH model get the best prediction rate by using cut-off values. SVM model gets the best prediction rate by different keneral function parameters C、γ. In the same sample and financial indicators, the prediction ability and the satiability of SVM is better than GMDH in training data and holdout data.

2. For the prediction accuracy of the holdout data, SVM and GMDH are both overfitting in the model.
.
目錄
頁次
書名頁 --------------------------------------------------------------------------------- ⅰ
授權書 --------------------------------------------------------------------------------- ⅱ
論文口試委員審定書 -------------------------------------------------------------- ⅲ
中文提要 ----------------------------------------------------------------------------- ⅳ
英文提要 ----------------------------------------------------------------------------- ⅴ
誌謝 ----------------------------------------------------------------------------------- ⅵ
目錄 ----------------------------------------------------------------------------------- ⅶ
表目錄 ------------------------------------------------------------------------------- ⅷ
圖目錄 ------------------------------------------------------------------------------ ⅸ
第一章 緒論 ------------------------------------------------------------------------- 1
第一節 研究動機與背景 ---------------------------------------------------- 1
第二節 研究目的 ------------------------------------------------------------- 2
第三節 論文架構 ----------------------------------------------------------- 3
第四節 研究內容 ------------------------------------------------------------ 5
第二章 相關文獻探討------------------------------------------------------------- 6
第一節 財務危機定義-------------------------------------------------------- 6
第二節 財務危機預測文獻探討--------------------------------------------- 7
第三章 研究方法 ----------------------------------------------------------------- 14
第一節 研究流程-------------------------------------------------------------- 14
第二節 樣本設計-------------------------------------------------------------- 14
第三節 研究變數-------------------------------------------------------------- 16
第四節 研究方法-------------------------------------------------------------- 19
第四章 實證分析與結果----------------------------------------------------------- 28
第一節 兩群體平均數常態分配、t及Mann Witney U之檢定------- 28
第二節 交叉分類-------------------------------------------------------------- 36
第三節 GMDH實證分析結果---------------------------------------------- 36
第四節 支向機實證分析結果 --------------------------------------------- 46
第五節 支向機與GMDH模型方法比較---------------------------------- 51
第五章 結論與建議 -------------------------------------------------------------- 53
第一節 結論 -------------------------------------------------------------- 53
第二節 建議及未來研究方向--------------------------------------------- 54
參考文獻----------------------------------------------------------------------------- 56
文獻參考
中文部份
1.王景南,「多類支向機之研究」,元智大學資訊管理研究所碩士論文,民國92年。
2.王榮英,「支向機於生物資訊上之應用」,國立臺灣大學資訊工程學研究所碩士論文,民國90年。
3.王麒瑋,「支向機核心函數適用指標之建立」,國立成功大學工業管理科學研究所碩士論文,民國92年。
4.白欽元,「國內中小企業財務危機預警模型之研究,」國立交通大學經營管理研究所碩士論文,民國91年。
5.李明峰,「銀行業對企業授信『信用評等表』財務比率預警有效性之實證分析」,國立中山大學財務管理學系研究所碩士論文,民國89 年。
6.李淑芬,「臺灣地區租賃公司信用風險評估模型之研究」,國立臺北大學統計學系碩士論文,民國93年。
6.李羿儒,「財務危機預警模式之再探討」-國立高雄第一科技大學/財務管理所碩士論文,民國92年。
7.李書貞,「上市公司發生財務危機之階段與徵兆之探討」,國立中央大學企業管理研究所碩士論文,民國90年。
8.吳智鴻,「結合基因演算法最佳化「支持向量機」參數~財務危機上之應用」,國立台北大學企業管理研究所博士論文,民國92年。
9.沈大白、張大成、劉宛鑫-「運用類神經網路建構財務危機預警模型,」台灣經濟新報,貨幣觀測與信用評等第38期,民國91年11月,第95-102頁。
10.林逸塵,「類神經網路應用於空氣品質預測之研究」,國立中山大學環境工程研究所碩士論文,民國90年。
11.林利萱,「危機預測模型分類之研究」,行政院國家科學委員會專題研究計畫成果報告,民國85年。
12.林宓穎,「上市公司財務危機預警模式之研究」,國立政治大學財政研究所碩士論文,民國90年。
13.施淑萍,「財務危機預警模式與財務危機企業財務特性之研究」,東吳大學會計碩士論文,民國89年。
14.唐筱菁,「整合財務比率與智慧資本指標建構企業危機預警系統-MARS與類神經網路.」. 輔仁大學金融研究所碩士論文,民國90年。
15.徐美珍,「企業財務危機之預測」,國立政治大學統計研究所碩士論文,民國92年。
16.陳彥華、劉郁秀編譯,Gibson原著,「財務報表分析」,華泰書局,第491-499頁,民國86年。
17.陳明賢,「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,民國75年。
18陳家豪,「存活分析方法應用於汽車貸款客戶信用風險管理之研究」,國立成功大學統計學系研究所碩士論文,民國91年。
19.陳肇榮,「運用財務比率預測企業財務危機之實證研究」,國立政治大學企管研究所博士論文,民國72年。
20.黃文隆,「財務危機預警模式建立與驗證」,東吳大學管理科學研究所碩士論文,民國82年。
21.梁瑞明,「資料群集處理技術在半導體良率預測上之應用」,元智大學工業工程研究所碩士論文,民國89年。
22.葉怡芳,「構建財務危機預警模式—支向機與羅吉斯之應用」,元智大學會計學系碩士論文,民國92年。
23.曾明德,「GMDH於產品壽命預估之應用分析-以發光二極體為例」,元智大學工業工程研究所碩士論文,民國88年。
24.詹毓玲,「不景氣情況下之企業財務策略」,法商學報第28 期,P.281-309,民國82 年
25.蔡人煜,「類神經網路於預測企業財務危機有效性之研究」彰化師範大學/商業教育學系在職進修專班碩士論文,民國91年。
25.蔡松家,「洪水預警系統及資料庫建置與管理之研究」,國立成功大學,水利及海洋工程學系碩士論文,民國91年。
26.潘玉葉,「台灣上市公司財務危機預警分析」,淡江大學管理研究所博士論文,民國79年。
27.謝易霖,「暴雨時期GMDH模式結合距離~水位模式應用於未設站河段即時水位之預測」國立成功大學,水利及海洋工程學系碩士論文,民國91年。




英文部份︰
1. A.G, Ivakhnenko, V.V, Shervashidze.et,”Discovery of Physical Laws by GMDH Method with the Absence of Bais Criterion, Sov,Autom,Control,6,32-45,1972
2. A.G, Ivakhnenko and N.A Ivakhnenko, ”Long-Term Prediction of Random Process by GMDH Algorithms Using the Unbiasedness Criterion and Balance-of-Variables Criterion, Sov,Autom,Control,7,40-45,1974
3. A.G, Ivakhnenko , V.N Vysotskiy and N.A Ivakhnenko,”Principal versions of the Minimum Bias Criterion for a model and Investigation of their Noise Immunity ,”Sov. Autom,Control,11,27-45,1978
4.Altman ,E.I.(1968), “Financial Ratios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy” , Journal of Finance, Vol.23, No.4, September, 1968, pp.589-609.
5. Beaver W.H.(1966), “Financial Ratio as Predictors of Failure in Empirical Research in Accounting: Selected studies” , Supplement to Journal of Accounting Research, Vol.4, 1966, pp.71-111.
6. Beneish, M. D. and E Press,. 1995, "Interrelation Among Events of Default, Contemporary Accounting Research, Fall, 57-84"
7. Blum M.(1974), “Failing Company Discriminated Analysis” , Journal of Accounting Research, Vol.12, 1974, pp.1-25.
8. Buxton, B., Trotter, M., Burbidge, R., Holden, S.(2001), “Drug design by machine learning: support vector machines for pharmaceutical data analysis” , Computer and Chemistry, 26, pp.5-14,
9. Chen, W. T.(2001), “An Experimental Study on Prediction of Financial Failures of Listed Companies, Unpublished Doctoral Dissertation” , Department of Business Administration, National Taipei University,
10. Cortes, C., Vapnik, V.(1995), “Support-vector networks” , Machine Learning, 20, pp.273-297,
11. Deakin (1976)B.E. Deakin, A discriminant analysis of predictors of business failure, Journal of Accounting Research (1976), pp. 167–179
12. Donald C. and Richard A.D’Aveni, 1988, Large Corporate Failures as Downward Downwar Spirals, Administrative Science Quarterly 33, pp.1-23
13.Etheridge and Sriram (1997),R H. Etheridge and R. Sriram, A comparison of the relative costs of financial distress models: artificial neural networks, logit and multivariate discriminant analysis, Intelligent Systems in Accounting, Finance and Management (1997), pp. 235–248.
14.K.J. Kim,(2003 )Financial time series forecasting using support vector machines, Neurocomputing 55 (2003) (1/2), pp. 307–319.
15.Kyung-shik Shin, Taik Soo Lee ,Hyun-jung Kim , An application of support vector machines in bankruptcy prediction model ,Expert Systems with application 28(2005) 127-135
16.Jae H. Min ,Young-Chan Lee,Bankruptcy Prediction using support vector machines with optimal choice of kernel function parameters bankruptcy prediction model ,Expert Systems with application 28(2005) 603-614
17. Odom and Sharda, (1990), A neural networks model for bankruptcy prediction, Proceedings of the IEEE International Conference on Neural Network 2 (1990), pp. 163–168.
18. Ohlson.J.A.,”Financial Ratios and the Probabilistic Prediction of Bankruptcy”Journal of Accounting Research.Vol.18,Spring 1980,pp.109-131
19.Shin and Han,( 1998.) Bankruptcy prediction modeling using multiple neural networks models. Proceedings of Korea management science institute conference.
20.Tadashi kondo, ”GMDH Neural Network Alogorithm Using Heuristic Self-Organization Method and Its Application to the pattern Identification Problem,”SICE,1143-1148,1998
21.Tadashi kondo, et,al ”GMDH type Neural Network and their application to the Medical Image Recognition of the Lungs SICE ,1181-1186,1999
22. Whitaker, Richard B., 1999, The Early Stages of Financial Distress, Journal of Economics and Finance, 23, 123-133
23. Wilson and Sharda,( 1994 )R. Wilson and R. Sharda, Bankruptcy prediction using neural networks, Decision Support Systems 11 (1994) (5), pp. 545–557.
24.Zhang et al., (1999) G. Zhang, Y.M. Hu, E.B. Patuwo and C.D. Indro, Artificial neural networks in bankruptcy prediction: general framework and cross-validation analysis, European Journal of Operational Research 116 (1999), pp. 16–32.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔