(3.235.11.178) 您好!臺灣時間:2021/02/26 04:09
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:林靜婉
研究生(外文):Lin Jing Wan
論文名稱:六種資料探勘技術在風險預測之比較
論文名稱(外文):The Comparisons of Six Data Mining Techniques on risk detection
指導教授:葉怡成葉怡成引用關係
指導教授(外文):YEH I CHENG
學位類別:碩士
校院名稱:中華大學
系所名稱:資訊管理學系
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2006
畢業學年度:94
語文別:中文
論文頁數:104
中文關鍵詞:資料探勘風險預測最近鄰居分類邏輯迴歸判別分析貝氏分類類神經網路分類樹
外文關鍵詞:Data MiningRisk ForecastK-Nearest-Neighbor ClassificationLogistic RegressionDiscriminant AnalysisNaïve Bayes ClassifierArtificial Neural NetworkDecision Tree
相關次數:
  • 被引用被引用:5
  • 點閱點閱:1592
  • 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:299
  • 收藏至我的研究室書目清單書目收藏:0
本研究旨在針對股票上市公司之財務危機及信用卡顧客之逾期繳款風險個案研究,作六種資料探勘方法之比較。結果發現,就分類誤判率而言,邏輯迴歸、判別分析在公司財務風險個案的表現很好,但在個人信用卡風險個案的表現很差;貝氏分類、分類樹正好相反,在公司財務風險個案表現很差,但在個人信用卡風險個案表現很好。類神經網路在二個個案的表現都很好,而最近鄰居分類則都很差。因此,類神經網路可能是預測財務風險的最強健的方法。但就風險管理的觀點來看,預測模型推估的預測風險機率是否能代表真實風險機率比分類誤判率更重要。經由預測風險機率(x)與真實風險機率(y)的線性迴歸分析(y=ax+b)顯示,類神經網路產生的預測模型具有最高的判定係數,且只有其迴歸係數a值接近1,b值接近0。因此,類神經網路是六個方法中唯一可以準確估計真實風險機率的方法。
This research aimed at comparisons of six data mining methods on two financial risk case studies, financial distress of company on the stock market, and credit score of credit card customers. Based on classification error rate, the results showed that logistic regression and discriminant analysis are accurate at the financial distress case but inaccurate at the credit card case; naïve Bayes classifier and decision tree are accurate at the credit card case but inaccurate at the credit card case; artificial neural network is accurate at both cases; and k-nearest-neighbor classification is in accurate at both cases. Therefore, artificial neural network could be the most robust method to forecast financial risk. But based on viewpoint of risk management, whether the forecast risk probability estimated by the predict model can represent the real risk probability is more important than the classification error rate. Using the regression analysis (y=ax+b) of forecast risk probability (x) and real risk probability (y), the predict model produced by artificial neural network has the highest determination coefficient, and the regression coefficient “a” of regression formula based on forecast risk probability estimated by artificial neural network is close to 1, and b to 0. Therefore, in these six data mining methods, artificial neural network is the only method which can accurately estimate the real risk probability.
摘要 i
Abstract ii
誌謝 iii
目錄 iv
圖目錄 vi
表目錄 viii
第一章 導論 1
1-1 研究背景 1
1-2 研究目的 2
1-3 研究流程 2
1-4 研究內容 3
第二章 文獻回顧 5
2-1 風險預測問題 5
2-1-1 新巴賽爾協定 5
2-1-2 風險 8
2-2 資料探勘技術 9
2-3 資料探勘技術在風險預測問題之應用 19
第三章 上市公司之風險預測 24
3-1 導論 24
3-2 方法 24
3-3 結果 32
3-4 自變數數目的影響 46
3-5 重要自變數的比較 50
3-6 預測機率與真實機率的關係 57
3-7 結論 59
第四章 個人信用卡之風險預測 60
4-1 導論 60
4-2 方法 60
4-3 結果 62
4-4 自變數數目的影響 74
4-5 重要自變數的比較 78
4-6 預測機率與真實機率的關係 85
4-7 結論 86
第五章 結論與建議 88
5-1 結論 88
5-2 建議 91
參考文獻 93
李鈴玲譯,1997,『財務管理理論與實務(Damodaran 原著)』,初版,台灣西書出版社,台北。
吳楷華,2005,『建構財務預警系統之可行性』,中山大學高階經營碩士班,碩士論文。
沈大白、張大成、劉宛鑫,2001,『運用類神經網路建構財務危機預警模型』,貨幣觀測與信用評等,第38期,頁113-120。
唐甜恩,2005,『類神經網路於企業財務危機之預警應用』,實踐大學企業創新發展研究所,碩士論文。
周憲慶,2004,『應用資料探勘採礦技術建構銀行風險管理模型之實證研究』,台北科技大學商業自動化與管理研究所,碩士論文。
胡婉鈞,2005,『建構企業財務危機預警系統-以台灣電子業為例』,中原大學企業管理研究所,碩士論文。
陳彥華、劉郁秀譯,1997,『財務報表分析』,初版,華泰文化事業,台北。
陳寶清,2005,『新巴賽爾資本協定對本國銀行授信業務之影響研究以-T 銀行為例』,長榮大學經營管理研究所,碩士論文。
郭一聰,2005,『應用決策樹與類神經網路於應收帳款之呆帳預警模式研究』,中原大學資訊管理研究所,碩士論文。
萬哲鈺、高崇瑋,2003,『財務報表分析實務與應用』,華泰文化事業,台北。
葉怡成,2005,『資料探勘-程序方法與實作』,未出版。
潘玉葉,1990,『台灣股票上市公司財務危機預警分析』,淡江大學管理科學研究所,博士論文。
潘雅慧,2002,『新巴賽爾資本協定及信用風險模型化之研析』,中央銀行季刊,第24卷第二期,頁36-39。

Albert H. Mowbray, Ralph H. Blanchard C. Arthur Williams. Jr.,1969, “Insurance” ,pp 39-41。
Amir, F. A.,2001,“IEEE Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results,” Transactions on Neural Networks, Vol.12, pp.929-935.
Baesens, B., Setiono, R., Mues, C., Vanthienen, J.,2003, “Using Neural Network Rule Extraction and Decision Tables for Credit-risk Evaluation,” Management Science Vol.49, pp.312-329.
Coats, P. K. and Fant, L. F.,1993, “Recognizing Financial Distress Patterns Using a Neural Network Tool”, Financial Management, Vol. 12, pp.142-155.
Dutta, S., and Shekhar, S., 1988, “Bond Rating: A Non-Conservative Application of Neural Network”, Proceeding of the IEEE International Conference on Neural Networks,Ⅱ,pp. 443-450.
Koh, H. and Tan, S., 1999,“A Neural Network Approach to the Prediction of Going Concern Status”, Accounting and Business Research, Vol.21, pp.211-216.
McKee, T.E. and Lensberg, T. Thomas, E. M. and Terje, L. 2002,“Genetic Programming and Rough Sets: A Hybrid Approach to Bankruptcy Classification,” European Journal of Operational Research, pp. 436-451.
Ohlson, J.A., 1980, “Financial Ratios and the Probabilistic Prediction of Bankruptcy”, Journal of Accounting Research, Vol. 18, No. 1, pp. 109-131.
Odom, M.D. and Sharda, R., 1990, “A Neural Network Model forBankruptcy Prediction ,” IEEE INNS International Joint Conference on Neural Networks, Vol.2, pp.163-168.
Surkan, A.J. and Singleton, J.C., 1990,“Neural Networks for Bond Rating Improved by Mutliple Hidden Layers,” IEEE INNS International Joint Conference on Neural Networks, Vol.2, pp.157-162
Salchenberger, L.M., Clinar, E.M., and Lash, N.A., 1992, “Neural Networks: A New Tool for Prediction Threft Failures,” Decision Sciences, Vol.23, pp.899-916.
Tam, K.Y. and Kiang, M.Y., 1992, “Managerial Applications of Neural Networks:
The Case of Bank Failure Predictions,” Management Science, Vol.38, No.7, pp.
926-947.
Udo, G., 1993, “Neural Network Performance On the Bankruptcy Classification Problem,” Computers & Industrial Engineering, Vol. 25, No. 1-4, pp. 377-380.
Wilson, R.L. and Sharda, R., 1994, “Bankruptcy Prediction Using Neural Networks,” Decision Support System, Vol.11, pp 545-557.
West, D., 2000, “Neural Network Credit Scoring Models,” Computers & Operations Research , Vol.37, pp.1131-1152.
Zan, H., Hsinchun, C., Chia, J. H., Wun, H. C., and Soushan, W. 2004, “Credit Rating Analysis with Support Vector Machines and Neural Networks: A Market Comparative Study,” Decision Support Systems,Vol.37, pp.543-558.
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