臺灣博碩士論文加值系統

在追求消費金融業務成長的口號下，許多銀行的逾期放款也同時隨著成長。在過去的研究中，大多是針對逾期戶的單一解釋變數進行統計分析，將結論歸納為信用評等之依據。對於逾期戶流入率的預測模型，迄今尚未有相關的文獻探討。因此本研究試圖應用人工智慧中，具有解決複雜系統能力之遺傳程式規劃(Genetic Programming, GP)建立預測模型。期望能解決信用貸款逾期流入率預測問題，以提昇催收績效及擬定催收策略之用。
本研究主要針對消費性信用貸款逾期戶，建立逾期流入率的預測模型。當正常繳款客戶，落入M1(逾期30天以內)的逾期戶時，經由模型預測新逾期案件流入M2(逾期31天以上)的逾期流入率與區隔正確率。本研究結果顯示，在整體逾期戶流入率的預測方面，得到極好的效果。流入率預測值與實際值誤差皆在2%以內，而個別逾期戶由M1流入M2的預測，正確率也維持在73%至77%左右。隨意選擇解釋變數時，變數越多預測結果表現越好。當取解釋變數出現次數最多的8個變數進行演化，發現可以得到兼顧演化時間較短及流入率與正確率更好的最佳決策法則。
最後，期望以GP應用於逾期戶流入率之決策法則的創新研究，能夠讓後續研究者對於演化式計算應用在催收管理方面有所啟發。實務上，可做為銀行風險管理、決策制定及損失率預測之參考。

Under pursue the slogan that consumer banking grows up, the delinquent of a lot of banks, at the same time with grow up too. In the past, most research focus on statistical analysis on explanation parameters of the delinquent or credit evaluation model. The delinquent prediction model of roll-in rate of family has not been investigated. This research attempts to use Genetic Programming (GP), a hereditary procedure which solves complicated system ability, to set up the predicting model. Expect to be able to solve the delinquent roll-in rate of the consumer loan and predict the problem, in order to promote and press for the performance and draft that presses for the using of the tactics.
This research is to the consuming delinquent of consumer loan mainly, set up the prediction model of the delinquent roll-in rate. Work as the normal payment customer, when falling into overdue cluster of M1 (within the overdue 30 days), predict via model new overdue case flow into delinquent who flow into of M2 (overdue over 31 days) separate correct rate with district. This study uses 31 variables to predict M1 accounts, which was overdue within 30 days, become M2 accounts, which was overdue over 30 days. From the statistics, the probability for M2 accounts pay on time is less than 3%.
GP provides an excellent prediction on the whole delinquent roll-in rates. The differences between roll-in rate predicted values and actual values are less than 2%. For predicting customers flowed from M1 to M2, the accuracy rate maintains about 73% to 77%. We also found four important variables to predict customers flow from M1 to M2: overdue days, commitment payment rate, effective response rate of telephone debit collection, overdue number. When selecting variables randomly, the more variables selected, the better the result. However, when selecting eight important variables, not only the evolving time is shorter but the result is better than selecting all 31 variables.
The result of this study will help management to focus on accounts which is most likely become M2 account. This will effectively help banks out of financial trouble cause by card debts. Future studies in this area are also needed to explore ways to prevent customers become M2 account which have been identified by the model.

表次 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ vi
圖次 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ viii
第壹章 緒論 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 1
第一節 研究背景與動機 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 1
第二節 研究問題 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 5
第三節 研究目的 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 7
第四節 研究範圍與限制 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 8
第五節 論文觀念性架構與研究流程 ‥‥‥‥‥‥‥‥‥‥‥‥ 9

第貳章 文獻探討 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 13
第一節 消費金融業務 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 13
第二節 逾期戶與催收流程 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 24
第三節 消費金融業務名詞定義 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 35
第四節 遺傳程式規劃 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 36
第五節 本章小結 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 41

第參章 研究方法 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 43
第一節 研究模型 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 43
第二節 遺傳程式規劃架構設計 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 44
第三節 研究設計 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 55


第肆章 實驗結果與分析 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 59
第一節 系統績效測試 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 59
第二節 實驗結果 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 66
第三節 遺傳程式規劃逾期流入率模型分析 ‥‥‥‥‥‥‥‥‥ 75
第四節 分析與討論 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 85

第伍章 結論與建議 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 89
第一節 結論 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 89
第二節 研究貢獻 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 90
第三節 後續研究建議 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 92

參考文獻 ‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥‥ 95

一、中文部份：

1.世新大學民調中心，親子理財行為調查報告，Smart智富月刊，2005年09月。
2.中央銀行經濟研究處，中華民國台灣地區金融統計月報，2005年07月。
3.行政院金融監督管理委員會，業務統計資料與市場重要指標，2005年07月。
4.江海清、黃景泰、謝維國、楊培宏、黃南豪，消費者貸款實務，台灣金融研訓院，1998。
5.江世傑，模糊類神經網路在消費性貸款之應用，國立成功大學工業管理研究所碩士論文，2001。
6.呂金品，運用決策樹分類方法估計小額放款倒帳率-兼論放款策略，國立中山大學財務管理學系研究所碩士論文，2000。
7.何貴清，消費者小額信用貸款之信用風險研究－以一商業銀行客戶為例，國立中山大學人力資源管理研究所碩士論文，2002。
8.吳奎新與華祥任，討債專員TOP 1，台北：永然文化出版股份有限公司，2005。
9.吳振晃，資料採礦技術於銀行授信之應用－以消費者貸款為例，中國文化大學資訊管理研究所碩士在職專班碩士論文，2003。
10.林旭彥，消費者貸款發生逾期時間影響因素之研究，國立中興大學高階經理人碩士在職專班碩士論文，2004。
11.林勉今，消費性貸款授信風險評估之研究－以X銀行為例，大同大學事業經營研究所碩士論文，2004。
12.林耀堂，遺傳程式規劃於股市擇時交易策略之應用，國立中央大學資訊管理研究所碩士論文，2001。
13.李華仁，銀行處理逾期放款策略之系統動態分析，國立成功大學高階管理碩士在職專班碩士論文，2004。
14.許育嘉，銀行消費性小額信用貸款逾期戶之探討，元智大學管理研究所碩士論文，2005。
15.邱振傑，遺傳程式規劃在以決策法則為基礎的顧客區隔策略之研究，輔仁大學資訊管理研究所碩士論文，2004。
16.黃圩君，以遺傳程式規劃為基的產品關聯與顧客輪廓規則探勘之研究，輔仁大學資訊管理研究所碩士論文，2004。
17.張明哲，個人消費信用貸款授信模型之研究－以國內某金融機構為例，雲林科技大學財務金融系研究所碩士論文，2002。
18.陳梓，台灣金融機構逾期放款與催收問題之研究，大葉大學事業經營研究所碩士論文，2001。
19.陳宗豪，消費者小額信用貸款之信用風險研究-甄選的觀點，國立中山大學人力資源管理研究所碩士論文，1999。
20.陳鴻文，個人小額信用貸款授信模式之個案研究，國立高雄第一科技大學財務管理研究所碩士論文，2002。
21.陳忠明，改善催收系統以提升催收效能，育達商業技術學院資訊管理所所碩士論文，2004。
22.鄭志新，小額信貸信用評分模型之建構，世新大學經濟學研究所碩士論文，2004。
23.楊蕙憶，遺傳程式規劃為基礎的投資規則探勘之研究，輔仁大學資訊管理研究所碩士論文，2003。
24.劉怡君，應用遺傳程式規劃於臺指買權評價之研究，輔仁大學資訊管理研究所碩士論文，2004。
25.藺明忠與孫嘉俊，催收百分百，標準財信管理股份有限公司，2004。
26.傅光萬，遺傳程式規劃為基礎的股票動態交易策略之研究，輔仁大學資訊管理研究所碩士論文，2005。
27.戴堅，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，2004。
28.鹿兒瞗治利，銀行經營論，中央經濟社，1992。


二、英文部份：

1.Andy, S., Genetic programming with C++, Byte, Feb 1994, page 171-176.
2.Basel Committee on Banking Supervision, October 2002, QIS FAQ, page 24.
3.Eggermont, J., Evolving Fuzzy Decision Trees with Genetic Programming and Clustering, Proceedings of 5th European Workshop on Genetic Programming, Lecture Notes In Computer Science, 2002.
4.Huang, K., Genetic Programming for Multi-Category Pattern Classification, Department of Electrical and Computer Engineering, Mississippi State University, 2002.
5.Koza, J.R., Genetic Programming：On the Programming of Computers by Means of Natural Selection, MIT Press, 1992.
6.Koza, J.R., Genetic Programming II: Automatic Discovery of Reusable Programs, MIT Press, 1992.
7.Koza, J.R., Survey of genetic algorithms and genetic programming, WESCON/'95.Conference record, Microelectronics Communications Technology Producing Quality Products Mobile and Portable Power Emerging Technologies.
8.Li, J. and Tsang, Edward P.K., Improving Technical Analysis Predictions: An Application of Genetic Programming, Proceedings of Florida Artificial Intelligence Research Symposium, 1999.
9.Langdon, W.B. and Qureshi, A., Genetic Programming - Computers Using Natural Selection to Generate Programs, 1995.
10.Maulik, U. and Bandyopadhyay, S., Genetic Algorithm-Based Clustering Technique, Pattern Recognition, Vol.33, 2000, page 1455-1465.
11.Matthew, W., Introduction to Genetic Programming, October 7, 2001.
12.Otero, F.E.B., Silva, M.M.S. and Freitas, A.A., Genetic Programming for Attribute Construction in Data Mining, In Proc Genetic and Evolutionary Computation Conf (GECCO-2002), New York, July 2002, page 1270.
13.Potvin, J.Y., Soriano, P. and Vallee, M., Generating trading rules on the stock markets with genetic programming, Computers and Operations Research, Vol.31, 2004.
14.Peter J.A., Genetic programming and emergent intelligence, Advances in Genetic Programming, MIT Press, Cambridge, MA, 1994, page 75-98.
15.Roland I.R., Money and Capital Markets, McGraw Hill Book Company N.W., 1964, page 261.