臺灣博碩士論文加值系統

本研究之主要目的是運用羅吉斯迴歸，建立銀行信用風險的預測模型，一方面希望透過此預測模型的建立，使銀行在違約風險發生前就能洞燭機先，以採取應變措施，減少銀行的損失；另一方面透過新巴塞爾資本協定規範的風險權數公式計算零售型暴險的資本要求及風險性資產。

本研究以某家銀行民國92年至94年間，共2590筆循環性信用貸款資料為研究樣本。並將樣本區分為用來訓練模型的建模資料集及檢測模型穩定性的驗證資料集。

利用羅吉斯迴歸模型歸納會影響授信戶違約的因素有：放款往來家數、信用卡循環家數、銀行查詢家數、教育程度、支票往來、信用卡延遲家數、信用卡停卡張數、長期無擔保、信用卡預借現金家數、性別、現金卡數等11項變數。此模型的預測能力在92年的建模資料集中有80.8%的正確率，在92、93、94驗證資料集中分別有83.5%、84.1%、82.9%的正確率，表示利用羅吉斯迴歸所建之模型具有長期穩定性。

在固定違約暴險額(EAD)、相關係數(R)為0.04、代入模型估算之違約機率(PD)、探討在不同的違約損失率(LGD)下所需計提的資本要求及風險性資產。發現當違約機率越高所需之資本要求越高且風險性資產也增加；當違約損失率越高時所需之資本要求及風險性資產相對也越高，在風險性資產增加的情況下，銀行的資本適足率會有減少的危險。所以建構一套好的風險預測模型在客戶申請貸款時即進行篩選，對於銀行的成本及獲利會有很大的幫助。

The main purpose of my thesis is to employ logistic regression to build a predictive model for bank credit risk management. With the establishment of the model, banks can not only take preemptive actions to reduce credit losses arising from defaults but also calculate the required capital and risk assets based on the risk weights set forth by the new Basel Capital Accord（Basel II）.

The research is based on 2590 revolving credits from X bank during 2003 and 2005. These samples are divided into two data sets: the building data set for model training and the validation data set for model stability testing.

The logistic regression model contains 11 variables which may affect borrower default : number of bank borrowing relationships, number of revolving credit cards、number of bank credit checkings, education background, checking account transaction records, number of credit card delinquencies, number of suspended credit cards, long term unsecured debts, number of credit card cash advances, sex, and number of cash cards. The predictive power of the model reaches 80.8% accuracy in the 2003 building data set and 83.5%、84.1% and 82.9% respectively in the 2003, 2004 and 2005 validation data sets. This proves the long-term stability of the logistic regression model .

By using the logistic regression model (with fixed exposure at default(EAD) and R being 0.04) to estimate the probability of default(PD) and calculate the capital requirements and risk assets under different loss given default(LGD), we found that higher PD leads to higher required capital and risk assets, and higher LGD results in higher required capital and risk assets, thus placing banks in danger of lower capital adequacy ratios. A robust risk model to screen loan applications will therefore contribute greatly to the cost reductions and profitability of banks.

目 錄
表 目 錄 2
圖 目 錄 3
第一章 緒 論 4
第一節 研究背景 4
第二節 研究動機與目的 5
第三節 研究流程 6
第二章 議題析述與文獻探討 8
第一節 新巴塞爾資本協定簡介 8
第二節 銀行觀點之信用風險評估方式 13
第三節 國內外信用評等相關文獻 16
第四節 LOGISTIC REGRESSION相關文獻 19
第三章 研究樣本與設計 21
第一節 研究變數 21
第二節 資料 26
第三節 研究方法 27
第四章 風險評估模型建構及討論 34
第一節 建模變數選取 34
第二節 模型建構 37
第三節 模型機率切點的決定及穩定性檢視 41
第四節 模型預測能力分析 46
第五節 內部評等法風險性資產估算 51
第五章 結論與建議 57
第一節 結論 57
第二節 建議 59
參考文獻 60

表 目 錄
表2-1 新巴塞爾資本協定（BASEL II）架構 11
表3-1 類別型解釋變數與反應變數交叉分析 21
表3-2 連續型解釋變數與反應變數交叉分析 23
表3-3 92、93、94年度樣本資料集 26
表3-4 羅吉斯迴歸分類表 32
表4-1 類別型解釋變數差異性檢定 34
表4-2 連續型解釋變數差異性檢定 35
表4-3 執行羅吉斯迴歸分析結果(逐步選入淘汰法) 37
表4-4 各變數之 估計值、標準誤及WALD檢定結果 38
表4-5 重要因子勝算比與信賴區間 39
表4-6 羅吉斯迴歸模型預測能力指標 42
表4-7 92年度建模資料羅吉斯迴歸鑑別分類表 43
表4-8 92年度驗證資料羅吉斯迴歸鑑別分類表 44
表4-9 93年度驗證資料羅吉斯迴歸鑑別分類表 44
表4-10 94年度驗證資料羅吉斯迴歸鑑別分類表 45
表4-11 92~94年度驗證資料預測能力分析 45
表4-12 92年度為建模資料之樣本分佈 46
表4-13 92建+92驗建模資料羅吉斯迴歸鑑別分類表 47
表4-14 93驗羅吉斯迴歸鑑別分類表 47
表4-15 94驗羅吉斯迴歸鑑別分類表_步驟一 47
表4-16 以92建+92驗為建模樣本之預測能力分析 47
表4-17 92、93年度為建模資料之樣本分佈 48
表4-18 92建+92驗+93驗建模資料羅吉斯迴歸鑑別分類表 48
表4-19 94驗羅吉斯迴歸鑑別分類表_步驟二 48
表4-20 以92建+92驗+93驗為建模資料之預測能力分析 49
表4-21 模型預測能力比較表 49
表4-22 驗證資料集族群等級歸類及類別卡方檢定 51
表4-23 實際資料及模型預測違約機率 52
表4-24 92、93、94年度各等級平均違約機率 53
表4-25 合格循環零售型暴險風險性資產計提 55

圖 目 錄
圖1-1 研究流程 6
圖2-1 銀行資本組成項目 10
圖2-2 銀行信用風險模型建置流程圖 13
圖2-3 信用風險內部評等法計提資本流程 15
圖4-1 模型預測能力趨勢圖 41
圖4-2 各等級之違約機率 53

1. 台灣金融研訓院(民95)，風險管理理論與方法。
2. 台灣金融研訓院(民93)，風險管理。
3. 吳東霖、林傑斌、劉明德(民90)，SAS與統計模式建構，文魁資訊公司。
4. 李夢仁(民90)，信用評等制度與財務危機預警統計模式，國立台北大學統計學系碩士
論文。
5. 呂美慧(民88)，銀行授信評等模式—Logistic Regression之應用，國立政治大學金
融學系碩士論文。
6. 林思惟、阮正治(民95)，違約率與經濟景氣之關係-長期歷史資料分析，聯合徵信中
心。
7. 柯瓊鳳、楊舒雯(民94)，台灣地區信用評等模型有效性之驗證，貨幣觀測與信用評
等，第54期。
8. 施孟隆(民87)，農會信用部經營危機預警模式之研究，國立中興大學農業經濟系博士
論文。
9. 陳順宇（民93），多變量分析，華泰書局
10.徐茹玲(民93)，現金卡違約風險評估模型之研究-以國內A銀行為例，輔仁大學應用統
計學研究所碩士論文。
11.張柏樹(民93)，銀行短期授信安全性有效評估方法之研究，國立台北大學統計學系碩
士論文。
12.孫銘誼、王思芳(民93)，信用評等模型驗證之初探-相關方法與文獻回顧，金融風險管
理季刊第1巻第1期。
13.曾國烈(民92)，Basel II架構下，金融監理新思維，金融業因應新巴塞爾資本協定的
風險管理策略。
14.敬永康、徐中敏(民95)，信用風險值研究-CreditMetrics模式，聯合徴信中心。
15.鄭廳宜(民87)，信用卡授信審核之實證研究，朝陽大學財務金融系碩士論文。
16.鄭婷月(民91)，汽車貸款客戶之風險研究，國立成功大學統計學系碩士論文。
17.賴柏志、白鎮維、張嘉娥(民91)，信用循環指標應用於信用風險修正之研究，貨幣觀
測與信用評等，第34期。
18.薛人瑞、劉穎峰(民92)，財務危機模型之違約機率研究，貨幣觀測與信用評等，第41
期。
19.戴堅(民93)，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。
20.鐘志明(民92)，現金卡二次授信風險實證分析，國立高雄第一科技大學風險管理與保
險所碩士論文。

二、英文部分
1. Agresti, A.(1996), ’An Introduction to Categorical Data
Analysis’, Wiley Inter.Science..
2. Basel Committee on Banking Supervision(2003), Consultative
Document：The New Basel Capital Accord, Bank for International
Settlements.
3. Brzezinski, J. R. & Knafl, G. J.(1999), ‘Logistic Regression
Modeling for Context-Based Classification’, IEEE.
4. Carey, Mark & Hrycay, M.(2001), ‘Parameterizing Credit Risk
Models with Rating data’, Journal of Banking & Finance 25, P. 197-
270.
5. Efron, B.(1975),’The Efficiency of Logistic Regression Compared
to Normal Discriminant Function Analysis’, Journal of the
American Statistical Association, Vol.70, P. 892-898.
6. Espahibodi, P.(1991), ‘Identification of Problem Bank and Binary
Choices Model’, Journal of Banking Finance, Vol115, P. 53-71.
7. Heath, R. J. & Morton, A.(1992), ‘Bond pricing and the Term
Structure of Interest Rates：A New Methodology for Contingent
Claims Valuation’, Econometrica P. 60,77-105.
8. Harrel, F. E. & Lee, K. L.(1985), ‘A Comparison of the
Discrimination of Discriminant Analysis and Logistic Regression
under Multivariate Normality’, Statistics in Biomedical, Public
Health and Environmental Sciences, Sen, P. K. ed., Amsterdam:
Elsevier.
9. Jarrow, R. & Turnbull, S. (1999), ‘The Intersection of Market and
Credit Risk’, Journal of Banking and Finance.
10.Jarrow, R. & Yu, F. (1999), ‘Default Risk and Diversification：
Theory and Applications’, working paper,Cornell University.
11.Jarrow, R.(2001), ‘Bankruptcy Prediction Using Hazard Rate
Estimation: Industry Effects’.
12.Keenan, S. C. & Sobehart, J. R. (2001), ‘Performance Measures For
Credit Risk Models’，Moody’s Risk Managements Services Research
Report.
13.Kim, J. S., Tokuhata, G. K. and Bratz, J. R.(1985), ‘Comparison
of Multivariate Regression Analysis Between Logistic Model and
the Least Square Model Using SAS software’, SAS Users Group
International Conference Proceedngs, P. 1109-1112.
14.Lo, A. W.(1986),’Logit Versus Discriminant Analysis-A
Specification Test and Application to Corporate Bankruptcies’,
Journal of Econometrics, Vol. 31, P. 151-178.
15.Steenackers, A. & Goovaerts, M. J.(1989) , ‘A Credit Scoring
Model for Personal Loans, Insurance Mathematics Economics’, P.
31~P34.
16.Sobehart, J., Keenan, S. & Stein, R.(2000), ‘Validation
Methodologies for Default Risk Models’ , Credit,May, P. 51-56.
17.Van Deventer, D. R. & Imai, K.(2003), ‘Credit Risk Models & the
Basel Accords’, John Wiley & Sons.