跳到主要內容

臺灣博碩士論文加值系統

(3.95.131.146) 您好!臺灣時間:2021/07/29 02:42
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:李昭慧
研究生(外文):Chao-Hui Lee
論文名稱:基因演算法與決策樹於企業財務危機預警之研究
論文名稱(外文):A Study on the Prediction of Corporate Financial Distress Using Genetic Algorithm and Decision Tree
指導教授:李建國李建國引用關係吳英銓
指導教授(外文):Chien-Kuo LiChien-Kuo Li
學位類別:碩士
校院名稱:佛光大學
系所名稱:資訊學系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:89
中文關鍵詞:財務危機財務比率基因演算法決策樹類神經網路
外文關鍵詞:Financial DistressFinancial RatioGenetic AlgorithmDecision TreeNeural Network
相關次數:
  • 被引用被引用:4
  • 點閱點閱:366
  • 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
企業財務危機之預警一直是一個重要且具挑戰性的研究主題,及早知道一家公司的財務問題可以幫助廣大的投資大眾避開風險,避免巨額的投資損失,一個好的企業財務危機預警模型對於銀行而言更加重要,銀行可據以決定是否貸款給一家企業,根據金管會的資料,截至2006年6月底止台灣1億元以上呆帳大戶,粗估呆帳總金額達3,700億元,試想若能建置一套有效的企業財務危機預警模型,可及早預測出企業財務問題並作出預警,將可提供給銀行作為借貸參考,亦可提供給社會大眾做為投資的參考,讓危機影響的層面及損失降低到最小。
在眾多企業危機或企業破產預測之研究中,有相當多的研究試圖透過各種研究方法從財務危機企業與財務健全企業之間找出財務比率上的差異性,以便將財務危機企業與財務健全企業做分類(classification)。近來有相當多的研究人員應用類神經網路於企業財務危機預警,雖然研究顯示類神經網路適用於像企業財務危機預警之分類問題,但類神經網路的主要缺點在於使用者很難由一個訓練好的類神經網路得知其用以決策的判斷規則為何。為了解決上述問題,本論文的主要研究主題為企業財務危機預警規則之建立。本研究以基因演算法及決策樹分別建立企業財務危機預警之規則,目的在於建立與測試此二種研究方法之可行性。
本研究收集244家國內公司的財務資料,其中有122家公司屬於財務健全公司,另有122家屬於財務危機公司;並參考歷史文獻整理歸納出十二種財務比率作為本研究之參考變數,電腦模擬結果顯示基因演算法所建立之規則其在企業財務危機發生前一年的測試集分類正確率最佳預測正確率可達81.1%後,而使用決策樹的正確率可達79.5%。本研究結果顯示出應用基因演算法與決策樹於建立企業財務危機預警之規則的可行性,本預警模型之預測結果可作為企業財務是否健全之參考,企業經營者及財務管理人員並可從中獲得預警,分析潛在問題以便及時掌握企業整體發展狀況。
Prediction of corporate financial distress has long been an important research topic. Such a prediction system can prevent numerous investors from big loss. Banks can also benefit from bankruptcy prediction modeling. Banks need to predict the possibility of default of a potential counterparty before they approve a loan. This can lead to sounder lending decisions, and therefore result in significant savings. To get an idea about the potential impact of the bankruptcy prediction problem, we note that, according to the Financial Supervisory Commission (FSC) in Taiwan, the total volume of outstanding debt accounts with non-performing loans over NT$100 million is about NT$370 billion. An improvement in default prediction accuracy of just a few percentage points can lead to savings of tens of million of dollars.
Many researchers have applied traditional statistical methods and neural networks (NNs) to the prediction of corporate financial distress. Although numerous theoretical and experimental studies reported the usefulness of NNs in corporate financial distress prediction, the main drawback is that the user cannot readily comprehend the final rules that the NN models acquire. This characteristic of NNs is often referred to as ‘black boxes’. To conquer this problem, two approaches, genetic algorithm and decision tree, are used in this study. An advantage of these approaches is that they are capable of extracting rules that are easy to understand for users like expert systems.
The data set contains 244 domestic companies, 122 of which filed for bankruptcy and the other 122 for non-bankruptcy. Twelve financial ratios are used in this study. Computer simulation results show that the rules constructed by genetic algorithm can achieve an accuracy of 81.1%, while the rules constructed by decision tree obtain 79.5% accuracy. The results have demonstrated the feasibility of these approaches.
目錄
目錄 iv
表目錄 vi
圖目錄 vii
第一章 緒論 1
第一節 研究背景 1
第二節 研究目的 4
第三節 研究流程 5
第二章 文獻探討 7
第一節 企業財務危機之定義 7
第二節 企業財務危機預警模式之文獻整理 9
一、 單變量分析 9
二、 多變量分析 10
三、 Logit廻歸分析 12
四、 CUSUM多變量時間序列分析法 13
五、 類神經網路 13
六、 決策樹 15
七、 基因演算法 16
八、 演化式類神經網路 17
九、 模糊類神經網路 17
十、 灰色預測理論 18
十一、 多元適應性雲形廻歸 18
十二、 支援向量機 19
第三節 各資料分類法之比較 21
第三章 研究方法 22
第一節 研究設計架構 22
第二節 研究設計 23
一、 企業財務危機定義 23
二、 資料來源與樣本選取 23
三、 研究範圍與限制 24
第三節 變數選取與說明 26
一、 因變數設計 26
二、 自變數設計 26
第四節 研究方法 29
一、 基因演算法 29
二、 決策樹 35
三、 類神經網路 43
第四章 實驗結果與分析 46
第一節 基因演算法結果 48
第二節 決策樹結果 60
第三節 類神經網路結果 70
第四節 實證分析 72
第五章 結論與建議 74
第一節 研究結論 74
第二節 研究建議 76
參考文獻 78
附錄 84
一、中文文獻:
1.丁一賢、陳牧言,資料探勘,一版,滄海書局,臺中市,2005。
2.王凱仁,建設公司財務危機動態預警模型之研究,國立交通大學土木程學系碩士論文,2003。
3.林文修,演化式類神經網路為基底的企業危機診斷模型:智慧資本之應用,國立中央大學資訊管理研究所博士論文,2000。
4.林群凱,上市公司財務危機預警模式—以非財務資訊及不同預測模型建構,國立成功大學會計學研究所碩士論文,2005。
5.林豐澤,演化式計算上篇:演化式演算法的三種理論模式,智慧科技與應用統計學報,第三卷,第一期,2005。
6.林豐澤,演化式計算下篇:基因演算法以及三種應用實例,智慧科技與應用統計學報,第三卷,第一期,2005。
7.金慧貞,多變量EWMA財務危機預警模型之應用,朝陽科技大學財務金融研究所碩士論文,2002。
8.李允中、王小璠、蘇木春,模糊理論及其應用,一版,全華科技圖書股份有限公司,台北市,2004。
9.李立行,運用現金流量預測企業財務危機之研究-以上市公司紡織業為例,淡江大學管科所碩士論文,1988。
10.李俊毅,應用灰色理論與類神經網路於企業財務危機預警模式之研究,義守大學管理科學研究所碩士論文,1999。
11.李智霖,利用不同分類模式探討財務危機預警模式之建立,銘傳大學資訊管理研究所碩士論文,2005。
12.吳偉文,財務報表分析-國際化、SIS化與經營分析,一版,高立圖書有限公司,臺北市,2000。
13.吳楷華,建構財務預警系統之可行性研究,國立中山大學高階經營碩士班碩士論文,2000。
14.周世燁,運用決策樹於財務危機預警模型之研究,臺灣大學會計學研究所碩士論文,2003。
15.胡效寧,非財務變數與企業失敗之研究,東海大學企業管理研究所碩士論文,2003。
16.洪榮華,不景氣時我國經營不良上市公司財務比率之探討,國立中山大學企業管理研究所碩士論文,1985。
17.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與類神經網路之應用,輔仁大學金融研究所碩士論文,2002。
18.唐恩甜,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,2005。
19.郭晉源,灰色系統應用於企業財務危機預測之研究,國立臺北科技大學商業自動化與管理研究所碩士論文,2002。
20.郭瓊宜,類神經網路在財務危機預警模式之應用,淡江大學管理科學管理研究所,1984。
21.許志鈞,企業財務危機預警模式-基因演算法、倒傳遞網路與遞迴網路之應用,國立臺北大學企業管理學系碩士論文,2003。
22.陳生祥,運用資料探勘技術建構企業財務危機預警模式-結合財務與非財務資料,中原大學資訊管理研究所碩士論文,2005。
23.陳麗芬,樣本偏誤對財務危機預警模型影響之研究,朝陽科技大學財務金融系碩士論文,2004。
24.陳昱均,類神經網路與模糊系統在企業倒閉風險預測之應用,逢甲大學財務金融學研究所碩士論文,2003。
25.陳淑萍,資料探勘應用於財務危機預警模式之研究,銘傳大學資訊管理研究所碩士論文,2002。
26.陳肇榮,運用財務比率預測企業財務危機之實證研究,國立政治大學企業管理研究所博士論文,1983。
27.陳蘊如,財務危機預警制度之研究,國立政治大學會計研究所碩士論文,1981。
28.曾憲雄、蔡秀滿、蘇東興等人,資料探勘,一版,旗標出版股份有限公司,臺北市,2005。
29.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,1993。
30.黃金蓮,台灣上市櫃企業財務績效與外資持股比例之關聯性研究,中原大學會計研究所碩士論文,2001。
31.黃振豊、呂紹強,企業財務危機預警模式之研究-以財務及非財務因素構建,當代會計,第一卷第一期,2000。
32.劉育穎,結合決策樹與遺傳演算法建構不同風險程度之基金投資組合-以國內發行之股票基金為例,中原大學資訊管理研究所碩士論文,2006。
33.劉建和,財務危機診斷的理論探討與實證研究,國立台灣大學商學研究所碩士論文,1985。
34.劉易昌,支援向量機於財務預測上之應用,靜宜大學資訊管理研究所碩士論文,2004。
35.劉麗蘭,以決策樹分析台灣上市櫃紡織業公司的財務危機,逢甲大學經營管理碩士在職專班碩士論文,2006。
36.廖鴻翰,以基因演算法建構類神經網路模型,大葉大學電機工程研究所碩士論文,1998。
37.蔡安燦,運用基因演算法以輔助股票市場投資人判斷進場時機之研究,國立台灣科技大學資訊管理研究所碩士論文,2005。
38.蔡秋桐,應用遺傳基因演算法求比流器的JA模型參數最佳化,逢甲大學電機工程學系碩士班碩士論文,2005。
39.歐陽平,以遺傳演化類神經網路對初次上市公司股票建構價格預測模式-以上市公司電子股為例,東吳大學經濟學系碩士在職專班碩士論文,2002年。
40.鄭丞君,資料挖掘技術在旅遊行銷之應用,南華大學資訊管理系碩士論文,2004。
41.鄭志強,以決策樹演算法建構台灣企業財務危機預警模式,銘傳大學資訊管理研究所碩士論文,2006。
42.鄭碧月,上市公司營運危機預測模式之研究,朝陽技術學院財務金融研究所碩士論文,1997。
43.鄭孟玉,運用模糊類神經理論建構我國上市公司降為全額交割之預警模式研究,逢甲大學會計與財稅研究所碩士論文,2000。
44.潘玉葉,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,1990。
45.諶香伶,整合傳統財務指標與智慧資本指標之財務危機預警模式—類神經網路模型與存活分析之比較,國立臺北大學企業管理學系碩士論文,2004。
46.謝智安,企業財務危機預測之研究,國立中正大學國際經濟研究所碩士論文,2004。
47.簡德年,智慧資本構面下企業危機診斷模式之建構—類神經網路、分類廻歸樹與鑑別分析方法之應用,國立台北科技大學商業自動化與管理研究所碩士論文,2000。
48.賴以建,基因演算法、類神經網路及決策樹於財務危機預警模式之應用研究,國立臺北大學企業管理學系碩士論文,2003。

二、英文文獻:
49.Altman, E. I., “Financial ratios, discriminant analysis and the prediction of corporate bankruptcy”, Journal of Finance, 23(4), pp. 589-609, 1968.
50.Back, B., Laitinen, T. and Sere, K., “Neural networks and genetic algorithms for bankruptcy predictions”, Expert Systems with Applications, pp. 407–413, 1996.
51.Beaver, W. H. ,“Financial ratios as predictors of failure”, Journal of Accounting Research,4, pp. 71-111, 1966.
52.Blum, M., “Failing company discriminated analysis”, Journal of Accounting Research, 12, pp.1-25, 1974.
53.Breiman, L., Friedman, J. H., Olshen, R. A., and Stone, C. J., “Classification and regression trees”, Chapman & Hall, New York, 1984.
54.Bryant, M. S., “A case-based reasoning approach to bankruptcy prediction modeling”, Intelligent Systems in Accounting, Finance and Management, 6, pp.195-214, 1997.
55.Carmichael, D. R., ”The auditor's reporting obligation, auditing research monograph”, no. 1 New York: AICPA, 1972.
56.Coats, P. K. and Fant, L. F., “Rrecognizing financial distress patterns using a neual network tool”, Financial Management, pp. 142-155, 1993.
57.Cybenko, G., “Approximations by superposition of a sigmoidal function,” Mathematics of Control, Signal and Systems, vol. 2, pp. 303-314, 1989.
58.Deakin, E. B., “A discriminant analysis of predictors of business failure”, Journal of Accounting Research, 10, pp. 167-179, 1972.
59.Deangelo, H. and Deangelo, L., “Devidend policy and financial destress: An empirical investigation of NYSE firms", Journal of Finance (45), pp. 1415-1431, 1990.
60.Fan, A. and Palaniswami, M., ”A new approach to corporate loan default prediction from financial statements”, Proceedings of the Computational Finance/Forecasting Financial Markets Conference CF/FFM-2000, London, May 2000.
61.Fernandez, E. and Olmeda, I., “Bankruptcy prediction with artificial neural networks”, Lect. Notes Comput. Sc., pp. 1142-1146, 1995.
62.Frydman, H., Altman, E. I. and Kao, D., “Introducing Recursive Partitioning for financial classification: the case of financial distress”, Journal of Finance, 40(1), pp. 269-291, 1985.
63.Holland, J. H., “Adaptation in natural and artificial systems”, University of Michigan, Cambridge, MIT Press, MA, 1975.
64.Hornik, K., Stinchcombe, M. and White, H., “Multilayer feedforward networks are universal approximators”, Neural Networks, vol. 2, pp. 359-366, 1989.
65.Joy, M. O. and Tollefson, J. O., “On the financial applications of discriminant analysis”, Journal of Financial and Quantitative Analysis, pp. 723-739, 1975.
66.Kass, G. V., “An exploratory technique for investigating large quantities of categorical data”, Applied Statistics, vol. 29(2), pp. 119-127, 1980.
67.Koh, H. C. and Tan, S. S., “A neural network approach to the prediction of going concern status”, Accounting and Business Research, 29(3), pp. 211-216, 1999.
68.Mckee, T. E. and Lensberg, T., “Genetic programming and rough sets: A hybrid approach to bankruptcy classification”, Journal of Operational Research, 138(2), pp. 436-451, 2002.
69.Mossman, C. E., Bell G. G., Swartz, L. M. and Turtle, H., “An empirical comparison of bankruptcy models”, The Financial Review, 33, pp. 35-53, 1998.
70.Odom, M. D. and Sharda, R., “A neural network model for bankruptcy prediction”, Proceedings of the IEEE International Conference on Neural Network, 2, pp. 163-168, 1990.
71.Ohlson, J. A., “Financial ratios and the probabilistic prediction of bankruptcy”, Journal of Accounting Research, 18(1), pp. 109-131, 1980.
72.Ross, S. A., Westerfield, R. W. and Jaffe, J., “Corporate finance”, 7th Edition, McGraw-Hill Irwin, 2005.
73.Shin, K. S. and Lee, Y. J., “A genetic algorithm application in bankruptcy prediction modeling”, Expert Systems with Applications, 23(3), pp. 321-328, 2002.
74.Shin, K. S. and Han, I., “Case-based reasoning supported by genetic algorithms for corporate bond rating”, Expert Systems with Applications, 16(2), pp. 85-95, 1999.
75.Smith, R. F. and Winakor, A. H., “Changes in financial structure of unsuccessful industrial companies”, Bureau of Business Research, University of Illinois, 1935.
76.Sung T. K., Chang, N., and Lee, G., “Dynamics of modeling in data mining: Interpretive approach to bankruptcy prediction”, Journal of Management Information Systems, 16(1), pp. 63-85, 1999.
77.Tam, K. Y., and Kiang, M. Y., “Managerial applications of neural networks: The case of bank failure predictions”, Management Science, 38(7), pp.926-947, 1992.
78.Theodossiou, P., and Kahya, E., “Predicting corporate financial distress: A time-series CUSUM methodology”, Review of Quantitative Finance and Accounting, vol. 13, pp. 323~345, 1999.
79.Zmijewski, M. E., “Methodological issues related to the estimation of financial distress prediction models”, Journal of Accounting Research, 22, pp. 59-82, 1984.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top