臺灣博碩士論文加值系統

新巴塞爾協定 (The New Basel Capital Accord) 允許採用內部評等法 (Internal Ratings-Based, IRB) 的金融機構可自行發展其信用評分模型，而評分模型是銀行做為區別授信戶是否可能違約的重要依據，其區別授信戶的能力稱之為評分模型區別力 (Discriminatory power)。本文主要藉由財團法人金融聯合徵信中心之資料計算模型區別力指標估計值及其信賴區間，並探討模型區別力指標之穩健性。
本研究所使用的區別力指標 KS (Kolmogorov-Smironov)、AUC (Area under curve) 和AR (Accuracy Ratio) 來判斷模型的優劣，結果發現當放款對象不同且放款家數相同時，放款對象違約比率較低的銀行其區別力指標會較高，但指標較不穩定 (信賴區間較寬)；此外在違約比率相同的情況之下，放款家數較少的銀行其區別力指標會較高，但指標也較不穩定。在判斷評分模型之好壞時，除了區別力指標外，還需輔以區別力指標信賴區間。

The New Basel Capital Accord permits a financial institution which uses the Internal Ratings-Based Approach to build its internal credit rating model which is the key to tell if obligors will default or not. The ability of distinguishing obligors is called the discriminatory power of credit rating model. In this research, with data set provided by Joint Credit Information Center (JCIC), we calculate the confidence intervals of discriminations - KS、AUC and AR and discuss the stability property of discrimination. We found that when a bank has lower default rate, the discriminatory index is higher but the index is unstable (i.e. the confidence interval of the discriminatory power is wider). Also, given a fixed default rate, when a bank has fewer obligors, its discriminatory power will be generally higher but the index is also unstable. We conclude that when judging a credit rating model, in addition to the discriminatory power, regulator should also consider its confidence interval together.

目錄
1. 前言 1
2. 研究方法 2
2.1 研究設計 2
2.2 區別力指標方法 3
2.2.1 K-S 檢定法 3
2.2.2 ROC 曲線(Receiver Operating Characteristic curve)和 AUC 4
2.2.3 CAP(Cumulative Accuracy Profile)曲線分析和 AR 6
2.3 拔靴法 7
3. 研究資料 8
4. 聯徵中心企業評分模型之區別力指標實證分析 12
4.1 聯徵中心評分模型之區別力指標估計值與信賴區間 12
4.2 授信戶個數對評分模型區別力指標估計值與信賴區間之影響 14
4.2.1 單年重抽樣且違約比率與母體約相同 15
4.2.2 單年重抽樣且違約比率固定 17
4.3 八年隨機重抽樣且違約比率與母體約相同 21
5. 結論 22
參考文獻 23
附錄
A. 聯徵中心評分之 AUC 和 AR 估計值與信賴區間 25
B. 單年重抽樣且違約比率與母體約相同之 AUC 和 AR 估計值 與信賴區間 27
C. 單年重抽樣且違約比率固定之 AUC 和 AR 估計值與信賴區 間 30
D. 八年隨機重抽樣之 AUC 和 AR 估計值與信賴區間 36


表目錄
表 1 給定截斷點下的決策結果 4
表 2 各年無財報非公開發行公司與營建業之違約比率 9
表 3 無財報非公開發行公司和營建業區別力指標的估計值與信賴區間 12
表 4 無財報非公開發行公司和營建業的 KS 分析表 13
表 5 各年無財報非公開發行公司之重抽樣違約比率表 15
表 6 各年營建業之重抽樣違約比率表 15
表 7 無財報非公開發行公司和營建業重抽樣違約比率與母體約相同的 KS 分析表 17
表 8 無財報非公開發行公司和營建業違約比率固定的 KS 分析表 20
表 9 無財報非公開發行公司和營建業八年隨機重抽樣且違約比率與母體約 相同的 KS 分析表 22

附表 1 無財報非公開發行公司和營建業的 AUC 分析表 26
附表 2 無財報非公開發行公司和營建業的 AR 分析表 27
附表 3 無財報非公開發行公司和營建業重抽樣違約比率與母體約相同的 AUC 分析表 29
附表 4 無財報非公開發行公司和營建業重抽樣違約比率與母體約相同的 AR分析表 29
附表 5 無財報非公開發行公司和營建業重抽樣違約比率固定的 AUC 分析 表 34
附表 6 無財報非公開發行公司和營建業重抽樣違約比率固定的 AR 分析 表 35
附表 7 無財報非公開發行公司和營建業八年隨機重抽樣且違約比率與母體 約相同的 AUC 分析表 37
附表 8 無財報非公開發行公司和營建業八年隨機重抽樣且違約比率與母體 約相同的 AR 分析表 37

圖目錄
圖 1 ROC 曲線 5
圖 2 CAP 曲線 6
圖 3 各年無財報非公開發行公司評分資料直方圖 9
圖 4 各年營建業評分資料直方圖 10
圖 5 無財報非公開發行公司與營建業 KS 估計值和信賴區間 13
圖 6 無財報非公開發行公司與營建業重抽樣違約比率與母體約相同之 KS 估計值和信賴區間 16
圖 7 無財報非公開發行公司與營建業違約比率固定之 KS 估計值和信賴區 間 19
圖 8 無財報非公開發行公司與營建業八年隨機重抽樣且違約比率與母體約 相同之 KS 估計值和信賴區間 21

附圖 1 無財報非公開發行公司與營建業 AUC 估計值和信賴區間 25
附圖 2 無財報非公開發行公司與營建業 AR 估計值和信賴區間 26
附圖 3 無財報非公開發行公司與營建業重抽樣違約比率與母體約相同之
AUC 估計值和信賴區間 28
附圖 4 無財報非公開發行公司與營建業重抽樣違約比率與母體約相同之 AR 估計值和信賴區間 28
附圖 5 無財報非公開發行公司與營建業重抽樣違約比率固定之 AUC 估計值和信賴區間 31
附圖 6 無財報非公開發行公司與營建業重抽樣違約比率固定之 AR 估計值和信賴區間 33
附圖 7 無財報非公開發行公司與營建業八年隨機重抽樣且違約比率與母體約
相同之 AUC 估計值和信賴區間 36
附圖 8 無財報非公開發行公司與營建業八年隨機重抽樣且違約比率與母體約
相同之 AR 估計值和信賴區間 36

參考文獻
1.孫誼銘，王思芳 (2004). “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，第一卷，第一期，111-125頁。
2.Basel Committee on Banking Supervision (2005). “Studies on the validation of internal rating systems.” Working paper No.14, Bank for International Settlements.
3.Davison, A. C. and Hinkley, D. V. (1997). Bootstrap Methods and Their Application. Cambridge University Press.
4.Deutsche Bundesbank (2003). “Approaches to the validation of internal rating system.” Monthly report from Deutsche Bundesbank Vol. 55, No. 9, 59-71.
5.Efron, B. (1987). “Better bootstrap confidence intervals.” Journal of the American Statistical Association Vol. 82, No. 397, 171-185.
6.Efron, B. and Tibshirani, R. J. (1993). “An Introduction to the Bootstrap.” Chapman & Hall, New York.
7.Engelmann, B., Hayden, E. and, Tasche, D. (2003). “Measuring the discriminative power of rating systems.” Discussion paper No. 1, Deutsche Bundesbank Series 2: Banking and Financial Supervision.
8.Engelmann, B., Hayden, E. and Tasche, D. (2003). “Testing rating accuracy.” Risk Vol. 16, No. 1, 82-86.
9.Keenan, S. C. and Sobehart, J. R. (1999). “Performance measures for credit risk models.” Moody’s Research Report, Oct, New York.
10.Kosorok, M. R. (1999). “Two-sample quantile tests under general conditions.” Biometrika, Vol. 86, No. 4, 909-921.
11.Macskassy, S. A. and Provost, F. (2005). “ROC confidence bands: an empirical evaluation.” Proceedings of the 22nd international conference on machine learning, Bonn, Germany.
12.Satchell, S. and Xia, W. (2006). “Analytic models of the ROC curve: Applications to credit rating model validation.” Research paper No. 181, Quantitative Finance Research Center.
13.Skalska, H. and Freylich, V. (2006). “Web-bootstrap estimate of area under ROC curve.” Austrian Journal of Statistics Vol. 35, No. 2&3, 325-330.
14.Sobehart, J., Keenan, S. and Stein, R. (2001). “Benchmarking quantitative default risk models: A validation Methodology.” Algo Research Quarterly, Vol. 4, No. 1, 57-72.