本研究應用資訊技術的人工智慧分類及預測模型來建立台灣銀行業的信用評等模型。以2004年至2009年為研究實驗區間，國內銀行業為研究實驗對象，選取1979年美國聯邦金融機構檢查評議委員會提出銀行評等制度，以安全性及健全性作為指標基礎，包括：資本適足性、資產品質、管理能力、盈利性及流動性等。進行自組織映射神經網路分類評估及倒傳遞類神經網路特徵學習，期望能降低評等機構之人為主觀性，更快速反映銀行業資產體質揭露。
多年來的財務槓桿化被視為支撐銀行業資產品質的要因。而美國銀行業過度的財務槓桿運作，由各國政府、銀行及投資大眾共同分攤風險。在2007年中～2008年因連動債發生全球信貸危機與金融風暴，國際信評公司在這波金融風暴，預警制度卻完全失靈。信用評等的公信力明顯失控，導致全球各界開始質疑外部信評機構的即時性、公正性。若能建立資訊技術來降低人為主觀性的信用評等模型來檢定企業體質，將可降低信評機構人為因素的過度干擾評等之公正性，並提升評等的可信度及透明度等問題。
實證研究結果顯示，對於以財務比率指標為變數，可預測銀行業信用評等體質的強弱。本研究亦證實透過自組織映射圖神經網路與倒傳遞類神經網路的結合，預測評等體質強弱之準確度優於倒傳遞類神經網路，另外亦發現將國際信用評等納入考量，確實有較佳的體質強弱預測表現。

This research applies IT’s artificial intelligence classification and forecast model to establish a credit rating model for the banking industry in Taiwan. In this research, we use domestic banking industry as the study object and the study period is between year 2004 and 2009; we choose the credit rating system proposed by the U.S. Federal Financial Institutions Examination Council in 1979, which is based on the level of security and soundness, including capital adequacy, asset quality, management ability, profitability and liquidity. We perform Self-Organization Map for classification and evaluation, as well as Back-Propagation Network for characteristic learning. It is expected to reduce credit rating agency’s subjectivity and to promptly reveal the asset condition in banking industry.
For years, the leveraged finance has been considered as the reason that supports the asset quality of banking industry. The risk from U.S. banking industry’s excessive operation of leveraged finance has been shared by various governments, banks and investors. The structured note caused the global credit and financial crisis in year between 2007 and 2008. The forecasting system of international credit rating company was not working properly during this financial crisis. The public credibility of credit rating was obviously out of control, and this causes people to doubt credit rating agency’s ability of instantaneous awareness and fairness. If we are able to establish a credit rating model with information technology and lower subjectivity to evaluate enterprises’ financial condition, then we can reduce the human factor from credit rating agency that causes the fairness and increase the reliability and visibility of credit rating.
From the experimental results, to evaluate banking industry's credit rating with financial ratio index as variables. This research is based on the combination model of Self-Organization Map and Back-Propagation Network, besides we found that the integrate model is superior to the back-propagation neural network model. In addition, we also discover that the forecasting model works better if the international credit rating is taken into consideration.

第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 2
1.3 研究範圍與限制 2
1.4 研究流程 3
1.5 論文架構 4
第二章 文獻探討 5
2.1 信用評等制度 5
2.1.1 信用評等意義 5
2.1.2 信用評等功能 6
2.1.3 國內外信用評等機構 7
2.1.4 信用評等符號指標 9
2.1.5 信用評等指標相關文獻 14
2.1.6 小結 16
2.2 CAMEL財務比率指標 16
2.2.1 CAMEL財務比率指標簡介 16
2.2.2 CAMEL財務比率指標相關文獻 16
2.2.3 小結 18
2.3 自組織映射圖神經網路 18
2.3.1 自組織映射圖神經網路簡介 18
2.3.2 自組織映射圖神經網路相關文獻 18
2.3.3 小結 19
2.4 倒傳遞類神經網路 19
2.4.1 倒傳遞類神經網路簡介 20
2.4.2 倒傳遞類神經網路相關文獻 20
2.4.3 小結 21
第三章 研究方法 22
3.1 自組織映射圖神經網路簡介 22
3.2 自組織映射圖網路學習演算法 24
3.3 倒傳遞類神經網路簡介 25
3.4 倒傳遞類網路學習演算法 26
3.5 研究模型架構 29
3.6 資料處理 29
3.6.1 資料蒐集 29
3.6.2 資料前處理 30
3.6.3 一階變量處理 31
3.6.4 正規化方法 32
3.7 財務比率指標選取 32
3.8 信用評等指標選取 33
3.9 財務行為分群模型 34
3.10 銀行體質強弱評估模型 35
3.11 模型驗證 36
第四章 實證結果與分析 37
4.1 模型分析工具 37
4.1.1 混亂矩陣(模型精準性) 37
4.1.2 敏感性分析(變數影響性) 37
4.1.3 信用等級移轉矩陣(變動趨勢走向) 37
4.2 模型精準性分析 38
4.2.1 倒傳遞類神經網路模型 38
4.2.2 自組織映射圖加倒傳遞類神經網路模型 39
4.2.3 模型精準性分析比較 40
4.3 變數影響性分析 40
4.4 變動趨勢走向分析 42
4.5 案例分析 43
4.5.1 寶華銀行 43
4.5.2 慶豐銀行 44
第五章 結論與建議 46
5.1 研究結論 46
5.2 後續研究建議 46
參考文獻 47
中文文獻： 47
英文文獻： 49
參考網站： 51
附錄一 本研究選取之銀行列表 52
附錄二 財務指標計算公式與說明 55
附錄三 財務比率指標內插法計算公式 58
附錄四 企業體質模型群聚圖 59
附錄五 分群模型之銀行列表 60
附錄六 分群模型之銀行特質 61

1.李淑君(2008)，「以階層式自組織映射圖神經網路於動態金融環境之異常財務行為發現」，國立交通大學資訊管理所碩士論文。
2.沈紋任(2005)，「使用SOM技術建構視覺化財務預警模型」，國立交通大學財務金融所碩士論文。
3.李美樺(2002)，「台灣綜合證券商信用評等實證模型之研究」，國立中正大學企業管理學系碩士論文。
4.何金珍(1993)，「台灣地區銀行財務績效之研究」，靜宜大學管理科學研究所碩士論文。
5.林尚志(2004)，「我國公司治理評等指標建立之研究」，國立政治大學會計研究所碩士論文。
6.紀宗利(2003)，「建構我國產險業信用評等制度之研究」，高雄第一科技大學風險管理與保險系碩士論文。
7.施柏屹(2000)，「倒傳遞類神經網路學習收斂之初步探討」，國立中央機械工程所碩士論文。
8.郭素陵(2001)，「本國銀行信用評等實證模型之研究」，中正大學企業管理研究所碩士論文。
9.徐元發(2001)，「我國上市櫃商業銀行經營績效評鑑之研究」，中原大學企業管理研究所碩士論文。
10.張芷葳(2006)，「信用評等資訊公佈對股價之影響」，義守大學管理研究所碩士論文。
11.張振魁(2000)，「以類神經網路提高股票單日交易策略之獲利」，國立中央資管所碩士論文。
12.黃閔淞(2007)，「應用自組織映射神經網路進行公司動態財務行為之體質檢定」，國立交通大學資訊管理研究所碩士論文。
13.黃昶學(2007)，「銀行信用評等模型之研究」，暨南國際大學資訊管理學系碩士論文。
14.游淑萍(2002)，「信用評等展望變化和股價相關研究」，國立交通大學管理科學研究所碩士論文。
15.葉怡成，類神經網路模式應用與實作，儒林圖書公司，台北，2003年。
16.蔡孟哲(2006)，「應用通用迴歸神經網路建構本國銀行信用評等模式－以CAMELS分析」，國防大學國防管理學院資源管理研究所碩士論文。
1.Altman, Edward I., "Financial ratios Discriminant Analysis, and the Prediction of Corporate Bankruptcy," Journal of Finance, Steptember 1968.
2.Chambers,Anne E. and Stephen H. Penman(1984) TimeLiness of Reporting and the Stock Price reaction to Earnings Announcements. Journal of Accounting Research, V22, 21-47.
3.Dichev, Ilia D. and Joseph D. Piotroski (2001), " The long-run stock returns following bond ratings changes, "Journal of Finance 56, pp.173-203.
4.Jonas Karlsson , Barbro Back , Hannu Vanharanta , Ari Visa, "Analysing Financial Performance with Quarterly Data using Self-Organising Maps.", TUCS Technical Report No. 430, Turku, 2001.
5.Kuhner, Christoph (2001) Financial Rating Agencies: Are They Credible?－Insights into the Reporting Incentives of Rating Agencies in Times of Enhanced Systemic Risk. Schnalenbach Bussiness Revies, 53, 2-26
6.Kohonen, Tuevo, "Self-Organized Formation of Topologically correct Feature Maps.", Biological Cybernetics 43(1) , pp. 141~152, 2000.
7.Odom,M.D.,and Sharda.R.,"A neural network model for bankruptcy prediction,"Proceedings of the IEEE International Conference on Neural Networks 12:163-168,1990
8.Partnoy , Frank (1999) The Siskel and Ebert of Financial Markets: Two Tumbs on Down for the Credit Rating Agencies. Washington University Law Quarterly, 77,619-712
9.Tam, K. Y. and Melody, Y. K> (1992)，"Managerial Application of Neutral Networks: The Case of Bank Failure Predictions", Magement Science, Vol.38,No7,pp.926-947.
10.Whalen, G. (2005)，"A hazard model of CAMELS downgrades of low-risk community banks",Economics Working Paper,2005-1,pp.1-33.
11.West, R, C. (1985), "A Factor Analytic Approach to Bank Condition", Journal of Banking and Finance, Vol.15, No.1, pp.226-253.
12.Wansley, James W., and Terrence C. Clauretie (1985) The Impact of CreditWatch Placement on Equity Returns and Bonf Prices. Journal of Financial Research, 8, 31-42
13.Wakeman, L. MacDonald. (1981) The Real Function of Bond Rating Agencies. Chase Financial Quarterly, 18-26.