臺灣博碩士論文加值系統

企業營運狀況會定期反應在財務報表上，但通常卻需要等到財務問題揭露後，外界才能警覺到該公司是否出現財務困難，然而財務危機之發生常有跡可尋，透過適當的危機模型之運用，有助於事先捕捉可能發生之風險。因此，建構適當之危機預警模型長久以來為產學兩界之重要課題。
本研究以2006至2010年為觀察期，採台灣的下游電子產業為對象。其中，危機公司樣本14家，配對的正常公司有28家，合計42家。實證分析採基因演算法(Genetic Algorithm)結合支援向量機(Support Vector Machine) 二種方法建構危機預警模型，並將其結果與倒傳遞類神經網絡模型(Back-propagation Neural　Network,　BPNs)之結果比較，借以檢視
ＧＡ-ＳＶＭ之精確性，及其是否為下游電子產業的評估信用危機之較佳預測模型。實證結果發現，ＧＡ-ＳＶＭ之精確性優於常被使用之傳統人工智慧ＢＮＰ模型，適合於樣本產業之危機預警。

The performance of company is reflected on the financial statements periodically, but outsiders can not perceive a financial crisis until the underlying financial problem is disclosed. In fact, a financial crisis take times to happen and hence can be traced by certain signs. Thus, a proper risk prediction model can help to diagnose a possible risk in advance. Therefore, a formulation of early warning model is an important issue for both academic an industry.

The objective of this study is investigate whether GA-SVM is a propitiate early warning model for the lower-stream electronic industry in Taiwan. The study adopts the lower-stream electronic firms listed in TSE or OTC in Taiwan as sample, covering a period from 2006 to 2010. The sample firms consists of 14 hazard firms and 28 matched firms. The accuracy of GA-SVM is compared with which of traditional BPN model. Empirical result suggests that our alternative approach outperforms the traditional BPN approach in terms of both prediction accuracy and prediction errors, RMSE.

誌 謝 i
中文摘要 ii
英文摘要 iii
目 錄 iv
圖 目 錄 vii
第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 3
第三節 研究架構 4
第二章 文獻回顧 6
第一節 信用評等 6
第二節 國內外財務危機預警文獻 7
第三章 研究方法與資料來源 17
第一節 基因演算法 17
第二節 支援向量機 23
第三節 類神經網路 33
第四節 交叉驗證法 43
第五節 資料來源 44
第四章 實證結果與分析 49
第一節 樣本敘述性統計與差異性檢定 49
第二節 變數篩選結果與分析 53
第三節 預警模型預測能力之比較 55
第五章 結論與建議 56
第一節 研究結論 56
第二節 後續研究之建議 58
參考文獻 59

圖目錄
圖1.1 研究架構圖 5
圖3.1 基因演算法支處理流程圖 18
圖3.2 基因編碼 19
圖3.3 單點交配 21
圖3.4 兩點交配 21
圖3.5 基因突變 22
圖3.6 最佳區分超平面 24
圖3.7 最大邊界圖 26
圖3.8 線性不可分支援向量機分類示意圖 30
圖3.9 原始資料透過Φ轉換到特徵空間中 31
圖3.10 類神經網路處理單元之基本運作 34
圖3.11 倒傳遞類神經網路之運作架構 35
圖3.12 倒傳遞類神經網路之訓練流程圖 42

表目錄
表3.1 財務比率變數表 45
表4.1 樣本敘述性統計與差異性檢定 50
表4.2 財務比率變數篩選結果表 53
表4.3 模型預測準確率與均方跟誤差比較表 55

一、中文部份
1.王瑞銘(2008)，「利用分量迴歸法探討KMV信用風險模型：違約點定義之探討」，國立中山大學財務管理學系在職專班碩士論文。
2.方敬霖(2008).「企業信用風險評估-Hybrid模型之運用」.東吳大學.企業管理學系.碩士論文。
3.何太山，「運用區別分析建立商業銀行放款信用評分制度」，國立政治大學管理研究所碩士論文，民國六十六年。
4.余達人(2007)，「應用支援向量機於信用評估之研究，義守大學資訊管理研究所碩士論文。
5.林妙宜(2002)，「信用風險之衡量」，國立政治大學金融研究所碩士論文。
6.林豐澤 (2005)，「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，29-56頁。
7.林信伊 (2010).「中小企業信用評分模型之建構」.臺北大學.統計學系.碩士論文。
8.林裕晟(2010).「考慮景氣循環趨勢應用資料探勘於企業財務危機預測」.高雄大學.資訊管理學系碩士班.碩士論文。
9.官旻慧(2005)，「財務比率衡量公司信用風險」，世新大學財務金融研究所碩士論文。
10.范鴻晸（2006），智慧資本於財務危機預警模式之應用，朝陽科技大學財務金融所碩士論文。
11.徐瑋佑(2007)， 「互聯電力系統中自動發電控制最佳化之研究」.中原大學.機械工程研究所.碩士論文。
12.陳明賢(1986)，「財務危機預警之計量分析研究」，台灣大學商學研究所碩士論文。
13.陳竹瑩(2010)，「應用類神經網路於銀行信用風險管理之研究－以本國某銀行為例」，佛光大學管理研究所碩士論文。
14.陳佳郁(2011)，「考慮景氣趨勢應用粒子群最佳化與支援向量機於財務危機預測」，台中技術學院資訊工程研究所碩士論文。
15.陳建賓 (2003)，「加入公司治理指標的公司財務危機預測： Logistic 模型的應用」，淡江大學財務金融所碩士論文。
16.陳肇榮(1983)，「 財務比率預測財務危機之實證研究」，政治大學 企業管理研究所博士論文。
17.黃明祥、李彥瑾 (2010)，「基因演算法結合支援向量機作為企業財務危機預警模型可行性之研究」，2010年國際企業經營暨服務科學學術研討會，論文集。
18.黃明祥、許光華、黃榮彬、陳鈺玲（2005），「KMV模型在台灣金融機構信用風險管理機制有效性之研究」，財金論文叢刊，第三期，29-50。
19.黃承龍、陳穆臻與王界人 (2004) .「支援向量機於信用評等之應用」.計量管理期刊.第一卷第二期.155-172頁
20.葉怡成 (2009)，「類神經網路模式應用與實作」，儒林圖書有限公司，台北。
21.雷祖強、周天穎、萬絢、楊龍士與許晉嘉 (2007) .「空間特徵分類器支援向量機之研究」.航測及遙測學刊.第十二卷.第二期.145-163頁
22.潘玉葉 (1990)，「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。
23.蔡戊鑫(2003)，「建構台灣大型企業財務危機預警模式」，國立中正大學國際經濟所碩士論文。
24.會計研究月刊(2011)，「監管全球系統性重大銀行，Basel要求額外資本1%-2.5%」，會計研究月刊第309期p.24-25。
25.羅聖雅 (2007) .「應用分量廻歸模形於財務危機的探討」.創新研發學刊.第六卷.第二期.

二、英文部分
1. Altman, E. I. (1968), “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy,” Journal of Finance, 23, 4, 589-609.
2. Beaver, W. H. (1966), “Financial Ratio as Prediction of Failure,” Empirical Research in Accounting, supplement, 71-111.
3. Blum, M. (1974), “Failure Company Discriminant Analysis,” Journal of Accounting Research, 12, 1, 1-25.
4. Collins, R. A. and Green, R. D., (1982), “Statistical Methods for Bankruptcy
Forecsting,” Journal of Economics and Business, 34, 4, 349-354.
5. Chaveesuk, R., Srivaree-Ratana, C., &; Smith, A. (1997). Alternative Neural Network Approach to Corporate Bond Rating. Journal of Engineering Valuation and Cost Analysis, 2,117-131.
6.Coats, P. K. and L. F. Fant (1993), “Recognizing financial distress patterns using a neural network tool,” Financial Management, Vol. 22, No. 3, pp. 307-327.
7.Goldberg, D. E. (1989), Genetic algorithms in search, optimization and machine learning, Reading, MA: Addison Wesley.
8.Deakin, E. B. (1972),“A Discriminant Analysis of Predictors of Business Failure,” Journal of Accounting Research, 10, 1, 167-179.
9.Fletcher, D and E. Goss (1993), “Forecasting with neural network: An application using bankruptcy data,” Information and Management, Vol. 24, No. 3, pp. 159-167.
10. Holland, J. H. (1975), Adaptation in natural and artificial systems, Ann Arbor, MI: The University of Michigan Press.
11. Hopwood, W., Mckeown J. C., Mutchler J. F.（1994）, “A Reexamination of Auditor versus Model Accuracy within the Context of the Going-concern Opinion Decision,” Contemporary Accounting Research, Vol.10, pp.409-431.
12. Hu, Y. C., Ansell, J.（2006）, “Developing Financial Distress Prediction Models Developing Financial Distress Prediction Models A Study of US, Europe and Japan Retail Performance,” The joint 14th annual Pacific Basin Finance, Economics, and Accounting and 2006 annual Financial Engineering Association of Taiwan Conference.
13. Koh, H. C., Tan, S. S.（1999）, “A neural network approach to the prediction of going concern status,” Accounting and Business Research, Vol.21, pp.211-216.
14. Laitinen,E.K.(1991) ,“Financial Ratios and Different Failure Progress. Journal of Business Finance &; Accounting, pp.649-673.
15. Lau, H. L.（1987）, “A Five-State Financial Distress Prediction Model,” Journal of Accounting Research, Vol.25, No.1, pp.127-138.
16. Min, S. H., J. Lee and I. Han (2006), “Hybrid genetic algorithms and support vector machines for bankruptcy prediction,” Expert Systems with Applications, Vol.31, pp. 652-660.
17. Odom, M. D., Sharda, R.,（1990）, “A Neural Network Model for Bankruptcy Prediction,” Proceedings of the IEEE International Conference on Neural Networks, pp.163-168.
18. Ohlson, J. A. (1980), “Financial Ratios and Probabilistic Prediction of Bankruptcy,” Journal of Accounting Research, 19, 1, 109-131.
19. Shin, K. S. and Y. J. Lee (2002), “A Genetic Algorithm Application in Bankruptcy Prediction Modeling,” Expert Systems with Applications, Vol. 23, No. 3, pp. 321-328.
20. Wruck, K. H.（1990）, “Financial Distress, Reorganization, and Organizational Efficiency,” Journal of Financial Economics, Vol.27, pp.419-444.
21.Wu, C. H., G. H. Tzeng, Y. J. Goo and W. C. Fang (2007), “A real-valued genetic optimize the parameters of support vector machine for predicting bankruptcy,” Expert Systems with Applications, Vol. 32, No. 2, pp. 397-408.
22. Zeitun, R., Tian, G., Keen, S.（2007）, “Default Probability for the Jordanian Companies: A Test of Cash Flow Theory,” International Research Journal of Finance and Economics, Vol.8, pp.147-162.

網址文獻
1、公開資訊觀測站
http://newmops.tse.com.tw/
2、台灣經濟新報社
http://www.tej.com.tw/twsite/
3、台灣證券交易所
http://www.tse.com.tw
4、行政院主計處
http://www.dgbas.gov.tw/mp.asp?mp=1
5、中華民國統計資訊網
http://www.stat.gov.tw/