跳到主要內容

臺灣博碩士論文加值系統

(3.231.230.177) 您好!臺灣時間:2021/08/04 10:54
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

: 
twitterline
研究生:陳淑媛
研究生(外文):CHEN, SHU-YUAN
論文名稱:新巴塞爾資本協定下信用風險評等與財務危機預警模型於銀行授信決策之應用
論文名稱(外文):The Application on Bank Credit Decisions Using Credit Risk Rating and Financial Distress Prediction Model Under the New Basel Capital Accord
指導教授:盧瑞山盧瑞山引用關係
指導教授(外文):LU, RUEI-SHAN
口試委員:張正弘余尚武
口試日期:2012-06-14
學位類別:碩士
校院名稱:德明財經科技大學
系所名稱:資訊科技與管理研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:106
中文關鍵詞:新巴塞爾資本協定授信決策自我組織映射圖網路K平均數集群法徑向基函數類神經網路
外文關鍵詞:Basel IICredit decisionSOMK-MeansRBFN
相關次數:
  • 被引用被引用:5
  • 點閱點閱:606
  • 評分評分:
  • 下載下載:179
  • 收藏至我的研究室書目清單書目收藏:0
2008年年底全球金融海嘯危機,此次肇禍並引發一連串連鎖效應的衍生性金融商品在可見的未來將呈現負成長,銀行將回歸到單純的金融商品,例如:房貸、車貸、信貸。根據國際清算銀行的統計,銀行所面臨的經營風險中以信用風險所占的比例最高,約為六成左右,因此信用風險管理的優劣對於銀行影響甚鉅。

本研究以新巴塞爾資本協定(Basel IIII)中信用風險的內部評等基礎法之規範為依循,以徑向基函數類神經網路(RBFN)建置兩種模型。研究結果顯示,信用評等模型可有效估計交易對手的信用評等和違約機率;風險預警模型的整體預測率達92.86%,顯示模型在預警能力上有不錯的效度水準,藉由此多維度的信用風險分析結果來做為銀行是否放款給交易對手的決策依據。

人工智慧方法近年來普遍應用於各領域中,自我組織映射圖網路(Self-Organising Map,SOM)及K平均數集群法(K-Means)具有強大的樣式分隔以及樣式辨識的能力。本研究另以SOM及K-Means應用於銀行授信審核,研究結果顯示,K-Means在單一財務變數及多項財務變數的總體區別率表現較SOM佳;而SOM在單一財務變數及多項財務變數的個別區別率則優於K-Means。因此在集群方法的應用上,K-Means較適合應用於信用評等分級,而SOM則可應用於多項財務變數的違約風險預警。進一步以SOM方法分二階段來進行可能違約公司的風險預警,研究結果顯示,在第一階段可區分出各風險群組,在第二階段以風險分布圖來有效區分出正常公司及危機公司,進而協助決策者在判斷時的客觀參考依據。

The global financial tsunami in late 2008, the Zhaohuo and triggered a series of knock-on effect of financial derivatives in the foreseeable future will show negative growth, the bank will return to the simple financial products, such as: mortgage, car loan, credit. According to the statistics of the Bank for International Settlements, the business risks faced by banks to the highest proportion of credit risk, approximately about 60% of the pros and cons of credit risk management for banks affect greatly.

In this study, to follow the norms of the internal ratings-based approach to credit risk in the new Basel Capital Accord (Basel II), radial basis function types of neural network (RBFN) to build two models. The results show, the credit risk rating model can be estimated counterparty credit ratings and breach of contract machine rate; financial distress prediction model overall prediction rate of 92.86%, display model on the early warning can force have not wrong the validity of standards, By this multi-dimensional level credit risk analysis of the future as the bank is lending to a counterparty basis for decision making.

Artificial intelligence methods in recent years widely used in various fields, self-organizing map network (Self-Organising Map, SOM) and K average cluster method (K-Means) with a strong style segregation and pattern recognition abilities. SOM and K-Means, this study also applied to bank credit review, study results showed that the K-Means in the performance of the overall difference between the rate of a single financial variables and a number of financial variables than the SOM good; SOM in a single financial variables and a number of financial variables individual difference between the rate is better than the K-Means, Therefore, the application of the cluster approach, the K-Means more suitable for the classification of credit ratings, the SOM can be used in a number of financial variables of default risk warning. Further likely to default on the company's risk warning to a two-stage SOM method, results show that in the first stage to distinguish the various risk groups, risk maps in the second stage to effectively distinguish between normal and crisis company, thus assist decision makers in determining when the objective reference.

封面
目錄
中文摘要
Abstract
目錄
圖錄
表錄
第一章 緒論
1.1 研究背景
第二章 文獻探討
2.1 新巴塞爾資本協定
2.2 信用風險模型
2.3 國內授信機構之信用評等
2.3.1 台灣經濟新報信用評等-TCRI
2.3.2 中華信評信用評等
2.4 人工智慧方法
第三章 研究方法
3.1 研究設計
3.1.1 樣本資料
3.1.2 樣本期間
3.1.3 違約定義
3.2 研究變數與資料選取
3.3 類神經網路
3.4 徑向基函數網路(RBFN)
3.5 自我組織映射圖網路(SOM)
3.6 K平均數(K-Means)
第四章 實證結果
4.1 研究資料
4.2 選取建置信用評等模型的方法
4.3 信用評等模型
4.4 風險預警模型
4.5 SOM風險預警
第五章 結論與未來研究方向
5.1 研究結論與管理意涵
5.2 未來研究方向
參考文獻

圖錄
圖3-1 研究流程圖
圖3-2 類神經網路架構圖
圖3-3 RBFN參數設定圖
圖3-4 SOM網路架構圖
圖3-5 SOM之拓撲座標觀念
圖3-6 SOM運作模式
圖3-7 K-Means隨機分派到最近集群中心
圖3-8 K-Means產生初始群集邊界
圖3-9 K-Means產生新的集群中心
圖3-10 K-Means新的分群情況
圖3-11 K-Means運作模式
圖4-1 6年股東權益報酬率SOM集群個數
圖4-2 6年股東權益報酬率SOM集群分佈
圖4-3 6年資產報酬率SOM集群個數
圖4-4 6年資產報酬率SOM集群分佈
圖4-5 6年現金流量比率SOM集群個數
圖4-6 6年現金流量比率SOM集群分佈
圖4-7 2010年16項財務變數SOM集群個數
圖4-8 2010年16項財務變數SOM集群分佈
圖4-9 K-Means評等等級與SOM集群(建模資料)
圖4-10 K-Means評等等級與SOM集群(驗證資料)
圖4-11 資訊電子業16項財務變數SOM風險群組分佈
圖4-12 第二階段SOM風險分佈圖

表錄
表2-1 新巴塞爾協定架構表
表2-2 信用風險模型比較表
表2-3 10個財務比率/數值
表2-4 TCRI等級
表2-5 APL財務壓力計之門檻設定表
表2-6 長短期信用評等等級對照表
表2-7 國外信用評等人工智慧方法相關研究
表2-8 國內信用評等人工智慧方法相關研究
表2-9 國外SOM相關研究
表2-10 國內SOM相關研究
表3-1 台灣景氣循環基準日期
表3-2 Basel II與我國現行違約定義之比較
表3-3 模型輸入變數
表4-1 股東權益報酬率K-Means集群觀察值個數
表4-2 資產報酬率K-Means集群觀察值個數
表4-3 2010年16項財務變數K-Means集群觀察值個數
表4-4 SOM與K-Means總體區別率比較表
表4-5 SOM與K-Means個別區別率比較表
表4-6 第二階段SOM風險群組拓撲座標
表4-7 各評等等級切割點
表4-8 各等級違約機率平均值
表4-9 驗證資料區別率(權重0.1)
表4-10 驗證資料區別率(權重0.5)
表4-11 預測資料預測率(權重0.5)
表4-12 第二階段SOM風險群組拓撲座標
[1] Basel Committee on Banking Supervision, “Consultative Document: The Standardised Approach to Credit Risk”, Basel Report, June 2004.
[2] Basel Committee on Banking Supervision, “Consultative Document: The Internal Ratings-Based Approach to Credit Risk”, Basel Report, June 2004.
[3] Jagielska, I., Matthews, C., and Whitfort, T., (1999), “An Investigation into the Application of Neural Networks, Fuzzy Logic, Genetic Algorithms, and Rough Sets to Automated Knowledge Acquisition for Classification Problems,” Neurocomputing, Vol.24, pp.37-54.
[4] Piramuthu, S., (1999), “Financial Credit-Risk Evaluation with Neural and Neurofuzzy Systems,” European Journal of Operational Research, Vol.112, pp.310-321.
[5] Piramuthu, S., (1999), “Feature Selection for Financial Credit-Risk Evaluation Decisions,” INFORMS Journal on Computing Vol.11, pp.258-266.
[6] West, D., (2000), “Neural Network Credit Scoring Models,” Computers And Operations Research, Vol.27, pp.1131-1152.
[7] Huang, Y.H., Hung, C.M., and Jiau, H.C., (2006), “Evaluation of Neural Networks and Data mining Methods on a Credit Assessment Task for Class Imbalance Problem,” Nonlinear Analysis: Real Worlds Applications, Vol.7, pp.720-747.
[8] Yang, Y., (2007), “Adaptive Credit Scoring with Kernel Learning Methods,” European Journal of Operational Research, Vol.183, pp.1521-1536.
[9] Baesens, B., Gestel, T., Viane, S., Stepanova, M., Suykens, J., and V,anthienen J., (2003), “Benchmarking State of the Art Classification Algorithms for Credit Scoring,” Computer Journal of the Operational Research Society, Vol.54, pp.627-635.
[10] Desai, V., Crook, J., and Overstreet, G., (1996), “A Comparison of Neural Networks and Linear Scoring Models in the Credit Union Environment,” European Computer Journal of Operational Research, Vol.95, pp.24-37.
[11] Ruei-Shan, Lu and Shang-Lien, Lo., (2002),“Diagnosing reservoir water quality using self-organizingmaps and fuzzy theory,”Water Research, Vol.36, pp.2265-2274.
[12] Malhotra, R. and Malhotra, K., (2003), “Evaluating Consumer Loans Using Neural Networks,” Omega Computer Journal, Vol.31, pp.83-96.
[13] Pang, S., Wang, Y., and Bai, Y., (2003), “Credit Scoring Model Based on Miltilayer Perceptron,” in Proceedings of the IEEE International Symposium on Intelligent Control, Houston, USA, pp.5-8.
[14] West, D., Dellana, S., and Qian, J., (2005), “Neural Network Ensemble Strategies for Financial Decision Applications,” Computer Journal of Operations Research, Vol.32, pp.2543-2559.
[15] Khashman, A., (2010), “Neural networks for credit risk evaluation: Investigation of different neural models and learning schemes,” Expert Systems with Applications, Vol.372, pp.6233-6239.
[16] Eliana, Angelini., Giacomo, di, Tollo and Andrea, Roli., (2008), “A neural network approach for credit risk evaluation,” The Quarterly Review of Economics and Finance, Vol.48, pp.733-755.
[17] Hussein, Abdou., John, Pointon and Ahmed, El-Masry., (2008), “Neural nets versus conventional techniques in credit scoring in Egyptian banking,” Expert Systems with Applications, Vol.35, pp.1275-1292.
[18] Maja, Šušteršič., Dušan, Mramor and Jure, Zupan., (2009), “Consumer credit scoring models with limited data,” Expert Systems with Applications, Vol.36, pp.4736-4744.
[19] Chung, S, H., and Suh, Y, M.., (2009), “Estimating the utility value of individual credit card delinquents,” Expert Systems with Applications, Vol.36, pp.3975-3981.
[20] Johan, Huysmans., Bart, Baesens., Jan, Vanthienen and Tony van, Gestel., (2006), “Failure prediction with self organizing maps,”Expert Systems with Applications, Vol.30, pp. 479-487.
[21] Arijit, Laha., (2007),“Building contextual classifiers by integrating fuzzy rule based classification technique and k-nn method forcredit scoring,”Advanced Engineering Informatics, Vol.21, pp.281-291.
[22] Jiahui, Mo., Melody, Y., Kiang., Peng, Zou and Yijun, Li., (2010),“A two-stage clustering approach for multi-region segmentation,”Expert Systems with Applications, Vol.37, pp.7120-7131.
[23] 電子商務研究所創新資訊應用中心金融服務組(2005),信用風險議題與資訊平台規劃,台北:經濟部技術處。
[24] 沈大白、張大成(2003),信用風險模型評估-以台灣市場為例,聯合徵信中心委託計畫報告書。
[25] 葉怡成(2009),類神經網路模式應用與實作,台北:儒林。
[26] 邱莉晴(2004),違約企業戶違約比率比對研究,金融風險管理季刊:12月號。
[27] 盧瑞山(1999),類神經網路於環境資訊之鑑識、推估及預測之研究,博士論文,國立台灣大學環境工程學研究所。
[28] 黃憲章(2002),新版巴塞爾資本協定對我國金融業營運風險管理之衝擊,碩士論文,元智大學管理研究所。
[29] 胡志宏(2002),新版巴塞爾資本協定對我國金融業信用風險管理之衝擊,碩士論文,元智大學管理研究所。
[30] 吳智鴻(2003),結合基因演算法最佳化「支持向量機」參數-財務危機上之應用,博士論文,國立台北大學企業管理學系。
[31] 吳志鴻(2004),新巴塞爾協定下台灣上市櫃公司信用風險評等與財務危機預警類神經網路模型之研究,碩士論文,國立政治大學資訊管理研究所。
[32] 吳姿瑤(2005),國內開放式股票型基金在分類與預測模式比較之研究,碩士論文,國立成功大學統計學系。
[33] 洪琳美(2005),運用支撐向量機與類神經網路於銀行授信之研究,碩士論文,國立台灣科技大學資訊管理系。
[34] 黃銘圭(2006),財務收益力、安全力建置財務危機預測模式-以台灣上市櫃一般產業公司為例,碩士論文,國立台北大學企業管理學系。
[35] 紀英成(2006),財務報表舞弊之現象及其識別,碩士論文,朝陽科技大學會計所。
[36] 林志雄(2006),台灣上市上櫃公司經營績效之預測 -人工智慧與傳統計量方法之應用,碩士論文,東吳大學經濟研究所。
[37] 林靜婉(2006),六種資料探勘技術在風險預測之比較,碩士論文,中華大學資訊管理學系。
[38] 范鴻晸(2006),智慧資本於財務危機預警模式之應用,碩士論文,朝陽科技大學財務金融系碩士班。
[39] 林燕萍(2007),消費性貸款違約行為預測模式之研究—DEA-DA、類神經網路、Logistic迴歸與判別分析之比較,碩士論文,中華大學經營管理研究所。
[40] 黎靜怡(2007),結合財務比率及公司治理變數於財務危機分類模式之建構-以台灣上巿櫃公司為例,碩士論文,輔仁大學國際創業與經營管理學程碩士在職專班。
[41] 黃立維(2008),結合資料採礦技術於建構建築業財務危機預警與關鍵因素分析模型之研究,碩士論文,雲林科技大學營建工程系碩士班。
[42] 黃柏誠(2009),類神經網路與鑑別分析在中小企業貸款違約預警模型之實證研究,碩士論文,國立臺灣科技大學資訊管理系。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top