臺灣博碩士論文加值系統

金融業的風險來源主要區分為信用、市場及作業風險，其中比重以信用風險為最高占60%，作業風險占30%，市場風險與其他風險各占5%，信用風險是銀行業最大的風險來源，也是造成銀行產生逾期放款損失的重要原因。過去銀行對於授信風險多只注意企業之財務報表與聯徵信用資訊，而對於企業所屬產業的風險評估多流於形式，聊備一格，且多以主觀的現況描述為主，少有客觀且量化的預測資訊。因此，本研究加入考量總體經濟及產業風險量化資訊建立產業風險評估模型，以期能有效降低授信違約率。
本研究以電子產業為例，採用2002年至2015年的台灣上市公司電子產業違約率資料，並參考過去之文獻，蒐集25個總體經濟及產業因子等相關變數，利用逐步廻歸法，選出對產業違約率具有顯著影響的變數共17個。再藉由主成分分析，將這些變數組合成總體經濟指標與產業指標兩個主成分。接著將此兩指標與產業違約率，利用向量自我迴歸分析，建構考量總體經濟及產業因子之產業信用風險違約預測模型，以進行產業違約率的預測。

The main risk in the financial sector is credit, market and operational risk. There are 60% of credit risk, 30% of operational risk, and 5% of market risk and other risks. Credit risk is the major risk of a bank. It is also an important reason caused a bank to produce overdue loan losses. In the past, banks only paid attention to the financial statements and credit information of the enterprises for the credit risk, and the risk assessment of the enterprises reduced to formality. The risk assessment was only focused on chatting and subjective description and lacked of objective or quantify information to forecast the risk. Therefore, this study considers quantitative information on macroeconomic and industrial risks to establish an industrial risk assessment model in order to reduce the credit default rate effectively.
Taking the electronics industry as an example, the overall default rates of listed companies of electronic industry in Taiwan from 2002 to 2015 are adopted as of this study. Referring to past studies, 25 variables related to macroeconomic and industrial factors are collected for model building. There are 17 significant variables related to industry default rates selected by stepwise regression. Next, principal component analysis is applied to obtain two principle components called macroeconomic index and industry index. A vector autoregression model was established for default rates, macroeconomic index, and industry index to construct an industrial credit risk default prediction model.

目錄
目錄 I
圖目錄 II
表目錄 III
第一章 緒論 1
第一節 研究動機與目的 1
第二節 研究內容 3
第二章 文獻探討 4
第一節 文獻回顧 4
第二節 文獻綜合評論 13
第三章 研究方法 14
第一節 研究方法與模型 14
第二節 資料說明與檢定流程 18
第三節 序列之單根檢定 21
第四節 因果關係檢定 21
第四章 研究結果及分析 22
第一節 總體經濟指標及產業指標的評量 22
第二節 向量自我迴歸模的建立 33
第五章 結論與建議 46
參考文獻 52
圖目錄
圖 1 電子產業違約率趨勢圖 19
圖 2 檢定流程圖 20
圖 3 殘差直方圖 26
圖 4 殘差散佈圖 26
圖 5 殘差Q-Q 圖 27
圖 6 陡坡圖 29
圖 7 總體經濟指標趨勢圖 31
圖 8 電子產業指標趨勢圖 32
圖 9 衝擊反應分析結果 45
表目錄
表 1 研究變數彙整表 22
表 2 迴歸估計結果 24
表 3 變異數分析表 25
表 4 相關矩陣的特徵值 28
表 5 主成份分析結果 30
表 6 單根檢定結果 33
表 7 最適落後期數分析 34
表 8 向量自我迴歸模型估計結果 35
表 9 電子產業違約率殘差分析 40
表 10 總體經濟指標殘差分析 40
表 11 電子產業指標殘差分析 40
表 12 Granger因果關係檢定結果 42
表 13 預測值之變異數分解結果 43

一、中文文獻
1.陳明賢，1986，「財務危機預測之計量分析研究」，台灣大學商學研究所碩士論文。
2.林妙宜，2002，「公司信用風險之衡量」，政治大學金融研究所碩士論文。
3.蔡鎤銘，2002，「總體經濟與產業因素對信用風險影響之研究」，淡江大學財務金融學系碩士在職專班碩士論文。
4.李安三，2003，「銀行業財務預警之研究」，高雄第一科技大學金融營運所碩士論文。
5.張國浩，2003，「我國中小企業財務危機預警系統之研究」，輔仁大學金融研究所碩士論文。
6.劉容慈，2002，「整合公司治理、會計資訊與總體經濟敏感度之財務危機模型」，輔仁大學金融研究所碩士論文。
7.黃繼寬，2005，「考慮產業差異下，信用評分模型效力分析以Cross Validation 為例」，東吳大學經濟學系碩士論文。
8.朱正中（2006），「建立產業信用風險預測指標之研究」，金融風險管理季刊，第二期，頁91~98。
9.沈中華、忻惟毅（2006），「中小企業違約機率的預測」，金融風險管理季刊，第 2 卷，第 1 期，頁97~114。
10.黃博怡、張大成、江欣怡（2006），「考慮總體經濟因素之企業危機預警模型」，金融風險管理季刊，第 2 卷，第 2 期，
頁75~89。
11.葉仕國、張庭樹（2006），「臺灣地區上市櫃公司違約機率之衡量與調整」，金融風險管理季刊，第 1 卷，第 4 期，頁1~17。
12.鄭雅妮（2007），「台灣上市櫃公司建構危機預警模型之研究－以MDA、Logit、BPN、SVM、GA-SVM、AIS方法之應用」，元智大學會計研究所碩士論文。
11.楊奕農（2009），「時間序列分析-經濟與財務上之應用(二版) 」，
台北市：雙葉書廊。
12.陳旭昇（2009），「時間序列分析-總體經濟與財務金融之應用(修
訂版) 」，台北市：東華書局。
13.楊濬愷（2012），「類股基本面之產業類指標與股價之間的關連性」，真理大學經濟學系財經碩士班碩士論文
14.廖家瑋（2015），「金融類股指數期貨、現貨與選擇權市場領先落後關係之探討」，大葉大學會計資訊學系碩士班論文
15.陳仁豪（2015），「匯率與股價指數之動態關聯-台、韓金融海嘯前後實證分析」，臺灣大學國際企業學研究所碩士論文

二、英文文獻
1. Altman, E.I., 1968, “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy,” Journal of Finance, Vol.23 (4), pp. 589-609.
2. Altman, E.I., RG Haldemann and P Narayan, 1977, “Zeta TM Analysis–A New Model to Identify Bankruptcy Risk of Corporations,” Journal of Banking and Finance, Vol.1, pp. 29-54.
3. Altman, E.I. and Gabriele Sabato, 2005, “Effects of the new Basel Capital Accord on Bank Capital Requirements for SMEs,” Journal of Financial Services Research, Vol.28, pp.15-42.
4. Altman, E.I., 2006, “Modeling Credit Risk for SMEs: Evidence from the US Market,” International Conference C.R.E.D.I.T. 2006 Risk in Small Business Lending, Venice, Italy, pp. 25-26
5. Black, Fischer; Myron Scholes, 1973, “The Pricing of Options and Corporate Liabilities,” Journal of Political Economy, Vol.81 (3), pp. 637-654.
6. Brogden, H.E., 1949, “A new coefficient: Application to Biserial Correlation and to Estimation of Selective Efficiency,” Psychometrika, Vol.14, pp.169-182.
7. Beaver, William H., 1966, “Financial Ratios as Predictors of Failure,” Journal of Accounting Research, Vol. 4, pp.71-111.
8. Blum, M., 1974, “Failing Company Discriminant Analysis,” Journal of Accounting. Research, Vol.12 (1), pp.1-25.
9. Cao, L. and F. E. H. Tay., 2001, “Application of Support Vector Machines in Financial Time Series Forecasting,” Omega, The International Journal of Management Science, Vol.29 (4), pp.309-317.
10. Caouette, J.B., E.I. Altman and P. Narayanan, 1998, Managing Credit Risk: The Next Great Financial Challenge, John Wiley & Sons, New York: NY.
11. Casey, C. J., and Bartczak, N. J., 1985, “Using Operating Cash Flow to Predict Financial Distress:Some Extensions,” Journal of Accounting Research, Vol.23, pp.384-401
12. Guption, GM, 1997, “The New Talk of The Town: CreditMetrics, a Credit Value-at-Risk approach,” The Journal of Lending and Credit Risk Management, Vol. 8, pp.44-54.
13. Hair, J. F., R. E. Anderson, R. L. Tatham and W.C. Black., 1998, Multivariate Data Analysis, 5nd ed.,N.J.：Prentice-Hall.
14. Hill, C., Perry, N.T., S.E.and S. Andes, 1996, “Evaluating firms in financial distress: an event history analysis,” Journal of Applied Business Research, Vol.12, pp.60-71.