1. NCCU Academic Hub
  2. 學術產出
  3. 商學院
  4. 學位論文
  5. Item

學術產出-學位論文

文章檢視/開啟

書目匯出

Google ScholarTM

政大圖書館

引文資訊

TAIR相關學術產出

題名 企業信用評等模型-以營造業為例
作者 林孟寬
貢獻者 鄭宇庭<br>蔡紋琦<br>鄧家駒
林孟寬
關鍵詞 資料採礦
信用評等
違約機率
Data Mining
Probability of Default
日期 2008
上傳時間 9-五月-2016 11:35:50 (UTC+8)
摘要 本研究目的，是以資料採礦的觀點，配合SPSS Clementine 11.0軟體所提供的資料採礦工具，將資料採礦進行的分析流程，導入企業信用評等模型的建置程序，針對內部評等法中的企業型暴險，根據新版巴塞爾資本協定與金管會的準則，建立信用評等模型。
     投入模型的變數，分為財務變數以及總體經濟變數。在精細抽樣比例與模型方法的比較上，1:2比例訓練出的模型在反查率(Recall)較佳且在整體正確率(Accuracy)上亦有不錯的表現；最後模型評估結果決定使用羅吉斯迴歸模型。
     本研究所建構出的信用評等系統分為8個評等等級，違約的機率隨評等遞增，以第8等作為違約戶的評等結果。信用評等的各項驗證，首先各等的授信戶均勻分布於8等之間，各評等的預測違約機率，亦相當接近實際違約機率，總結來說，本研究建構之模型具有一定的穩定性與預測效力，並且皆通過新巴塞資本協定與金管會的各項規範，顯示本研究之信用評等模型能夠在銀行授信流程實務中加以應用。
參考文獻 中文文獻
     阮正治、江景清，2004年，「台灣企業信用評分模型建置與驗證」，金融風險管理季刊，民國九十三年六月號。
     洪明欽、張揖平、陳昱陵、陳和貴，2007年，「信用評分模型區別力之穩健性研究」，金融風險管理季刊，第三卷，第四期，頁1-23。
     張大成，2002年，「新版巴塞爾協定：過去、現在與未來」，存款保險資訊季刊，16:2, 87-132。
     張大成，2003年，「違約機率與信用評分模型」，台灣金融財務季刊，第四輯第一期，頁19-37。
     孫銘誼、王思芳，2004年，「信用評等模型驗證之初探-相關論文與文獻回顧」，金融風險管理季刊，第一卷第一期，頁111-125。
     郭敏華，1999年，「債信等級之決定因素(上) 」，證券暨期貨管理雜誌，17(11)，1-16。
     陳佳樟，2007年，「導入資料採礦技術於新巴賽爾協定下企業信用模型-以製造業為例」，國立政治大學商學院統計學系碩士班碩士論文。
     陳錦村、江玉娟與朱育男，2006年，「商業銀行如何建置符合新巴賽爾資本協定的信用評等制度」，金融風險管理季刊，第二卷第一期，頁115-140。
     鍾經樊、黃嘉龍、黃博怡、謝有隆，2006年， 「台灣地區企業信用評分系統的建置、驗證和比較」，中央研究院經濟研究所經濟論文，34:4，頁541-590。
     萬智傑，2007年，「台灣中小企業之財務危機預警模型、信用評等與巴塞爾協定資本計提」，東吳大學商學院企業管理學系碩士班碩士論文。
     黃博怡、張大成、江欣怡，2006年，「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，第二卷，第二期，頁75-89。
     謝邦昌、蘇志雄、鄭宇庭、葉劭緯，2006年，「資料採礦與商業智慧- SQL Server 2005」，中華資料採礦協會。
      
     英文文獻
     Altman, E. I.(1968), ”Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy,” Journal of Finance,123:4,.589-609.
     Altman, E. and S. Katz(1976), “Statistical Bond Rating Classification Using Financial and Accounting Data,” in M. Schiff and G. Storter eds., Proceeding of the Conference on Topical Research in Accounting, New York University, 205-239.
     Atiya, A.F.(2001), ”Bankruptcy Prediction for Credit Risk Using Neural Networks：A Survey and New Results,” IEEE Transactions on Neural Networks. 12:4, 929-935.
     Belkaoi, A.(1980), “Industrial Bond Ratings：A New Look,” Financial Management, Autumn, 44-51.
     Berry M.J.A., and Linoff.G. (2000).”Mastering data mining : the art and science of customer relationship management”，New York : John Wiley & Sons, c2000.
     Black, F. and M. Scholes (1973),“The Pricing of Options And Corporate Liabilities, ” Journal of Political Economy, 81, 637-659.
     Brieman, L., J. H. Friedman, R. A. Olshen, and C. J. Stone, (1984), Classification and Regression Trees, FL, Boca Raton: Chapman and Hall / CRC.
     Chaveesuk, R., C. Srivaree-ratana and A. E. Smith (1999), “Alternative Neural Network approaches to Corporate Bond Rating,” Journal of Engineering Valuation and CostAnalysis,2(2),117-131.
     Ederington, L. H.(1985), “Classification Models and Bond Ratings,” Financial Review, 20:4, 237-262.
     Freeman J., and Skapura D. (1992) . Neural Networks, algorithms applications and programming techniques, Addison-Wesley.
     McClelland J. L., and Rumelhart, D. E. (1986) Parallel distributed processing: Explorations in the microstructures of cognition. vol 2. psychological and biological models. Cambridge, Mass.: MIT Press.
     Mensah, Yaw M. (1984),“An Examination of the Stationarity of Multivariate Bankruptcy Prediction Models：A Methodological Study,” Journal of Accounting Research, 22 Spring, 380-320.
     Merton, R. C. (1974),“On the Pricing of Corporate Debt: The Risk Structure of Interest Rates.”The Journal of Finance, 28, 449-470.
     Odom, M. D. and Sharda, R. (1990), “A Neural Networks for Bankruptcy Prediction,” IEEE INNS International Joint Conference on Neural Networks, vol.2, pp. 163-168
     Ohlson J.M. (1980), ”Financial Ratios and the Probabilistic Prediction of Bankruptcy,” Journal of Accounting Research, 18:1, 109-131.
     Rose, P. S., W. T. Andrews, and G. A. Giroux (1982), “Predicting Business Failure: A Macroeconomic Perspective,” Journal of Accounting, Auditing and Finance, 6(1), 20-31.
     Sharma S. and V. Mahajan (1980), “Early Warning Indicators of Business Failure.”Journal of Marketing, 44, 80-89.
     Wilson, T. (1997), “Portfolio Credit Risk, Part I,” Risk 10(9), 111-117.
      
描述 碩士
國立政治大學
統計學系
95354001
資料來源 http://thesis.lib.nccu.edu.tw/record/#G0095354001
資料類型 thesis
dc.contributor.advisor 鄭宇庭<br>蔡紋琦<br>鄧家駒zh_TW
dc.contributor.author (作者) 林孟寬zh_TW
dc.creator (作者) 林孟寬zh_TW
dc.date (日期) 2008en_US
dc.date.accessioned 9-五月-2016 11:35:50 (UTC+8)-
dc.date.available 9-五月-2016 11:35:50 (UTC+8)-
dc.date.issued (上傳時間) 9-五月-2016 11:35:50 (UTC+8)-
dc.identifier (其他 識別碼) G0095354001en_US
dc.identifier.uri (URI) http://nccur.lib.nccu.edu.tw/handle/140.119/94719-
dc.description (描述) 碩士zh_TW
dc.description (描述) 國立政治大學zh_TW
dc.description (描述) 統計學系zh_TW
dc.description (描述) 95354001zh_TW
dc.description.abstract (摘要) 本研究目的，是以資料採礦的觀點，配合SPSS Clementine 11.0軟體所提供的資料採礦工具，將資料採礦進行的分析流程，導入企業信用評等模型的建置程序，針對內部評等法中的企業型暴險，根據新版巴塞爾資本協定與金管會的準則，建立信用評等模型。
     投入模型的變數，分為財務變數以及總體經濟變數。在精細抽樣比例與模型方法的比較上，1:2比例訓練出的模型在反查率(Recall)較佳且在整體正確率(Accuracy)上亦有不錯的表現；最後模型評估結果決定使用羅吉斯迴歸模型。
     本研究所建構出的信用評等系統分為8個評等等級，違約的機率隨評等遞增，以第8等作為違約戶的評等結果。信用評等的各項驗證，首先各等的授信戶均勻分布於8等之間，各評等的預測違約機率，亦相當接近實際違約機率，總結來說，本研究建構之模型具有一定的穩定性與預測效力，並且皆通過新巴塞資本協定與金管會的各項規範，顯示本研究之信用評等模型能夠在銀行授信流程實務中加以應用。		zh_TW
dc.description.tableofcontents 第壹章 緒論 1
     第一節 研究背景 1
     第二節 研究動機 1
     第三節 研究問題與對象 2
     第四節 研究目的 2
     第五節 論文架構與研究流程 3
     第貮章 文獻探討 4
     第一節 相關企業信用評等建模實證研究 4
     第二節 新巴塞爾資本協定之內部評等法 7
     第三節 資料採礦標準流程 10
     第四節 建構信用評等模型之方法論 13
     第五節 信用評等模型之驗證方法 18
     第參章　研究方法 25
     第一節　研究工具 25
     第二節　資料來源 26
     第三節 研究範圍 26
     第四節 建構信用評等模型流程 27
     第肆章　研究結果 33
     第一節 建模變數處理與選取 33
     第二節 抽樣比例與模型比較 36
     第三節 企業違約機率模型 39
     第四節 模型校準與信用評等 41
     第五節 信用評等模型之驗證 44
     第伍章　結論與建議 54
     第一節　結論 54
     第二節 建議與未來研究方向 55
     參考文獻 57
     中文文獻 57
     英文文獻 58
     附錄 60		zh_TW
dc.source.uri (資料來源) http://thesis.lib.nccu.edu.tw/record/#G0095354001en_US
dc.subject (關鍵詞) 資料採礦zh_TW
dc.subject (關鍵詞) 信用評等zh_TW
dc.subject (關鍵詞) 違約機率zh_TW
dc.subject (關鍵詞) Data Miningen_US
dc.subject (關鍵詞) Probability of Defaulten_US
dc.title (題名) 企業信用評等模型-以營造業為例zh_TW
dc.type (資料類型) thesisen_US
dc.relation.reference (參考文獻) 中文文獻
     阮正治、江景清，2004年，「台灣企業信用評分模型建置與驗證」，金融風險管理季刊，民國九十三年六月號。
     洪明欽、張揖平、陳昱陵、陳和貴，2007年，「信用評分模型區別力之穩健性研究」，金融風險管理季刊，第三卷，第四期，頁1-23。
     張大成，2002年，「新版巴塞爾協定：過去、現在與未來」，存款保險資訊季刊，16:2, 87-132。
     張大成，2003年，「違約機率與信用評分模型」，台灣金融財務季刊，第四輯第一期，頁19-37。
     孫銘誼、王思芳，2004年，「信用評等模型驗證之初探-相關論文與文獻回顧」，金融風險管理季刊，第一卷第一期，頁111-125。
     郭敏華，1999年，「債信等級之決定因素(上) 」，證券暨期貨管理雜誌，17(11)，1-16。
     陳佳樟，2007年，「導入資料採礦技術於新巴賽爾協定下企業信用模型-以製造業為例」，國立政治大學商學院統計學系碩士班碩士論文。
     陳錦村、江玉娟與朱育男，2006年，「商業銀行如何建置符合新巴賽爾資本協定的信用評等制度」，金融風險管理季刊，第二卷第一期，頁115-140。
     鍾經樊、黃嘉龍、黃博怡、謝有隆，2006年， 「台灣地區企業信用評分系統的建置、驗證和比較」，中央研究院經濟研究所經濟論文，34:4，頁541-590。
     萬智傑，2007年，「台灣中小企業之財務危機預警模型、信用評等與巴塞爾協定資本計提」，東吳大學商學院企業管理學系碩士班碩士論文。
     黃博怡、張大成、江欣怡，2006年，「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，第二卷，第二期，頁75-89。
     謝邦昌、蘇志雄、鄭宇庭、葉劭緯，2006年，「資料採礦與商業智慧- SQL Server 2005」，中華資料採礦協會。
      
     英文文獻
     Altman, E. I.(1968), ”Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy,” Journal of Finance,123:4,.589-609.
     Altman, E. and S. Katz(1976), “Statistical Bond Rating Classification Using Financial and Accounting Data,” in M. Schiff and G. Storter eds., Proceeding of the Conference on Topical Research in Accounting, New York University, 205-239.
     Atiya, A.F.(2001), ”Bankruptcy Prediction for Credit Risk Using Neural Networks：A Survey and New Results,” IEEE Transactions on Neural Networks. 12:4, 929-935.
     Belkaoi, A.(1980), “Industrial Bond Ratings：A New Look,” Financial Management, Autumn, 44-51.
     Berry M.J.A., and Linoff.G. (2000).”Mastering data mining : the art and science of customer relationship management”，New York : John Wiley & Sons, c2000.
     Black, F. and M. Scholes (1973),“The Pricing of Options And Corporate Liabilities, ” Journal of Political Economy, 81, 637-659.
     Brieman, L., J. H. Friedman, R. A. Olshen, and C. J. Stone, (1984), Classification and Regression Trees, FL, Boca Raton: Chapman and Hall / CRC.
     Chaveesuk, R., C. Srivaree-ratana and A. E. Smith (1999), “Alternative Neural Network approaches to Corporate Bond Rating,” Journal of Engineering Valuation and CostAnalysis,2(2),117-131.
     Ederington, L. H.(1985), “Classification Models and Bond Ratings,” Financial Review, 20:4, 237-262.
     Freeman J., and Skapura D. (1992) . Neural Networks, algorithms applications and programming techniques, Addison-Wesley.
     McClelland J. L., and Rumelhart, D. E. (1986) Parallel distributed processing: Explorations in the microstructures of cognition. vol 2. psychological and biological models. Cambridge, Mass.: MIT Press.
     Mensah, Yaw M. (1984),“An Examination of the Stationarity of Multivariate Bankruptcy Prediction Models：A Methodological Study,” Journal of Accounting Research, 22 Spring, 380-320.
     Merton, R. C. (1974),“On the Pricing of Corporate Debt: The Risk Structure of Interest Rates.”The Journal of Finance, 28, 449-470.
     Odom, M. D. and Sharda, R. (1990), “A Neural Networks for Bankruptcy Prediction,” IEEE INNS International Joint Conference on Neural Networks, vol.2, pp. 163-168
     Ohlson J.M. (1980), ”Financial Ratios and the Probabilistic Prediction of Bankruptcy,” Journal of Accounting Research, 18:1, 109-131.
     Rose, P. S., W. T. Andrews, and G. A. Giroux (1982), “Predicting Business Failure: A Macroeconomic Perspective,” Journal of Accounting, Auditing and Finance, 6(1), 20-31.
     Sharma S. and V. Mahajan (1980), “Early Warning Indicators of Business Failure.”Journal of Marketing, 44, 80-89.
     Wilson, T. (1997), “Portfolio Credit Risk, Part I,” Risk 10(9), 111-117.
      		zh_TW