臺灣博碩士論文加值系統

一般運用類神經網路來預測債信等級時，主要預測的目標是Moody’s或是S&P’s所公佈的債信等級。但在國內缺乏公開評等的情況下，若想藉由類神經網路中的監督式學習來進行評等是無法實行的。因此在沒有明確的目標值以供債信評等模式學習與預測的情況下，我們採用了類神經網路中的非監督式學習。在本研究所建立的評等模式中，使用了一個混合自我組織特徵映射(SOFM）與學習向量量化（LVQ）的類神經網路模型，應用於公司債信等級的分類上，此混合SOFM/LVQ系統能增加群集內的同質性與群集間異質性，因而有更佳的分類效果。利用類神經集群模式於企業債信評等非但可以避免評等過程中由專家直接給予權重的程序、並且可以去除產業差異所造成之偏差。另外，本研究以八十四年至八十六年電子產業作一範例，先將電子產業分成六個子產業，再依各子產業以SOFM進行集群分析，而初始集群結果我們以台灣經濟新報因素權重作為給定等級的範例，以提供專家作為賦予等級意義的參考，最後我們以LVQ的方法，將專家調整後的各集群資料建立成模式。

When applying neural networks for credit ratings, the targets are the public ratings such as the ones from the Moody’s, or from the Standard & Poor’s. In the absence of public ratings, the application of neural networks by supervised learning or learning by example becomes impractical. We propose a hybrid unsupervised learning model that combines the Self-Organizing Feature Map (SOFM) and the Learning Vector Quantization (LVQ) for the corporation credit ratings classification. The hybrid SOFM/LVQ is implemented as a system to enhance the homogeneity within classes and the heterogeneity between classes. The proposed model avoids the process of giving factors’ weightings by experts. It also reduces the deviation resulting from the differences among industries. We collect the sample data from all listed electronics industry companies in the Taiwan stock market. We use quarterly financial data between 1995 and 1998. Since the electronics companies have their individual characteristics, we divide the electronics industry into six sub-industries. We analyze each of sub-industries using the SOFM. We then provide a set of factors’ weightings of Taiwan Economic Journal as a reference to help experts determine the ratings. Finally, we provide the LVQ using the results learned from the SOFM for future classifications.

目錄
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 研究限制 ......................................4
 第四節 論文架構 ......................................4
第二章 評等制度之介紹 .............................6
 第一節 債信評等的意義 .............................6
 第二節 債信評等的重要性 .............................6
 第三節 國外評等制度之介紹 .............................7
一、美國的債信評等制度 ....................7
二、日本的債信評等制度 ....................9
 第四節 國內評等制度之介紹 ............................10
一、台灣經濟新報社（TCRI） ...................10
二、中華徵信所之信用等級制度與大型企業評等 ........ 12
三、中華信用評等公司 .............................13
 第五節 債信評等之相關研究 ............................16
一、國外相關研究 ............................16
二、國內相關研究 ............................22
第三章 研究方法 .....................................26
 第一節 研究分析流程 ............................26
一、產業分析.....................................27
二、公司分析 .....................................28
三、財務分析 .....................................29
 第二節 數量分析方法...................................30
一、統計分析方法 ............................31
二、類神經網路分析方法 ...................35
三、統計與類神經方法之差異 ...................41
第四章 研究設計 .....................................42
 第一節 類神經網路架構 ............................42
 第二節 輸入變數設計 ............................45
 第三節 輸出變數設計 ............................49
 第四節 系統架構設計 ............................49
一、模式的建立 ............................50
二、預測的實行 ............................53
第五章 企業債信評等系統的建置與實現 ...................55
 第一節 系統建置 .....................................55
 第二節 模擬範例 .....................................60
 第三節 SOFM / LVQ之分類結果 ...................64
第六章 結論與建議 ...................................70
 第一節 研究結論 .....................................70
 第二節 建議及未來研究方向 ............................70
參考書目 ..............................................71
 中文部分 .....................................71
 英文部分 .....................................73
表目錄
表2-1 Moody’s及S&P’s的債信等級表示法…………………………9
表2-2 TCRI數量性因素 ………………………………………………11
表2-3 TCRI指標轉換及分數計算 ……………………………………11
表2-4 TCRI綜合分數分級 ……………………………………………12
表2-5 中華徵信所信用等級制度 ……………………………………12
表2-6 中華信用評等公司長期債務信用等級意義 …………………14
表2-7 中華信用評等公司短期債務信用等級意義 …………………14
表2-8 中華信用評等公司長期發行者信用等級意義 ………………15
表2-9 中華信用評等公司短期發行者信用等級意義 ………………15
表2-10 Dutta & Shekhar 研究結果 ………………………………19
表2-11 Surkan & Singleton 研究結果……………………………20
表2-12國外相關文獻整理 ……………………………………………20
表2-13國內相關文獻整理 ……………………………………………24
表3-1 相關統計方法比較 ……………………………………………34
表3-2 統計方法與類神經網路 ………………………………………41
表6-1 電子業所細分之子產業項目 …………………………………61
表6-2 電子業上市公司之經營結構分析表 …………………………61
表6-3 樣本公司及分類 ………………………………………………63
表6-4 半導體產業集群表 ……………………………………………64
表6-5 零組件產業集群表 ……………………………………………65
表6-6 電腦周邊產業集群表 …………………………………………66
表6-7 網路通訊產業集群表 …………………………………………67
表6-8 光電產業集群表 ………………………………………………68
表6-9 電腦系統產業集群表 …………………………………………68
圖目錄
圖1-1 論文架構圖………………………………………………………5
圖3-1 公司的五個競爭因素 …………………………………………28
圖3-2 混合非監督式學習與監督式學習步驟 ………………………36
圖3-3 SOFM網路『鄰近區域』觀念圖 ……………………………37
圖3-4 LVQ2、LVQ3之“window”示意圖 …………………………39
圖4-1 混合SOFM/LVQ分類器 …………………………………………45
圖4-2 SOFM網路輸出拓樸（Topology）圖 ………………………49
圖4-3 模式建立流程圖 ………………………………………………50
圖4-4 實行債信預測流程圖 …………………………………………53
圖5-1 系統架構圖 ……………………………………………………55
圖5-2 模式建立系統介面 ……………………………………………56
圖5-3 SOFM網路設計介面 ……………………………………………57
圖5-4 SOFM鄰近函數圖 ………………………………………………58
圖5-5 SOFM學習結果調整介面 ………………………………………59
圖5-6 LVQ網路設計介面 ………………………………………………59

中文部分
[1] 李淑娟，「建立我國債信評等制度之構想」，台灣經濟研究月刊，第十八
卷，第六期，37~44頁，民國八十四年六月。
[2] 陳惠玲，「台灣企業信用風險指標之編製與應用」，貨幣觀測與信用評
等，4~11頁，民國八十五年九月。
[3] 陳惠玲、黃政民，財務報表分析與企業信用評等，台灣經濟新報社文化事
業股份有限公司，民國八十四年三月。
[4] 陳隆麒，現代財務管理理論與應用，修訂版，華泰書局，民國八十二年元
月。
[5] Esme Faerber著，債券學習百科，羅耀宗譯，初版，寰宇財經，民國八
十七年。
[6] 何太山，「運用區別分析建立商業放款信用評分制度」，政治大學企業管
理研究所，碩士論文、民國六十六年。
[7] 謝維正，「台灣股票上市公司信用評等區別模式之探討」，交通大學科學
管理研究所，碩士論文、民國七十六年。
[8] 林聰明，「台灣地區公司債評等模式之研究」，元智工學院管理研究所，
碩士論文、民國八十四年。
[9] 施仁英，「企業信用評等模式之研究」，台灣大學商學研究所，碩士論
文、民國八十六年。
[10]王葆真，「運用類神經網路建構企業債信分類模式之研究」，台灣大學商
學研究所，碩士論文、民國八十六年。
[11]戴誌權，「從投資者的角度建構企業信用評等模式之研究」，淡江大學會
計學系，碩士論文、民國八十六年。
[12]張健邦，應用多變量分析，文富出版社，台北市，民國八十二年。
[13]黃俊英，多變量分析，五版，中國經濟企業研究所，民國八十四年六月
[14]羅積玉，多元統計分析方法與應用，科技圖書股份有限公司，台北市，民
國七十九年。
[15]葉怡成，類神經網路模式應用與實作，五版，儒林圖書有限公司，民國八
十七年元月。
[16]林昇甫、洪成安，神經網路入門與圖樣辨識，全華科技圖書股份有限公
司，民國八十二。
[17]蘇美芳，「無母數集群模式於企業信用評等之應用」，元智大學資訊社會
學研究所，碩士論文、民國八十八年。
英文部分
[18]Horrigan, J. O. “The Determination if Long-Term Credit
Standing with Financial Ratios”, Journal of Accounting
Research, Vol. 4, 1966, pp.44-62.
[19]Pinches, G. E., and Mingo, K. A., “A Multivariate Analysis
of Industrial Bond Rating”, The Journal of Finance, Vol.
28, No. 1, March 1973, pp.1-17
[20]Kaplan, R. S., and Urwitz, G., “Statistical Models of Bond
Rating：A Methodological Inquiry”, Jounal of Business,
Vol.52, No.2, 1979, pp.231-259
[21]Dutta, S., and Shekhar, S., “Bond rating: A non-
conservative application of neural networks”, in
Proceedings of ICNN-88, July 1988, Vol. II, pp.443-450.
[22]Pogue, T. F., and Soldofsky, R. M., “What’s in a Bond
Rating?”, Journal of Financial and Quantitative Analysis,
june 1969, pp.201-228
[23]West, R. R., “An Alternative Approach to Predicting
Corporate Bond Rating”, Journal of Accounting Research,
Spring 1970, pp.118-127
[24]Belkaoui, A., “Industrial Bond Rating：A New Look”,
Financial Management, Autumn 1980, pp.44-51.
[25]Ederington, L. H., “Why Split Rating Occur”, Financial
Management, Spring 1986, pp.37-47.
[26]Surkan, A. J., and Singleton, J. C., “Neural Networks for
Bond Rating Improved by Multiple Hidden Layers”, IEEE INNS
International Joint Confrence on Neural Networks, Vol. 2,
1990, pp.157-162.
[27]Yi-Chuan Lu , Hilary Cheng and Alan Leu, “Neural
Clustering for Corporate Bond Classification”,working
paper (submitted for publication ),1998.
[28]Howe, J. T., Chapter 18: Credit Analysis For Corporate
Bonds, in The Handbook of Fixed Income Securities, Fourth
edition, Irwin, 1995.
[29]Lynch, P., One Up on Wall Street, New York: Simon&Schuster,
1989.
[30]Lynch, P., Beating the Street, New York: Simon&Schuster,
1993.
[31]Fukunaga, K., Introduction to Statistical Pattern
Recognition, Academic Press, San Diego, CA, 1990.
[32]Foley, H., “Considerations of Sample and Feature Size”,
IEEE Trans. On Information Theory, Vol. IT-18, No. 5,
September 1972, pp.618-626.
[33]Porter, M. E., Competitive Advantage：Creating and
Sustaining Superior Performance. New York：The Free Press,
1985
[34]Kohonen, T., “Self-Organization and Associative Memory”,
Springer, Berlin, 1988.
[35]Kohonen, T. et al., “The Self-Organizing Map Program
Package”, Helsinki University of Technooty, Faculty of
Information Technology, Laboratory of Computer and
Information Science, Report A31, 1996.
[36]Kohonen, T., et al. “The Learning Vector Quantization
Program Package”, Helsinki University of Technooty,
Faculty of Information Technology, Laboratory of Computer
and Information Science, Report A30, 1996.
[37]Kohonen, T., “The Self-Organizing Map”, Proceedings of
The IEEE, Vol. 79, No. 9, September 1990, pp.1464-1480.
[38]Clay Stewart, Yi-Chuan Lu, and Vic Larson, “A Neural
Clustering Approach for Waveform Classification”, Pattern
Recognition, Vol. 27, No.4, 1994, pp.503-513.