臺灣博碩士論文加值系統

隨著世界潮流，金融發展國際化、自由化，信用卡、現金卡等消費金融商品不斷推陳出新。金融機構藉由建構消費者評分模型，以降低處理客戶繁雜資料之成本，達到控制客戶相關風險之管理。
消費者信用評分，是金融機構利用申請者提供相關資訊，以分析評估風險的一種統計方法。一般而言，金融機構決定是否核准消費者申請信用貸款，有兩種貸款給消費者的決策類型，分為信用評分(Credit Score)及行為評分(Behavior Score)。前者主要為金融機構核准於新客戶所進行的評分，支援這項決策的工具稱為信用評分方法(credit scoring methods)，後者決策類型為他們如何對現存的客戶進行分析。
本研究針對信用卡核卡後違約風險評估模型進行探討。實證分為兩部分：一為採用類神經網路方法進行信用卡違約風險分析，加入粗糙集與因素分析方法篩選變數，以及建構邏輯斯迴歸模型進行比較，實證結果顯示經由粗糙集篩選變數後得到最高預測準確率90.4%；另一為應用粗糙集分類規則，並且結合其他演算法進行信用卡違約風險評估，最後，加入類神經網路LTF-C分類進行比較。實證結果顯示，粗糙集結合覆蓋率演算法與可學習進化演算法之分類規則法，其預測準確率皆得到最高預測準確率88.8%。

The aim of this study is to develop sophisticated default risk evaluation models for credit card. The empirical investigation is divided into two sections. The first section is to construct two models including Back Propagation Network (BPN) and Logistic Regression (LR) to predict the default cases. In the BPN model, we group variables into four categories with various feature extraction methods prior to perform the comparison of the predictive accuracy. Empirical results show that BPN model based on the feature extraction of rough set achieves higher adaptability and prediction accuracy. In the second section, the rough set approach is compared with the rule based classifier, rule based classifier with discrete data, decomposition tree, k Nearest Neighbor (k-NN) classifier, and Local Transfer Function Classifier. Empirical results show that the rule based classifier with Learnable Evolution Model (LEM Algorithm) is superior to other approaches.

摘要 I
Abstract II
誌謝 III
目錄 IV
表目錄 VI
圖目錄 VII

壹、 導論 1
一、研究背景 1
二、研究動機 3
三、研究目的 4
四、研究架構 5
貳、文獻探討 7
一、信用評分相關文獻 7
二、類神經網路之相關文獻 10
三、粗糙集之相關文獻 12
參、研究方法 14
一、類神經網路 14
二、粗糙集 20
三、因素分析 22
肆、實證結果與分析 26
一、資料來源與處理 26
二、類神經網路模型與邏輯斯迴歸模型之實證結果 29
(一)以粗糙集篩選變數 29
(二)因素分析 33
(三)邏輯斯迴歸模型之預測準確率 35
三、以粗糙集與類神經網路分類規則模型之實證結果 40
(一)分類規則 41
(二)切割分類規則 43
(三)分解樹 45
(四) k個最接近鄰近法 48
(五)局部轉換函數 49
伍、結論 51
參考文獻 54
附錄 58
附錄一 信用卡定型化契約範本第十五條 58
附錄二 職業之職位統整表 59
附錄三 第一碼郵遞區號之分區表 60
附錄四 行業分類表 60
附錄五 因素分析之主成份法之第一次萃取之特徵值 61
附錄六 尚未轉軸之因素負荷 62
附錄七 利用最大變異轉軸之因素負荷 63
附錄八 因素分析已轉軸主成份分析之共通性 64
附錄九 因素分數係數 65
表目錄
表 1 信用卡業務統計 2
表 2 混淆矩陣表 20
表 3 計算混淆矩陣之範例表 20
表 4 因素分析與主成份分析比較異同表 23
表 5 研究輸入、出變數表 29
表 6 屬性離散化分組表 31
表 7 B組變數群之核數值 32
表 8 C組變數群之核數值 33
表 9 前15位客戶之因素分數 35
表 10 邏輯斯迴歸估計結果 36
表 11 邏輯斯迴歸模型之預測準確率 37
表 12 類神經網路依不同學習循環次數得到預測準確率 38
表 13 利用粗糙集篩選變數群B得到預測準確率 39
表 14 利用粗糙集篩選變數群C得到預測準確率 39
表 15 利用因素分析篩選新變數群D得到預測準確率 39
表 16 萃取變數後之預測準確率 40
表 17 規則分類之基因演算法混淆矩陣 41
表 18 規則分類之覆蓋率演算法混淆矩陣 42
表 19 規則分類之可學習進化演算法混淆矩陣 42
表 20 分類切割表 43
表 21 切割分類之規則 44
表 22 切割性規則分類之混淆矩陣 44
表 23 分解樹-樹葉結點為100 45
表 24 分解樹-樹葉結點為500 46
表 25 分解樹-樹葉結點為1000 47
表 26 k-NN 分類規則方法 49
表 27 LTF-C分類規則方法 49
表 28 分類規則方法之預測準確率彙整表 50
圖目錄
圖 1 研究架構流程圖 6
圖 2 生物神經元基本架構 15
圖 3 神經元標準模型 16
圖 4 四種常用的轉換函數 18
圖 5 以粗糙集篩選變數之過程示意圖 31
圖 6 特徵值之陡坡圖 34
圖 7 分解樹-樹葉結點為100規則圖 46
圖 8 分解樹-樹葉結點為500規則圖 47
圖 9 分解樹-樹葉結點為1000規則圖 48

一、中文文獻
丁正中，2004，「消費金融信用風險研究—信用評分概述」，金融風險管理季刊。
宋杰鯤、張宇，2008，「基於粗糙集的企業財務失敗預警系統」，金融教學與研究，120期：42-44。
余尚武、劉憶瑩、周俊宏，2007，「運用類神經網路與支撐向量機於個人信用卡授信決策之研究」，永豐金融季刊，38期：131-153。
周天穎，2006，「知識表達方法於影像判釋之研究－以粗糙集合理論與主成分分析為例」，逢甲大學環境資訊科技研究所碩士論文。
林芝儀，2003，「應用資料探勘於信用卡授信決策模式之實證研究」，元智大學工業工程與管理學系碩士論文。
莊慶達，劉祥熹，吳明峰，2007，「台灣漁會信用部金融預警系統之研究－類神經網路模式之應用」，農業經濟叢刊，13卷1期：125-145。
俞慧華，2002，「改良式類神經網路模式於信用卡顧客關係管理之研究」，國立台北科技大學商業自動化與管理研究所碩士論文。
施孟隆、游清芳、李佳珍，1999，「Logit 模式應用於信用卡信用風險審核系統之研究-以國內某銀行信用卡中心為例」，金融財務月刊，4期：85-104。
黃財尉，2003，「共同因素分析與主成份分析之比較」，彰化師大輔導學報，25 期：63-86 。
黃嘉興、謝永明、劉宗哲，2004，「使用Logistic迴歸模型與區別分析尋求最佳預測變數組合以建立是否違約之預測模式」，東吳經濟商學學報，48期：103-126。
陳順宇，2005，「多變量分析」(第四版)，華泰文化事業股份有限公司，台北：67-141。
陳敬聰，1997，「信用卡信用風險評估之研究」，國立雲林科技大學資訊管理技術研究所碩士論文。
陳承昌、史天元，2007，「粗糙集方法應用於水稻田辨識之研究」，航測及遙測學刊，12卷2期：121-131。
莊瑞珠，2006，「邏輯斯迴歸模型運用在女性信用卡評分制度之研究」，輔仁管理評論，14卷1期：127-154。
曾月金，2003，「信用卡詐欺偵測模式之研究」，銘傳大學資訊管理學系碩士在職專班碩士論文。
彭慧雯，2001，「建構信用卡資料挖礦架構及其實證研究」，國立台北科技大學生產系統工程與管理研究所碩士論文。
詹書銘，2005，「演化式類神經網路、灰關聯分析應用於信用卡風險管理之實證研究」，朝陽科技大學財務金融學系碩士論文。
張斐章、張麗秋、黃浩倫，2004，「類神經網路理論與實務」，東華書局出版社，台北。
傅粹馨，2002，「主成份分析與共同因素分析相關議題之探究」，教育與社會研究，3期：107-132。
溫坤禮、永井正武、張廷政、溫惠筑，2008，「粗糙集入門及應用」，五南圖書出版股份有限公司，台北。
葉玫惠、張靖宜、廖咸興、周國端，2007，「信用卡使用者之違約風險研究－存活分析模型之應用」，金融風險管理季刊，3卷2期：1-30。
葉振山、鄭景俗，2005，「強化粗糙集應用於闌尾炎之分類」，醫療資訊雜誌，14卷2期：1-16。
劉洋，2008，「粗糙集與神經網路理論在數據挖掘中的應用分析」，信息資源建設與管理，農業網路信息，9期：30-31。
錢明儀，2008，改變世界的8大創意，Cheers， 95期。
蕭文卿、黃麗君、王國光，2007，「房屋抵押貸款客戶違約預測模式之比較研究」，金融風險管理季刊，3卷1期：63-82。
龔昶元，1998，「Logistic Regression 模式應用於信用卡信用風險審核之研究-以國內某銀行信用卡中心為例」，台北銀行月刊，28卷9期：35-49。
二、英文文獻
Altman, Edward I., Giancarlo Marco, & Franco Varetto, 1994, “Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience).” Journal of Banking & Finance, 18(3): 505–529.
Behr Patrick & André Güttler, 2007, Credit risk assessment and relationship lending: an empirical analysis of German small and medium-sized enterprises, Journal of Small Business Management, 45(2): 194–213.
Cattel, R.B., 1966, The scree test for the number of factors, Multivariate Behavioral Research, 1: 245-276.
Capon, N., 1982, Credit scoring systems: a critical analysis. Journal of Marketing , 46: 82–91.
Coats, Pamela K. & L. Franklin Fant, 1993, Recognizing Financial Distress Patterns Using a Neural Network Tool. The Journal of the Financial Management Association, 22(3): 142–155.
Chye Koh Hian ,Tan Wei Chin & Goh Chwee Peng, 2004, Credit scoring using data mining techniques, Singapore Management Review, 26(2): 25–47.
Desai, V. S., Crook, J. N., & Overstreet, G. A., 1996, Acomparison of neural networks and linear scoring models in the credit environment, European Journal of Operational Research, 95: 24–37.
Desai,V. S., Convay, D. G., Crook, J. N., & Overstreet, G. A., 1997, Credit scoring models in the credit union environment using neural networks and genetic algorithms, IMA Journal of Mathematics Applied in Business and Industry , 8: 323–346.
Daubie M., P. Levecq, & N. Meskens, 2002, A comparison of rough sets and recursive partitioning induction approaches : an application to commercial loans, International Transactions in Operational Research, 9(5): 681-694.
Eisenbeis, R. A., 1977, Pitfalls in the application of discriminant analysis in business, finance and economics, Journal of Finance , 32: 875–900.
Eisenbeis, R. A., 1978, Problems in applying discriminant analysis in credit scoring models, Journal of Banking and Finance,2: 205–219.
Kaiser, H.F., 1960, The application of electronic computers to factor analysis, Educ.Psychol. Meas., 20: 141-151.
Myers, J. H., & Forgy, E. W., 1963, The development of numerical credit evaluation systems, Journal of American Statistics Association, 58: 799–806.
Orgler, Y. E., 1971, Evaluation of bank consumer loans with credit scoring models,Journal of Bank Research 1: 31–37.
Pawlak, Z., 1982, Rough sets, International Journal of Computer and Information Science, 11(5) : 341-356.
Sturges, H., 1926, The choice of a class-interval. J. Amer. Statist. Assoc., 21: 65–66.
Tam, Kar Yan & Melody Y. Kiang , 1992, Managerial applications of neural networks: the case of bank failure predictions. Management Science 38(7): 926-947.
Thomas, Lyn C. 2000, A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers, International Journal of Forecasting, 16(2): 149–172.
Thomas, Lyn C., 2000, A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers, International Journal of Forecasting, 16(2): 149–172.
Wojnarski, M. 2002, Modeling the Bank Client''s Behavior with LTF-C Neural Network. EUNITE 2002 Competition, solution description.
Yao, Yiyu & Yan Zhao, 2008, Attribute reduction in decision-theoretic rough set models. Information Sciences, 178(17): 3356–3373.