臺灣博碩士論文加值系統

在預測債券等級的相關研究中，主要的預測目標是Moody’s 或是S&P’s 等債券評等機構所公佈的債券等級。但在台灣的金融市場中，中華信用評等公司並不公開非金融業的企業評等結果，因此在缺乏非金融業的公開評等的情況下，就難以利用各種需要目標值的方法論來進行評等。本研究使用統計k-mean集群分析來進行評等，並以我國經濟發展中的重要產業－電子業上市公司為研究對象，選擇研究樣本為八十四年三月至八十七年三月的季財務資料，其中八十四年三月至八十六年十二月為訓練資料，而八十七年三月為測試資料。我們先將電子業分割成六個子產業，這是因為各子產業有其獨特的產業特性；再依各子產業進行統計k-mean集群分析，而群集數目之選定乃依各子產業之SPR及R2來決定。初始集群結果我們初步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；最後我們提出區別分析方法，將專家調整後的各集群資料形成模式，以作為未來預測信用等級之用。在測試樣本中，集群分析在區分最高信用等級及最低信用等級的樣本中有較好的效果，而在區分中間信用等級的效果較差。

Most researches in bond ratings use historical ratings as learning targets. The targets are usually the public ratings such as the ones from the Moody’s or the Standard & Poor’s. In the absence of target ratings, the methodologies by supervised learning become impractical. We propose a statistical clustering model, known as the k-mean clustering, for classifying corporate credit ratings. 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. The statistical k-mean clustering is then applied to each sub-industry. The number of clusters is evaluated by values of the SPR and the R2 within each sub-industries.　We then provide a set of factors’ weightings of Taiwan Economic Journal as a reference to help experts determine the ratings. Finally, we provide a multivariate discriminant analysis using the previous clustering results for future classifications. The results show that the discriminant analysis has a better accurate rate in discriminating companies with either the best or the worst credit ratings.

一、導論 1
1.1研究背景與動機 1
1.2研究目的 3
1.3研究範圍 4
1.4研究架構 4
二、相關理論與文獻探討 5
2.1信用評等 5
2.1.1傳統金融業的信用評估方法 7
2.1.2台灣企業信用風險指標(TCRI) 8
2.1.3中華信用評等制度(TRC) 10
2.1.4美國信用評等制度 12
2.2信用評等制度之應用 14
2.2.1與債券經理人的關係 14
三、研究方法 16
3.1信用評等之流程 16
3.1.1產業分析 16
3.1.2公司分析 18
3.1.3財務分析 19
3.2數量方法 22
3.2.1集群分析（Cluster Analysis） 23
3.2.2多元區別分析（Multiple Discriminant Analysis） 25
3.2.3本研究選擇之方法論 25
四、研究設計 26
4.1階段一：選擇研究對象 26
4.1.1選擇樣本期間及來源 27
4.1.2選擇研究變數 28
4.2階段二：分割子產業 29
4.3階段三：集群分析的運用與說明 30
4.3.1集群分析之選擇 30
4.3.2集群分析之系統設定 31
4.4階段四：初始集群結果之評等方法 32
4.5階段五：區別分析的建立與說明 33
五、實證結果分析與比較 34
5.1決定集群數 34
5.2形成初始集群 35
5.3初始集群結果之評等 35
5.4建立區別函數 38
5.5測試模式 41
六、結論與建議 44
參考文獻 54

一、英文部份
1.Dutta, S. and S. Shekhar, “Bond Rating: A Non-Conservative Application of Neural Networks”, Neural Networks in Finance and Investing, 1993, Probus Publishing Company, pp.257-273.
2.George E. Pinches and Kent A. Mingo , “A Multivariate Analysis of Industrial Bond Ratings”, Journal of Finance, March 1973, pp.1-18.
3.Horrigan, J.O., “The Determinants of Long Term Credit Standing with Financial Ratios “, Empiricl Research in Accounting Research, 1966, pp.44-62.
4.Yi-Chuan Lu and Hilary Cheng, “Neural Clustering for Corporate Bond Classification”, working paper(submitted for publication), 1998.
5.John F. Childs, Long-Term Financing (Englewood Cliffs, N. J.:Prentice-Hall, 1961), pp. 10 and 11.
6.Kaplan, Robert S., and Gabriel Urwitz, “Statistical Models of Bond Ratings: A Methodological Inquiry”, Journal of Business, Spring 1979, pp.231-261.
7.M. Porter, “Competitive Advantage:Creating and Sustaining Superior Performance”, New York, Free Press, 1985.
8.P. Lynch , One Up on Wall Street, New York: Simon&Schuster, 1989.
9.P. Lynch , Beating the Street, New York: Simon&Schuster, 1989.
10.Sidney Homer, Solomon Brothers & Hutzler, letter dated December 12, 1967.
11.Venkat Srinivasan and Paul J. Bolster, “An industrial bond rating model based on the Analytic Hierarchy Process”, pp.105-119(1990).
12.West, R.R. “An Alternative Approach to Predicting Corporate Bond Ratings”, Journal of Accounting Research, Spring 1970, pp.118-12
二、中文部份
1. 黃俊英, 多變量分析, 中國經濟企業研究所, 民國八十七年六版
2. 裘啟明, 信用查核與財務分析, 時報文化出版, 民國七十七年初版
3. 陳惠玲; 黃政民, 財務報表分析與企業信用評等, 台灣經濟新報文化有限公司, 民國八十四年出版
4. 沈明來, 實用多變數分析, 九洲出版, 民國八十七年出版
5.財訊理財顧問公司, 股市總覽萬用手冊, 民國八十八年出版