臺灣博碩士論文加值系統

本研究使用台灣公開及未公開發行公司財務比率樣本，分別以多變量區別分析(MDA)、羅吉斯(Logit)、倒傳遞類神經網路(BPN)和支向機(SVM)四研究方法在三種不同樣本切割比例下建立企業財務危機預測模型。並對SVM以grid-search technique進行預測穩定性測試，探討公開及未公開發行公司訓練樣本在五組不同切割比例逐漸遞減時，是否能保持良好的SVM預測穩定性。
在建構企業財務危機預警模型上，MDA和Logit模型的實證結果都指出公開與未公開發行公司在三種不同切割比例下的顯著預測財務比例完全不同。在SVM預測穩定性測試上，實證結果發現公開與未公開發行公司的SVM模型在訓練樣本逐漸遞減時，能保持良好的預測穩定性。
檢測公開與未公開發行公司在四種不同研究方法最佳預測能力時，在樣本切割比例為80%（訓練組）對20%（測試組）時，公開發行公司四種研究方法最佳訓練組預測能力分別為SVM、Logit、BPN和MDA。未公開發行公司訓練組最佳預測能力分別為SVM、Logit、BPN和MDA；公開發行公司測試組最佳預測能力分別為Logit、BPN、SVM和MDA。未公開發行公司測試組最佳預測能力分別為SVM、BPN、Logit和MDA。
在樣本切割比例75%對25%時，公開發行公司訓練組最佳預測能力分別為SVM、Logit、BPN和MDA。未公開發行公司訓練組最佳預測能力分別為SVM、Logi、BPN和MDA；公開發行公司測試組最佳預測能力分別為Logit、SVM、MDA和BPN。未公開發行公司測試組最佳預測能力分別為SVM、BPN、Logit和MDA。
在樣本切割比例60%對40%時，公開發行公司訓練組最佳預測能力分別為SVM、Logit、BPN和MDA。未公開發行公司訓練組最佳預測能力分別為SVM、Logit、BPN和MDA；公開發行公司測試組最佳預測能力分別為Logit、BPN、MDA和SVM。未公開發行公司測試組最佳預測能力分別為BPN、SVM、MDA和Logit。實證結果發現，不同樣本切割比例下，四研究方法預測能力順序並不相同。

This paper applies Multiple Discriminant Analysis (MDA), Logit, Back-Propagation Neural Networks (BPN) and Support Vector Machines (SVM) to the bankruptcy prediction issue in an attempt to find out the model with better explanatory power. Our data set includes Taiwan listed and unlisted companies financial data. so that we can compare prediction power between listed and unlisted companies.
In addition, to evaluate the prediction stability of SVM, we use grid-search technique and examine the optimal prediction accuracy of SVM under 5 different cutoff alternatives.
We also compare the predictive accuracy between Taiwan listed and unlisted companies using MDA, Logit, BPN and SVM under three different sample cutoff points. The experiment result show that the sequence of prediction ability different is all different under 3 different cutoff point.

目錄 ..............................................................................................................................I
圖目錄 ...........................................................................................................................III
表目錄 .............................................................................................................................V
第一章 緒論 1
1.1 研究動機與背景 1
1.2 研究目的 3
1.3 研究架構 4
第二章 文獻探討 6
2.1 財務危機預測文獻探討 6
2.1.1 多變量區別分析法(Multiple Discriminant Analysis, MDA) 6
2.1.2 羅吉斯迴歸模型(Logistic Regression Model, Logit) 8
2.1.3 類神經網路(Neural Network, NN) 11
2.1.4 支向機(Support Vector Machine, SVM) 14
2.2 財務危機應用統計模型之比較 17
第三章 研究方法 19
3.1 研究流程 19
3.2 財務危機定義 19
3.3 樣本設計 21
3.4 研究變數 22
3.5 研究假說 24
3.6 研究方法 26
3.6.1 多變量區別分析法(Multiple Discriminant Analysis, MDA) 26
3.6.2 羅吉斯迴歸模型(Logistic Regression Model, Logit) 29
3.6.3 類神經網路(Neural Network, NN) 32
3.6.4 支向機(Support Vector Machine, SVM) 37
3.7 研究設計 44
3.7.1 MDA、Logit、BPN和SVM之共同比較 44
3.7.2 支向機預測穩定性測試 45
第四章 敍述性統計及樣本常態性檢定 48
4.1 Kolmogorov-Smirnov檢定 48
4.2 樣本平均數差異檢定 51
第五章 多變量區別分析模型(MDA) 56
5.1 比較公開及未公開發行公司MDA模型之顯著變數 56
5.2 比較公開及未公開發行公司MDA模型之預測能力 59
5.3 公開發行公司民國78至93年MDA模型之顯著變數及預測能力 61
第六章 Logistic迴歸模型分析 63
6.1 比較公開及未公開發行公司Logit模型之顯著變數 63
6.2 比較公開及未公開發行公司Logit模型之預測能力 67
6.3 公開發行公司民國78至93年Logit模型之顯著變數及預測能力 69
第七章 類神經網路模型分析(BPN) 72
7.1 比較公開及未公開發行公司BPN模型之預測能力 72
7.2 公開發行公司民國78至93年BPN模型之預測能力 76
第八章 支向機實證分析結果(SVM) 78
8.1 比較公開及未公開發行公司SVM模型之預測能力 79
8.2 比較公開與未公開發行公司SVM模型預測穩定性 89
8.3 公開發行公司78至93年預測穩定性測試 101
第九章 比較MDA、Logit、BPN和SVM的預測能力 112
9.1 在樣本切割比例80% vs 20%下比較公開及未公開發行公司
四研究方法之預測能力 112
9.2 在樣本切割比例75% vs 25%下比較公開及未公開發行公司
四研究方法之預測能力 116
9.3 在樣本切割比例60% vs 40%下比較公開及未公開發行公司
四研究方法之預測能力 119
9.4 公開發行公司78至93年在三種樣本切割比例下四研究方法
預測能力之比較 122
第十章 結論與建議 125
10.1 研究結論 125
10.2 研究限制及未來研究方向 128
參考文獻 .................................................................................................................130

參考文獻
中文部份：
1.王文英，「運用類神經網路建構台灣上市公司財務危機預警模型」，實踐大學企業管理研究所碩士論文，民國88年。
2.田惠夢，「保留意見對預測企業財務危機的增額解釋能力」，交通大學管理科學研究所碩士論文，民國86年。
3.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66年。
4.吳建宏，「類神經網路運用於公司財務危機之時點」，成功大學工業管理研究所未出版碩士論文，民國85年。
5.吳智鴻，「結合基因演算法最佳化「支撐向量機」參數∼財務危機上之應用」，國立台北大學企業管理研究所博士論文，民國92年。
6.沈大白、張大成、劉宛鑫，「運用類神經網路建構財務危機預警模型，」台灣經濟新報，貨幣觀測與信用評等第38期，第95-102頁，民國91年11月。
7.施大為，「運用財務比率建立上市公司經營績效評估模式之研究」，碩士論文淡江大學管理科學研究所，民國80年。
8.徐美珍，「企業財務危機之預測」，國立政治大學統計研究所碩士論文，民國92年。
9.徐淑芬，「台灣上市公司財務危機預警-應用多變量CUSUM時間序列分析」，東華大學企業管理研究所碩士論文，民國88年。
10.梁清源，「財務危機判斷模式之探討─公司財務比率與相對財務比率判斷能力之相對研究比較」，淡江大學管理科學研究所未出版碩士論文，民國81年。
11.郭瓊宜，「類神經網路在財務危機預警模式之應用」，私立淡江大學管理科學研究所未出版之碩士論文，民國83。
12.陳明賢，「財務危機之計量分析研究」，台灣大學商學研究所未出版碩士論文，民國74年
13.彭俊豪，「以類神經網路建構上市公司財務預警模型之比較研究」，朝陽科技大學財務金融系碩士論文，民國88年。
14.黃小玉，「銀行放款信用評估模式之研究最佳模式之選擇」，私立淡江大學管理科學管理經濟組未出版碩士論文，民國77年。
15.黃俊雄，企業財務危機預警模型在銀行授信決策之運用，國立政治大學企業管理研究所未出版碩士論文，民國83年。
16.葉怡芳，「構建財務危機預警模式—支向機與羅吉斯之應用」，元智大學會計學系碩士論文，民國92年。
17.劉振遠 ，「建構台灣未上市公司財務危機之預測-支向機與GMDH模式之運用，」，元智大學管理研究所碩士論文，民國94年。
18.潘玉葉，「台灣股票上市公司財務危機預警分析」，私立淡江大學管理科學研究所博士論文，民國七十九年。
19.蔡秋田，「運用類神經網路預測上市公司營運困難之研究」，成功大學管理科學研究所未出版碩士論文，民國84年。
20.鄭瑞楠，「財務分析在銀行授信決策上的應用研究」，東華大學企業管理學系未出版碩士論文，民國88年。
21.龔志明，「財務危機預測模型之跨期性研究」，中山大學財務管理研究所碩士論文 ，民國89年。
22.葉怡成，「類神經網路模式應用與實作」，儒林圖書有限公司，民國92年。

英文部份：
1.Altman ,E.I. ( 1968 ), “Financial Ratios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy” , Journal of Finance, Vol.23, No.4, September, 1968, pp.589-609.
2.Blum, M. ( 1974 ),“Failure Company Discriminant Analysis”, Journal of Accounting Research, Vol.12, 1974, pp.1-25.
3.Coats, P. K., and L. F. Fant. ( 1993 ) ,“Recognizing financial distress patterns using a neural network tool”, Financial Management 22, no.3, pp.142-155.
4.Collins and Green ( 1982 ), “Statistical methods for bankruptcy forecasting”, The Journal of Economics and Business, vol. 34, No.4, pp.349-354.
5.Cortes, C., Vapnik, V. ( 1995 ), “Support-vector networks.”, Machine Learning, Vol.20, 1995, pp.273-297.
6.Cristianini, N., and J. Shawe Tayor. ( 2000 ),“An Introduction to Support Vector Machines”, Cambridge University Press.
7.Cristianini, N., Campell, C., and Shawe Taylor ( 1999 ),“Dynamically Adapting Kernels in Support Vector Machines”, In Advances in Neural Information Processing Systems, Vol.11, 1999, pp.204-210.
8.Deakin, E. B., ( 1972 ),“A Discriminant Analysis of Predictors of Business Failure”, Journal of Accounting Research, pp.167-179.
9.Fan, A., and M. Palaniswami ( 2000 ) ,“Selecting Bankruptcy Predictors Using a Support Vector Machine Approach”, Proceeding of the IEEE-INNS-ENNS International Joint Conference on Neural Networks, 6, pp.354-359.
10.Jae H. Min ,Young-Chan Lee ( 2005 ),“Bankruptcy Prediction using support vector machines with optimal choice of kernel function parameters bankruptcy prediction model”, Expert Systems with application 28, 2005, pp.603-614.
11.K.J. Kim ( 2003 ),“Financial time series forecasting using support vector machines”, Neurocomputing 55, 2003, 1/2, pp.307-319.
12.Kyung-shik Shin, Taik Soo Lee ,Hyun-jung Kim ( 2005 ),“An application of support vector machines in bankruptcy prediction model”, Expert Systems with application 28, 2005, pp.127-135.
13.Lawrence, E.C.and N.Arshadi ( 1995 ),“A Multinomial Logit Analysis of Problem Loan Resolution Choices in Banking”, Journal of Money, Credit, and Banking, 27, pp.1-15.
14.Lin, Lee-Hsuan ( 1992 ),“An Examination of the stability of Forecasting in Failure Prediction models”, Warwick University Press.
15.Lo, A. ( 1986 ),“Logit versus discriminant analysis: A specification test and application to corporate bankruptcy”, Journal of Economet-rics, 31(2), pp.151-178.
16.Martin.D ( 1977 ),“Early Warning of Bank Failure”, The Journal of Banking and Finance, pp.249-276.
17.Mattera, D. and Haykin, S. ( 1999 ),“Support Vector Machines for Dynamic Reconstruction of a Chaotic System”, In B. Schölkopf, C. J. C. Burges, and A. J. Smola, editors, Advances in Kernel Methods --- Support Vector Learning, Cambridge, MA, MIT Press, 1999, pp.211-242.
18.Mensah, Yaw M. ( 1984 ),“An Examination of the Stationarity of Multivariate Bankruptcy Prediction Models: A Methodological Study”, Journal of Accounting Research, Vol. 22, No.1, 1984, pp.380-395.
19.Mossman, C. E., Bell, G. G., Swartz, L. M., & Turtle, H. ( 1998 ),“An empirical comparison of bankruptcy models”, The Financial Review, 33(2), pp.35-54.
20.Odom, M. D. and R. Sharda. ( 1990 ),“A neural network model for bankruptcy prediction”, Proceedings of 1990 International Joint Conference on Neural Networks, San Diego, CA, vol. 2, pp.163-168.
21.Ohlson.J.A., ( 1980 ),“Financial Ratios and the Probabilistic Prediction of Bankruptcy”, Journal of Accounting Research, Vol.18, 1980, pp.109-131.
22.Tam, K., and K. Kiang ( 1992 ),“Managerial applications of the neural networks: The case of bank failure predictions” , Management Science, 38, pp.416-430.