建構信用風險評等與市場風險評估之計算智慧模型

(1)

行政院國家科學委員會專題研究計畫成果報告

建構信用風險評等與市場風險評估之計算智慧模型

研究成果報告(精簡版)

計畫類別：個別型計畫編號： NSC 98-2410-H-151-003- 執行期間： 98 年 08 月 01 日至 99 年 12 月 31 日執行單位：國立高雄應用科技大學金融系計畫主持人：林萍珍報告附件：出席國際會議研究心得報告及發表論文處理方式：本計畫涉及專利或其他智慧財產權，2 年後可公開查詢

中華民國 100 年 03 月 28 日

(2)

行政院國家科學委員會補助專題研究計畫

■成果報告

□期中進度報告

建構信用風險評等與市場風險評估之計算智慧模型

計畫類別：■個別型計畫 □整合型計畫

計畫編號：NSC 98-2410-H-151-003

執行期間：2009/08/01 ~ 2010/12/31

執行機構及系所：國立高雄應用科技大學金融資訊管理所

計畫主持人：林萍珍

共同主持人：無

計畫參與人員：

成果報告類型(依經費核定清單規定繳交)：■精簡報告 □完整報告

本計畫除繳交成果報告外，另須繳交以下出國心得報告：

□赴國外出差或研習心得報告

□赴大陸地區出差或研習心得報告

■出席國際學術會議心得報告

□國際合作研究計畫國外研究報告

處理方式：

除列管計畫及下列情形者外，得立即公開查詢

□涉及專利或其他智慧財產權，□一年■二年後可公開查詢

中華民國 100 年 3 月 7 日

(3)

建構信用風險評等與市場風險評估之計算智慧模型

報告內容：一、前言國際間各國銀行都積極以新巴塞爾協定為主要指導原則進行信用風險管理改革，尋求信用風險控管的最佳策略。傳統羅卲斯迴歸僅適用於解決分成兩類的預測問題，雖然累積羅卲斯迴歸模型可以分成多類，但是累積羅卲斯的 S 曲線通常以等距或經驗法則切割門檻值做分等，當違約機率產生變動時會造成等級變動的不對稱現象。因此，本計畫提出演化式多重組合羅卲斯迴歸模型，每一個等級有個別的羅卲斯迴歸模型，可依使用者需求設定不同等級的評等模型，並且模型的門檻值與預測變數是藉由遺傳演算法以非線性方式做最佳化，以此研究模型建立一套演化式多重組合羅卲斯迴歸信用評等系統。另外，其目標函數是以新巴塞爾協定建議的驗證方法對本計畫模型進行違約預測力、評等穩定度以及等級同質性三方面的模型驗證。實驗結果發現，信用風險違約評等的預測效力以及等級同質性方面明顯優於台灣經濟新報的信用風險指標；多期違約時間點的實證中，反應出近期的財報與公司治理等相關資訊的揭露對模型具有較佳的預測效力；代表穩定性指標的移轉矩陣率會隨著使用者設定的評等級數增加而呈下降的常態現象；財務變數的獲利能力與每股收益以及公司治理的董監報酬、持股、財測與管理者異動等是影響評等模型預測效力的重要因素；

二、

研究目的本計畫目的之一是藉由遺傳演算法挑選出在企業財務體質、公司自治以及總體環境等變數中最具預測效力的因素，提昇預測企業的信用風險等級的準確性。各家銀行的文化和特性不同，授信策略也會有所差異，故我們加入依銀行授信評等等級的設定來建立一套準確、有效的信用風險評等管理資訊系統，亦即授信可依偏好設定分類的等級，每一個類別的評等是個別建立模型與門檻值，以及藉由演化方式找尋最佳預測因果結合，期望能增添分類的效能，此為目的二。提出一個創新的評等模型，結合多重組合羅卲斯迴歸(Multiple Combinatorial Logistic Regression Model, MCLR)及遺傳演算法(Genetic Algorithm, GA)來建置出演化式多重組合羅卲斯迴歸信用評等系統(Evolutionary MCLR Credit Rating System, EMCRS)，盼能有助於銀行管理企業授信風險以及建立符合銀行策略的內部評等系統，此為最重要的目的。

三、

文獻探討

1. 違約預測模型

根據 Balcaen et. al. (2006)文獻整理違約預測方法分四大類：第一類，單變量分析 (Univariate Analysis)，使用單一變數，該變數與預測結果呈線性的關係；第二類，是風險指標模型(Risk Index Models)，由 Tamari(1966)提出簡單且直覺的分數系統，可包含不同的變數，每個變數都有分數，使用者主觀的分配變數權重彙總後再做預測；第三類，多元區別分析(Multiple Discriminant Analysis, MDA)，由 Altman (1968)應用 MDA 於企業倒閉預測，MDA 限制使用的變數符合常態分配並互相獨立，變數建構出的線性方程式將產生一個區別分數介於-∞到∞的值域，藉由門檻值來判斷企業是否違約；第四類，條件機率模型(Conditional Probability Models, CPM)，Hosmer et. al. (1989)應用 CPM 發展出 LR 模型假設其機率呈現羅卲斯分配的機率模型，另假設變數和違約機率之間呈線性關係的線性機率模型。Lin & Ko (2006)以 LR、NN、MDA 預測企業發生財務危機，應用遺傳演算法與粒子群演算法最佳化變數以及各模型預測權重，實驗結果顯示整合模型的預測力最佳。

2. 預測變數選擇相關文獻

信用風險預測變數包含多種類別，本節依據過去一些學者使用預測變數的類型進行探討做為本計畫變數來源的參考。傳統風險預測模型挑選變數，通常是以線性搜尋的方式進行，例如：逐步分析法 Donate et. al.(1999)、因素分析法 Deakin(1972)，其變數組合方式是以次序加入或剔除，較不易找到最佳變數組合。Ohlson(1980)是首先利用多元羅卲斯迴歸模型來建立 PD 預測模型，使用到的變數共有 9 個財務比率，包含流動比率、總負債是否大於總資產、總資產報酬率、負債比率、淨利變動率、資產規模、營運資金佔總資產比率、是否連續兩年為負淨利、營業活動淨現金流量/平均總負債。 Laster(2003)發表的文章中使用到的財務變數有七類：資本適足、負債財務槓桿、流動性資產、績效表現、現金流、獲利能力和規模大小(Size)，其在公司財務預測與評等上，有不錯的表現。Ugurlu(2006)收集的預測變數有 80 個分成八類：獲利能力、流動性資

(4)

產、償付能力、經濟危險程度、槓桿作用、效率、波動度以及規模，並利用這八類的變數來有效預測新興市場的公司違約與否。

Huyghebaert et. al. (2000)利用現金流量變數，如營運活動之現金流量、投資活動之現金流量及融資活動之現金流量、營運資金現金流量、公司規模大小取對數及產業變數等，透過 Logit 模型來評比現金流量模型與一般財務指標模型之預測能力。結果顯示，現金流量模型預測能力優於一般財務指標模型。綜合各國內外學者的研究成果，可以發現變數選取攸關模型的解釋能力，包含財務變數及非財務變數的綜合模型解釋能力大多數優於僅考慮財務變數的財務變數模型，羅卲斯迴歸模型對於預測企業財務危機，具有相當的效力。變數的選擇方法多是線性方法，如逐步迴歸或經驗法則等方法。若應用非線性方法做變數的最佳化或許可以獲得更好的預測結果。 3. 門檻值相關文獻

Ran et. al.(2000)文中強調門檻值是構成預測模型效力主要因素。門檻值為預測目標分類依據，若門檻值設定不恰當，容易提高錯誤率導致模型預測力下降。在巴塞爾銀行監管委員會(Basel Committee on Banking Supervision) (2005) 中提到收受者操作特性 (receiver operating characteristic, ROC)驗證方法，即是針對模型門檻值區分預測效力進行量化的計算，ROC 值愈高代表模型愈佳。Limin 與 Douglas(2002)在累積羅卲斯分類以等距分等方式決定門檻，此方法採用均分法分配多種評等等級的門檻值，在 S 曲線的中間段的門檻值範圍較小而除峭；曲線的頂端與底端的門檻值範圍較大而平滑，因為門檻值大小不一致較容易影響評等效力。Foreman(2003)則是使用 LR 模型以一個常數或機率的平均值 0.5 來當門檻值，但是此種分法只適用於單一類別並不適用於多類別評等問題。由此看來，門檻值的決定對於企業違約預測模型的優劣佔有重要地位。 4. 遺傳演算法遺傳演算法乃 Holland(1975)所提出是人工智慧中有力(powerful)的一種技術，其本質上為一個機率性的演算法則，能在廣大的求解空間中，快速的搜尋最適解。Shin et. al. (2002)與 Laitinen et. al. (2000)兩篇文章均指出，雖然很多研究的實驗結果報導 NN(或 SVM)的績效優於其他模型，但應用 NN 模型的缺點歸納為：第一，尋找變數與函數之間的非線性關係時容易產生過度配適(overfitting)問題；第二，藉由不同參數設定(如神經元網路架構、學習函數、訓練函數等)找尋合適的類神經網路成為一種藝術，意指以試誤法(try and error)設定相關參數以找尋類神經網路模型；第三，NN 學習後的網路結構不易讓使用者了解和使用，對其結構規則可讀性不佳而產生黑箱(black boxes)作業的刻板印象；第四，其穩定性不足以及驗證困難使得實務界接受度不高。

四、

研究方法 1. 研究架構本計畫提出 EMCRS 的研究架構【圖 1】：EMCRS 系統就是透過這樣的演化機制，來尋找最佳的評等估計模型、預測變數組合以及適當的門檻值，學習出最具驗證效力的信用風險模型。評估 初始化第t代 族群第t+1代族群挑選、交配、突變演化機制評估函數內容預測因子多重組合式羅卲斯模型樣本資料等級門檻評等模型驗證 Fitness value Vcap Vroc Vks Vtm Vcier

CAP 效力驗證 ROC KS TM CIER 穩定性驗證等級同質性驗證變數個數 Vvars 其它目標【圖 1】演化式多重組合羅卲斯迴歸信用評等系統(EMCRS)架構圖

(5)

在【圖 2】中我們以迴歸殘差值ε來代表樣本在 MCLR 所得到的預測值，ε的範圍是從負無窮大到無窮大，MCLR 是由多個 LR 所互相累積而成，不同的ε會對應不同的違約機率，當樣本預測出來的ε落入二個門檻值和之間，則樣本的預測信用評等為第 2 級，而等級愈高則違約風險愈高，本計畫模型會依據使用者的級別需求來產生適當並能有效區分企業的等級門檻值。在【圖 2】是以評等四級為例。 MCLR 不同於 CLR 的地方，在於 CLR 不易在累積機率分配 S 曲線上，區分多個門檻，因為 S 曲線特性是從 0 到 1，傳統採用均分法切割不同評等的門檻值，造成中間的線段 BC 是急劇上升如【圖 3】。BC 段在設定多個門檻值的評等時，因其違約機率值會過於接近，模型的預測規則容易受到樣本機率變動，使得預測樣本等級結果較敏感，造成模型的預測結果較不穩定，而線段 AB 和線段 CD 則較平緩，落入這兩線段内的門檻，因其違約機率值間隔較大，樣本較容易被評等為該區段的等級。 1.0 0 ∞ -∞ 殘差項ε值違約機率 c 1  c 2  c 3  1.0 0 ∞ -∞ 殘差項ε值違約機率 c 1  c 2 c 3  c 5  c 4  0.5 A B C D 【圖 1】MCLR 圖【圖 2】CLR 圖 2. 染色體編碼在【圖 4】我們看到 GA 中染色體長度可分為二部分(1)預測變數、(2)區分不同違約風險等級門檻值，EMCRS 系統可依照使用者希望的分等數量如 m 等，來決定 MCLR 迴歸的分等門檻數量，每個門檻值是以 11 bit 來表示（1 bit 代表正負值、4 bit 代表整數部分、6 bit 代表小數部分），門檻值編碼共有(m-1)×11 個 bit，故染色體長度共有(m-1)× 11 個 bit。

X1 X2 … Xn-1 Xn

模型所挑選原始變數n個門檻值：系統使用

者欲評等的數量-1 1 bit 4 bits 6 bits

整數小數部分正負號 … c 1  c m 1  【圖 3】染色體編碼示意圖 染色體的編碼門檻值的部分，解碼之後會將門檻值進行由小到大的排序，即代表評等低到高(1…m)的門檻值，評等等級愈高，代表違約機率愈大。排序過程可見【圖 5】示意圖。門檻值編碼未排序： 0 1 1 0 1 1 0 1 0 1 1 1 0 0 1 0 1 0 1 1 1 0 解碼值： 13.671875 -2.703125 門檻值編碼排序後： 1 1 1 1 1 1 1 1 1 1 1 0 1 1 0 1 1 0 1 0 1 1 解碼值： -2.703125 13.671875 【圖 4】門檻值排序示意圖 3. 多重組合羅卲斯迴歸模型本計畫是利用 MCLR 模型來預測企業信用風險等級，MCLR 的累積機率分配曲線，是由多個 LR 間層層累積組合方式形成。

(6)

在 LR 方法中，首先假設自變數與因變數為線性關係如方程式(1)： j n k jk k j x y  



  1 0 * (1) 當連續變數 * j y 大於某一門檻值，即代表事件發生（yj 1_）_{，其歸屬函數如方程式(2) ：}         0 , 0 1 , 0 * * j j j j y y y y (2) 可從P



y_j 1x_j



推導得到 MCLR 中第 m-1 個 LR 迴歸估計值P



y_j mx_j



，c_{表示 MCLR} 中各 LR 的門檻值，其推導過程如方程式(3)：





      _ __ _ _                  _ _ _  



     j n k c m jk k c j n k j jk k j j j n k jk k j j x x P x x P x x P x m y P m 1 1 0 1 0 1 0 ) ( ) ( 0 1            (3) 假設_j的機率分佈是互相對稱，因此方程式(3)可以改寫成方程式(4) ：





      _ _ _        _ _ _ _  



     j n k c m jk k j j n k c m jk k c m j j j x x P x x P x m y P 1 1 0 1 1 0 1 2 ) ( ) (          (4) MCLR 的累積違約機率計算方式為：假設 MCLR 欲分 10 等則需分成 9 個 LR 來組合，每個 LR 各佔有全部違約機率的 1/9，方程式(5)中 m 是 LR 的等級數量， c m c c 1 2 1       ，每個c_{的位置是透過以 GA 找出最佳分界點，以提高違約機} 率分等的效力，則違約機率累積分佈函數如方程式(5)：











               1 1 ( 2 ) 1 1 1 0 1 1 1 1 1 1 m z x m z j j j j n k c z jk k e m x z y P m x D y P    (5) 為了推估方程式中各個參數值，我們利用最大概似法依據給定的樣本資料使概似函數最大化，它們的聯合機率函數可表示為各邊際機率函數的乘積見方程式(6)：



 4 4 3 3 2 2 1 1 ... ) ln( ) ( ln n nm m n n n P P P P P L  ₍₆₎ 為求出此事件機率最大值發生處，將已知之樣本資料代入L()中，為計算方便，故先對L()取對數可得其對數概似值見方程式(7)： ) .... ln( ) ( 3 3 2 2 1 1



     nm m n n n P P P P L  ₍₇₎ 為使L()最大之估計值值，分別對方程式(7)式中₀ ~_n值做偏導數，並令其為 0，則會產生 n+1 條非線性方程式。在求出₀ ~_n之前，首先以泰勒展開式( Taylor's Expansion )將此 n+1 條的非線性方程式轉成多項式，假設χ已知，∆χ未知，則如方

(7)

程式(8)：              2 ) ( ! 2 ) ( ) ( ! 1 ) ( ) ( ) (



f



f



f



f (8) 如果變動量∆χ趨近於 0，則可只擷取前兩項，其餘省略，此即為牛頓法(Newton's Method)。為了求得其解，則其推導過程可見方程式(9)-(12)。                                                                                                        2 2 1 2 0 2 2 1 2 1 0 2 0 2 1 0 2 2 0 2 1 0 1 0 , , , n n n n n n n n n f f f f f f f f H f f f f g                                (9)



 



        f gT T H 2 1 (10)

0 







H



g

(11) g H    



1 (12) 透過上列方程式取得0 ~n的值，再利用前面遺傳演算法得到 c c m 1 1 ~   和自變數

x

j_{代回(5)式即可以求出樣本 j 的違約機率}P



yj Dxj



_{，而違約機率再與各} 個機率門檻比較，可得知樣本機率歸類為何種信用風險等級。 4. 驗證方法本小節是介紹五種 Basel II 的驗證方法，以下將說明這 5 個指標的用法。 (1). CAP

CAP 曲線為違約預測力之評估方法，其最終可求得一個準確值(Accuracy Ratio， AR)，AR 值愈接近 1，則表示違約預測力越具有可信度。依據每個等級的樣本依序加入，並將累積至各等級總樣本的累積比率及違約樣本的累積比率繪成曲線見【圖 6】。

【圖 5】CAP 圖

資料來源：Basel Committee on Banking Supervision (2005)

【圖 6】KS 圖

(8)

CAP 圖是由完美模型(perfect model)、評等模型(rating model)，以及隨機模型 (random model)。完美模型表示高違約機率客戶可以在 X 軸的前端將違約客戶全部捕捉到，代表模型的偵測能力最完美；評等模型所繪出的 ROC 曲線越接近完美模型曲線，則代表模型偵測能力越好；隨機模型的預測結果幾乎是隨機的，也就表示這個模型不具有偵測能力。CAP 中重要的指標為 AR ，其計算方式就是透過上圖中 Ar 的面積佔有三角形 0AB（Ap）的面積之比率。N 等於樣本大小，AR 值越接近 1，則表示模型偵測能力越好。Ar 的計算見方程式(13)。 Ap Ar AR ₍₁₃₎ (2). KS KS 檢定的功用是檢定兩個連續型隨機變數是否具有相同的機率分配為【圖 7】的 X 軸為分級等級，Y 軸為累積(非)違約佔總(非)違約之比率。其中，實線為非違約累積曲線，虛線為違約累積曲線，兩條線之間的最大差距為 KS 值。Elizabeth(2001) 曾針對各種情況下的 KS 值，進一步說明其與模型鑑別能力之關係如【表 1】。【表 1】KS 值表 KS 值模型的優劣程度 <20 模型不具鑑別能力 20~40 模型鑑別能力普通 41-50 模型鑑別能力好 51-60 模型鑑別能力非常好 61-75 模型鑑別能力優 >75 模型鑑別能力太好，應注意是否真實 (3). ROC ROC 曲線是透過違約率高的客戶給予高的 PD，以及給較低的得分；而非違約的客戶，則給予低的 PD，並給較高的得分。依序將各等級的違約人數繪製一條違約客戶的等級分配曲線；另外將各等級的非違約人數繪製一條非違約客戶的等級分配曲線。這兩條曲線可得到違約與非違約客戶的等級分配圖見【圖 8】：【圖 7】ROC 等級分配圖

【圖 8】ROC 圖

資料來源：Basel Committee on Banking Supervision (2005) ROC 做等級評分的目標是將違約與非違約兩群客戶完全的分開，兩群重疊部份愈少，模型預測愈準。【圖 8】中 C 點的左邊是預測違約客戶群，右邊則是非違約的客戶群。當違約客戶小於門檻值 C 的部分(著色區域)，表示那一部分違約客戶的分類是正確的；而非違約客戶小於門檻值 C 的部分(斑點區域)，則表示那部分的非違約客戶被誤判了。繪製 ROC 曲線時，需要依據各級的門檻值 C 來計算出各門檻值的誤判率以及命中率。以 X 軸為誤判率，Y 軸為命中率，繪製成 ROC 曲線。命中率 HR(C)的計算如下方程式(14)：

(9)

D N H(C) HR(C) ₍₁₄₎ 其中 H(C)為在門檻值 C 下，真正被預測出來的違約客戶(著色區域)，ND 為樣本的違約樣本總數。誤判率 FAR(C)的計算如方程式(15)： ND N F(C) FAR(C) ₍₁₅₎ 其中 F(C)為在門檻值 C 下被誤判的非違約客戶(斑點區域)，NND 為樣本的非違約樣本總數。依據各門檻值 C 的命中率及誤判率，可繪製出 ROC 曲線如【圖 9】。計算 AUC(Area under curve)值，為【圖 9】著色面積 A÷正方形面積。完美模型的 AUC 值為 100%，而沒有識別能力的隨機模型其 AUC 值為 50%，故 AUC 值越高，則表示偵測違約的能力越好，AUC 值則代表 ROC 檢定的結果。 (4). CIER CIER 是用來評估評等模型的分等結果，是否具有等級同質性以及等級間差異性，首先會需要透過熵(Entropy)的計算，以求得 CIER 值。我們定義發生率為 p 的信息熵 H(p)為方程式(16)。

 

p



p

  

p p





p



H  log  1 log1 (16) 可用下圖來說明信息熵 H(p)跟發生率 p 的關係：【圖 9】信息熵 H(p)跟發生率 p 的關係

H(p)若在 p 為 50%的時候會達到最高點，則表示不確定程度處在最大的狀態。若是 p 等於 0 或 1，則表示事件一定會發生。將所有的客戶依據其違約機率分成 m 等，K={K1,K2,…Km}，若將 D 定義成違約客戶。ce(Ki)是以 Ki 為前提下，評估不確定性的條件熵(Conditional Entropy)，計算如方程式(17)。

 

K 



p



DKi



log



p



DKi









1 p



DKi





log



1 p



DKi







ce _i (17)

其中 p(D|Ki)是第 Ki 等的 PD，若 Ki 等有 NDi 個違約客戶，NNDi 個未違約客戶，則 p(D|Ki) 計算如方程式(17)： NDi Di Di i N N N ) K | P(D   ₍₁₈₎

條件熵 CE(K)被視為各評等等級的加權 ce(Ki)的平均值，則 CE(K) 計算如方程式(17)：

(10)



      _m i m i 1 NDi Di i 1 NDi Di ) N (N ) ce(K ) N (N CE(K) (19) 評估模型是否有效區分風險，就必須用到 Kullback-Leibler 距離 (Kullback-Leibler Distance)，其算式為：Kullback-Leibler 距離= H(p) – CE(K)，其中 H(p)為樣本違約機率的信息熵，而 p 計算如方程式(20)。



    _m i m i 1 NDi Di 1 Di ) N (N N p (20) Kullback-Leibler 距離介於 0 至 H(p)之間，距離越長則表示評等模型越能有效區分風險。可以利用 Kullback-Leibler 距離標準化，以產生 CIER 值，來評估評等模型的等級同質性，可見方程式(21)。CIER 越接近 1，表示評等模型所得到的結果，相同等級的樣本其性質相似，不同等的樣本差異很大，即等級內的樣本同質性高，等級與等級之間異質性大。 H(p) CE(K) -H(p) CIER (21) (5). TM TM 是利用違約風險評等規則對於第 n 期(如：季)樣本進行預測的結果並紀錄每個等級內的授信戶組成，再利用同樣的規則對第 n+1 季的樣本預測評等，透過前後二季的評等結果來產生一個移轉矩陣，矩陣會表示出前季等級內的樣本有多少比率移轉到各個等級，舉例來說：由【表 3】可見前季評等為第 1 級的樣本到了後季時，繼續維持在第 1 級的樣本只剩 58%，其中有 30%移轉到第 2 級且有 14% 移轉到第 3 級，其它等級以此類推，而矩陣對角線的集中度愈高，代業決定模型預測的穩定性愈高。本系統是利用對角線加總值作為本系統判斷穩定性的依據。【表 2】移轉矩陣 1 2 3 4 5 6 7 8 1 56% 30% 14% 0 0 0 0 0 2 0 42% 25.00% 14.00% 10.00% 9.00% 0 0 3 0 0 30.36% 48.21% 17.86% 3.57% 0 0 4 0 0 0.67% 12.66% 27.33% 38.67% 12.67% 8% 5 0 0 0 0 6.45% 8.06% 80.65% 4.84% 6 0 0 0 0 0 19.23% 46.15% 34.62% 7 0 0 0 0 0 0 15.38% 84.62% 8 0 0 0 0 0 0 0 100% 5. 適應函數在 EMCRS 系統中 GA 的適應函數計算計算如方程式(22)。其中，VCAP、VROC、 VKS、VTM、 VCIER 是經由驗證方法的各個項目檢定所得到的值，Vvars 計算是利用變數選擇的數量來決定，當變數選擇的數量愈多，其值愈小，最後將各項 V 值加總後的分數再除以 Vvars (取倒數)，就是染色體的適應函數值，適應函數值愈大則代表染色體為愈優秀。

(11)

vars CIER TM KS ROC CAP V V V V V V value Fitness      ₍₂₂₎ 五、結論與未來建議本計畫提出以 GA 及 MCLR 模型整合來建構出的 EMCRS 系統，從實驗結果可發現，利用非線性搜尋方式的 GA，能夠有效的找出最佳門檻值和預測變數。本計畫將 LR 擴充為預測次序多類別的 MCLR，應用於預測信用風險評等上。透過 Basel II 所建議的評等模型驗證方法來檢驗 MCLR 模型的評等效力。實驗結果發現：1) 在「模型的評等分類效果」、「評等模型準確性」、「貼近完美模型」以及「模型鑑別力」方面 EMCRS 比 TCRI 更具有較佳的評等效力，說明 GA 與 MCLR 整合應用，獲得不錯的信用風險評等效果；2)距離違約時間點愈遠等級同質性的效果較差，印證近期的財務資訊較能反應企業的營運狀況，不論其等級同質性與模型評等效力驗證均優於 TCRI；3)評等等級愈多移轉矩陣會下降，因評等分為 2 類與分成 7 與 10 類的穩定性較高的現象合乎常理；4)原始變數先經過顯著性分析，再投入 EMCRS 所產生的評等結果在效力性、同質性與穩定性均有較的驗證效果；5)違約前二季的樣本資料以及評等級數設定在 7 級的績效更好，EMCRS 模型可依使用者需求設定評等級數，找出適合的信用風險評等模型；6)財務變數被選到最多是獲利能力指標(如：資產報酬率(稅後息前)、資產報酬率(稅後息前折舊前)、淨值報酬率(稅後)、營業毛利率、業外收支率，其次是每股收益率指標(如：常續性 EPS、每股營業利益、每股稅前淨利)以及成長能力 (如：總資產成長率、總資產報酬成長率)與償債能力(如：內部保留比率、稅前純益/實收資本)，足見 EMCRS 評等模型受整體獲利、每股收益、成長力以及償債力等變數的影響較大； 7)公司治理因素中董監的酬勞比重與持股以及財測公佈與高階管理者異動均是影響信用風險評等的重要因素。未來研究建議朝幾個方向進行：配合其他統計變數挑選方式事前檢定後再加入 EMCRS 或許可能進一步改善評等效能；樣本的數量增加對於模型的建立，更具代表性；加入其它國際金融評等機構的信用評等模型做比較。

(12)

行政院國家科學委員會補助國內學者參與國際學術會議報告

98 年 11 月 24 日

報告人姓名

林萍珍

服務機構

高雄應用科技大學金融系

職稱

副教授

會議正式名稱

中文：第 15 屆海峽兩岸信息管理發展與策略學術研討會

英文：The 15

th

conference of Strait on information management and strategy

會議時間

自 98 年 8 月 20 日至 98

年 8 月 21 日

地點（國、州、城市）

中國大陸,上海市

報告內容應包括下列各項：

一、參加會議經過

第 15 屆研討會自 980 年 8 月 20 日至 8 月 21 日於中國大陸上海市舉行，經過嚴格的專業審查，本研討會今年共收到 200 餘篇論文，收錄 140 篇。本研討會為海峽兩岸在資訊管理發展與策略領域的專家學者提供促進學術交流、分享研究成果等相關研究議題著名的國際研討會。該研討會每年會匯集兩岸四地各地實務或學術專業人士發表、討論其最新的相關研究，學會等學者針對最近研究議題發表專題演講，讓與會者可以充分與這些學者更深入的議題討論。每年該研討會均集合全球資訊管理領域(包含電子商務、供應鏈管理、IT 服務管理、資訊經濟學、行動商務、客戶關係管理)的專業學者參與盛會，具有崇高的學術地位，

二、與會心得

在此次全程參與的會議過程中，有幸聆聽許多學者在資訊管理發展與策略問題最近的研究，目前日新月異的資訊科技改善傳技術的成果，甚至將資訊技術應用社會科學等管理領域的研究議題，有效從另一觀點切入此一實務性問題，受益良多。本人於 8 月 21 日上午發表的「以 PVaR 為基礎建構最佳化之投資組合資金配置策略」論文，經由參與本會議，一方面發表個人的研究成果，另一方與專家學者討論中獲得更新的資訊交流, 對未來研究將有更大的助益。

三、考察參觀活動（無是項活動者省略）

四、建議事項

國內相同領域的學者應多支持此類似之研討會，一方面發表國人的科技研究成果，同時與海峽兩岸知名學者交流, 吸取更豐富的知識與資訊, 以儲備不久將來可在國內舉辦此類會議的能量。

(13)

國科會補助計畫衍生研發成果推廣資料表

日期:2011/03/07

國科會補助計畫

計畫名稱: 建構信用風險評等與市場風險評估之計算智慧模型計畫主持人: 林萍珍計畫編號: 98-2410-H-151-003- 學門領域: 資訊管理

無研發成果推廣資料

(14)

98 年度專題研究計畫研究成果彙整表

計畫主持人：林萍珍計畫編號： 98-2410-H-151-003-計畫名稱：建構信用風險評等與市場風險評估之計算智慧模型量化成果項目實際已達成數（被接受或已發表）預期總達成數(含實際已達成數) 本計畫實際貢獻百分比單位備註（質化說明：如數個計畫共同成果、成果列為該期刊之封面故事 ... 等）期刊論文 1 1 100% 研究報告/技術報告 0 0 100% 研討會論文 1 0 100% 篇論文著作專書 0 0 100% 申請中件數 0 0 100% 專利已獲得件數 0 0 100% 件件數 0 0 100% 件技術移轉權利金 0 0 100% 千元碩士生 0 0 100% 博士生 0 0 100% 博士後研究員 0 0 100% 國內參與計畫人力（本國籍）專任助理 0 0 100% 人次期刊論文 1 0 100% 研究報告/技術報告 0 0 100% 研討會論文 0 0 100% 篇論文著作專書 0 0 100% 章/本申請中件數 0 0 100% 專利已獲得件數 0 0 100% 件件數 0 0 100% 件技術移轉權利金 0 0 100% 千元碩士生 0 0 100% 博士生 0 0 100% 博士後研究員 0 0 100% 國外參與計畫人力（外國籍）專任助理 0 0 100% 人次

(15)

其他成果

(

無法以量化表達之成果如辦理學術活動、獲得獎項、重要國際合作、研究成果國際影響力及其他協助產業技術發展之具體效益事項等，請以文字敘述填列。) 1. 訓練研究參與人員，在信用評等與市場風評估的專業素養. 2. 將研究成果納入研究所課程之計算智慧中，豐富教學內容. 提昇教學成果. 3. 將研究成果收集到下一冊專書的部份內容. 成果項目量化 名稱或內容性質簡述 測驗工具(含質性與量性) 0 課程/模組 0 電腦及網路系統或工具 0 教材 0 舉辦之活動/競賽 0 研討會/工作坊 0 電子報、網站 0 科教處計畫加填項目計畫成果推廣之參與（閱聽）人數 0

(16)

(17)

國科會補助專題研究計畫成果報告自評表

請就研究內容與原計畫相符程度、達成預期目標情況、研究成果之學術或應用價

值（簡要敘述成果所代表之意義、價值、影響或進一步發展之可能性）

、是否適

合在學術期刊發表或申請專利、主要發現或其他有關價值等，作一綜合評估。

1. 請就研究內容與原計畫相符程度、達成預期目標情況作一綜合評估

■達成目標

□未達成目標（請說明，以 100 字為限）

□實驗失敗

□因故實驗中斷

□其他原因

說明：

2. 研究成果在學術期刊發表或申請專利等情形：

論文：■已發表 □未發表之文稿 □撰寫中 □無

專利：□已獲得 □申請中 ■無

技轉：□已技轉 □洽談中 ■無

其他：（以 100 字為限）

3. 請依學術成就、技術創新、社會影響等方面，評估研究成果之學術或應用價

值（簡要敘述成果所代表之意義、價值、影響或進一步發展之可能性）（以

500 字為限）

本計畫預計完成項目如：本計畫提出演化式多重組合羅吉斯迴歸模型，每一個等級有個別的羅吉斯迴歸模型，可依使用者需求設定不同等級的評等模型，並且模型的門檻值與預測變數是藉由遺傳演算法以非線性方式做最佳化，以此研究模型建立一套演化式多重組合羅吉斯迴歸信用評等系統。另外，其目標函數是以新巴塞爾協定建議的驗證方法對本計畫模型進行違約預測力、評等穩定度以及等級同質性三方面的模型驗證。信用風險違約評等的預測效力以及等級同質性方面明顯優於台灣經濟新報的信用風險指標；多期違約時間點的實證中，反應出近期的財報與公司治理等相關資訊的揭露對模型具有較佳的預測效力；代表穩定性指標的移轉矩陣率會隨著使用者設定的評等級數增加而呈下降的常態現象；財務變數的獲利能力與每股收益以及公司治理的董監報酬、持股、財測與管理者異動等是影響評等模型預測效力的重要因素；

建構信用風險評等與市場風險評估之計算智慧模型

行政院國家科學委員會專題研究計畫 成果報告