• 沒有找到結果。

考量系統風險下之信用評分模型–台灣股票市場為例

N/A
N/A
Protected

Academic year: 2021

Share "考量系統風險下之信用評分模型–台灣股票市場為例"

Copied!
53
0
0

加載中.... (立即查看全文)

全文

(1)國立高雄大學金融管理學系 碩 士 論 文. 考量系統風險下之信用評分模型–台灣股票市場為例 Credit Scoring Model under Systematic Risks:Evidence from Taiwan Stock Market. 指導教授:林士貴 博士 研 究 生:吳佳峰 中 華 民 國 九 十 八 年 七 月.

(2) 誌謝詞 兩年研究所生涯到這個學期將結束,這或許是我最後一張文憑。在這兩年當 中,有著喜、恕、哀、樂的回憶,雖然直到口試之前很痛苦,內心的煎熬與壓力 之大,但套句爸爸常說的話,時間總是會過去,終究還是熬過來了。 在這兩年的研究生生活最要感謝的是恩師林士貴博士於百忙之餘仍不斷的 給予指導和鼓勵,尤其是在論文的協助上,在人生道路上也授予寶貴經驗,感恩 老師之心難以用言語形容。此外特別感謝口試委員中山大學陳明吉教授,以及本 系蔡怡純博士所提供的指正及寶貴的建議,使得本論文更為完備,在此向各位口 試委員致敬。 兩年學涯中,感謝系上所有老師的教導,使我習得專業知識,也學習到比專 業知識更寶貴的做事態度。而在這兩年當中,也感謝所有同學(美蓮、依凡、顓 儀、耿光、永明、俐錦、國興、怡如、蕙君、文杉、烷鈺)一起陪伴走過這段歲 月,特別感謝系辦助理(佩玥)這段日子的照顧。 最後,我要感謝的是爸爸媽媽,由於你們的支持今天我才有辦法完成碩士學 業,讓我能夠順利地讀完研究所,尤其感謝媽媽,總是在我最挫折時給予支持與 勵,也感謝妹妹的協助,因為這兩年有你們的陪伴,讓我研究所生活更加踏實。 謹以此論文給我的家人以及師長們 吳佳峰 謹致 國立高雄大學金融管理學系 中華民國九十八年七月.

(3) 考量系統風險下之信用評分模型–台灣股票市場為例. 指導教授:林士貴 博士 國立高雄大學金融管理系. 學生:吳佳峰 國立高雄大學金融管理系. 摘要 隨著 1997 年的金融風暴、2000 年網路泡沫事件及最近因次貸風暴最後引發 成全球金融海嘯,系統性風險引發更高的信用違約事件,因此研究系統性風險之 信用違約模型是非常重要,若我們能發展出一個更精確的系統性風險之信用違約 模型,我們將能有效的預測違約機率以規避損失或者讓傷害降到最小。 本文以台灣資料為樣本,以 Altman(1968)的模型來驗証是否具有準確的預測 的預測能力,我們也利用同樣的方法做出一個以台灣資料為基礎的模型,來和 Altman(1968)所提出的模型做比較,結果發現我們以台灣資料為基礎的模型,在 預測危機公司以及型 I 錯誤時,均較 Altman(1968)所提出的模型來的準確,最後 我們發現權數未必一直是固定的,必須經常調整;各國或是各時期所應使用的財 務變數也會不同。由於 Altman(1968)未考慮到景氣循環因子,所以我們也在 Logistic Regression 和 Probit model 下,希望藉由系統性風險因子的加入,來提高 其預測能力,根據實證結果,系統性因子對預測能力並不顯著,雖然結果不顯著, 不過也讓我們有更多的想法,來研究為何系統性因子無法提高其預測能力。. 關鍵字:系統性風險、信用違約、違約機率.

(4) Credit Scoring Model under Systematic Risks:Evidence from Taiwan Stock Market Advisor:Shih-Kuei Lin Department of Finance National University of Kaohsiung Student:Chia-Feng Wu Department of Finance National University of Kaohsiung. ABSTRACT. When Asian financial crisis happened in 1997 , many corporations run down and were closed . the economics that are similar to Thailand , Indonesia , Malaysia and Philippine , are involved . Later , Taiwan , Singapore , Hong Kong and South Korea were also involved . In 2000 the Net Bubble involved with many .com companies led the Wall Street stock index to be half and the economic recession around the world .Finally ,the subprime mortgage that got worse and worse beat the financial industry in America , the bad effect of subprime mortgage went on . Many European countries were involved . Finally , the crisis of subprime mortgage became the global finance crisis .With the Asian financial crisis , the Net Bubble and the global finance crisis , the systematic risk leads to credit default events .So the research of default models of systematic risk is very important .We hope to improve.

(5) our predictable ability by adding a systematic factor into the model . If we could develop a model which is more useful and has a better predictability, we could release the cost and lower the damage.. Key words : systematic risk 、credit default 、probability of default.

(6) 目錄 第一章 緒論.................................................................................................... 1-3 1.1 背景與動機 1.2 動機與目的 1.3 研究架構. 第二章 文獻探討.......................................................................................... 4-10 2.1 信用風險 2.2 財務危機之定義 2.3 系統性風險 2.4 信用評分模型 2.5 Logistic 迴歸分析. 第三章 研究方法.......................................................................................... 11-20 3.1 區別分析 3.2 主成份分析 3.3 檢定方法 3.4 Logistic 迴歸分析 3.5 Probit model. 第四章 實證結果與分析............................................................................21-26 4.1 樣本選取 4.2 敍述性統計 4.3 Altman Z-Score 和台灣資料 Z-Score 之型 I、型 II 誤差比較 4.4 台灣 Z-Score 模型和台灣 ZETA 模型之型 I、型 II 誤差比較.

(7) 4.5 Logistic 迴歸分析 4.6 Probit 迴歸分析. 第五章 結論 .... ................................................................................................... 27. 附錄一、表一~表十…………………………………………………………… 30-43 附錄二、圖二~圖九…………………………………………………………… 44~46.

(8) 第一章、緒論 1.1 研究背景與動機. 次級房貸危機源自於美國房市泡沫化及次級房屋貸款違約率升高,美國聯準 會自 2004 年開始連續升息 17 次,美國房市自 2006 年急速降溫,借款者還款壓 力及次級房貸違約率大幅攀升,造成次級房貸違約機率迅速上升,甚至有些次級 房貸借款人乾脆直接放棄房屋所有權,讓貸款銀行直接收回,當然此時利率偏 高,房市不佳,銀行收回的房物價值已低於當初鑑定價值,或者是有價值卻無法 出售變現,所以銀行對於房貸的放款趨於保守,更進一步讓房市下跌。再者,金 融機構將房貸的債權加以證券化後,再依風險高低予以分類出售,其中風險較高 的透過再包裝成高利率的金融商品,如擔保債權憑證(CDO)等衍生性金融商品, 售予追求高利的全球投資人,特別是避險基金。在證券化的過程當中,透過投資 銀行的信用增強(credit-enhancement),國際信評機構均給予次級房貸組成的債券 很高的評等;又適逢全球資金氾濫,更吸引投資人搶購,造成全球信用過度膨脹。 但是隨著利率逐漸上漲,借款者還款壓力及次級房貸違約率大幅攀升,使得房市 崩盤進而使得房貸證券化的價格下跌,風暴擴散至證券端,逐漸擴散至全球,進 而造成全球危機。 1997 年發生亞洲金融風暴時泰銖匯價重貶,隨後利率上升和股價下跌,致 使經營不良的企業紛紛倒閉,經濟結構相似的印尼、馬來西亞和菲律賓等東南亞 國家亦遭其殃,到十一月中,南韓也遭受衝擊,隨後貶值的風暴也波及臺灣、新 加坡和香港三個地區,1998 年下半年,台灣證券市場受到亞洲金融風暴與國內 經濟不景氣的影響,導致兩個月內,接連超過十家上市公司發生跳票或股票違約 交割等財務事件。 接著在 2000 年發生的網路泡沫事件,重擊了美國.COM 公司,使得美國華 爾街股價幾近腰斬,最後許多.COM 公司無不破產,連帶著使得美國經濟受到莫. 1.

(9) 大影響,那些以美國為出口國的出口導向國家,也在這場網路泡沫中遭受相當程 度的牽連,最後全球經濟也因為網路泡沫而受到相當程度的打擊。 最後是次貸風暴下,不但重創美國本土金融業,且後續效應還不斷發酵,迅 速延燒至歐洲各國,其中英國、德國、比利時及冰島等國,甚至傳出國家可能破 產的消息,其對全球經濟的傷害,目前還難以估計,而一連串事件的爆發,迫使 美國承認無力挽救由次級房貸所引發的金融危機,同時,也轉變成為全球性的金 融風暴。 隨著 1997 年的金融風暴、2000 年網路泡沫事件及最近因為次貸風暴最後引 發成全球金融風暴,系統性風險引發更高的信用違約事件,因此系統性風險之信 用違約模型的研究是非常重要。. 1.2 動機與目的 Z-Score 模型自 Altman(1968)提出以來,廣為所採用,但是 Z-Score 模型使用 時有些缺點與限制,包括(1)權數一直是固定的,權數固定是否就能準確的預測 各國資料或各時期的資料、(2) Altman 剛提出模型時,其參數均以公司財務變數 比率為主,未考慮到景氣循環因子(系統性因子)的影響,是否把景氣循環因子加 入模型後對模型的預測能力將有所提升、(3) Z-Score 模型基本上是以會計資訊為 分析基礎,而在多數國家,會許資訊是每季季才更新一次,而是是根據帳面價值 原則編製。因此會計資訊可能無法即使反映公司的真正風險,尤其當市場變化快 速時。例如,在 1997 年亞洲金融風暴發生時,公司的信用短期內急速惡化,Z-Score 模型就無法即時反映,因此資料的時效性就是一大問題,和(4)缺乏經濟的理論 基礎,也就是為什麼就這幾個財務變數值得考慮,難道其它因素就沒有預測能力 嗎? 我們依照 Altman 方法,藉由台灣資料來看是否權數一直是固定的,或是需 隨時隨地的調整才能提高預測能力,在考慮景氣循環因子(系統性因子)後,能否. 2.

(10) 有效提高預測準確度。. 1.3 研究架構 本研究共分為五章,其章節內容分述如下: 第一章:緒論,首先闡述本文之研究的背景與動機、研究目的、研究限制及研究 架構與流程。 第二章:文獻探討,針對本文的研究目的,進行相關文獻之探討,將過去區別模 型作一整理。 第三章:研究方法,對本文實證模型所採行的研究方法加以描述。 第四章:實證結果與分析,說明資料來源與處理,詳述實證結果,並說明實證結 果之經濟意義。 第五章:結論與建議,說明本研究結果之結論與建議。. 3.

(11) 第二章 文獻探討 2.1 信用風險 信用風險(Credit Risk)簡單來說就是違約風險,根據國際交換與衍生性金融 商品協會定義,信用風險包含破產、無力支付、債務違約、拒絕支付或暫緩支付。 所以藉由信用風險的衡量模型,可以讓我們瞭解債務人發生違約的機率,進而使 得債權人能夠預先採取相關措施,來避免或降低發生違約的損失和機率。 而台灣經濟新報(1992)定義之信用風險有九項,分別為:公司財務吃緊停 工、會計師對公司繼續經營持保留意見或相反意見、公司跳票或銀行發生擠兌、 公司淨值為負、公司向外界紓困或求援、公司聲請重整、公司宣布破產倒閉、公 司被外界接管、公司轉列全額交割股或下市。. 2.2 財務危機之定義 我國現行法令對財務危機企業的定義,在「臺灣證券交易所股份有限公司營 業細則」第49條及第50條規定:對於財務狀況不佳的企業裁定以全額交割方式, 為財務危機企業,或因為發生退票、拒絕往來,以致無法清償本金則依規定暫停 買賣或下市者,為財務危機企業。 而國外學者對財務危機之定義有:Beaver(1966)認為當公司向銀行借款而無 力償還、發行公司債違約未清償,或者宣告破產者,Beaver認為公司將陷於財務 危機當中。Pastena和Ruland(1986)認為當公司資產淨值為負或者無能力償還債務 者,則公司將有財務危機現象。Ward和Forster(1997)認為公司沒有能力償還債務 本金或利息,或正進行債務重整者。Lee和Yeh(2004)認為當公司要求展延、降本 金及利息和全額交割者 然而如台灣新報資料庫 (TEJ)將公司之財務危機定義為:「公司因財務吃緊 而宣告停工、申請暫停交易、外人接管經營、銀行緊縮銀根、申請紓困、召開債 權人協調會或向外求援、申請重整、公司跳票、全額交割股或下市、或倒閉破產 4.

(12) 其中之一者」。另外根據目前銀行實務界對財務危機企業所下的定義則趨向較狹 義者,如企業繳息不正常者、或向銀行申請企業紓困展延貸款者。 『財務危機』的界定標準並無一致公認的定義,部分學者採用較為廣義的定 義:認為公司若有『無法清償債務』及『申請清算或破產』的情形者,及代表發生 財務危機;部分學者則採用較為廣義的定義:認為公司只要被列為『全額交割股』 及『停止買賣』或『終止上市上櫃』時,即代表發生財務危機。 然而我們在這裡定義當公司只要被列為『全額交割股』及『停止買賣』或『終 止上市上櫃』時,即代表發生財務危機,亦或是由台灣新報資料庫所定義:「當 公司因財務吃緊而宣告停工、申請暫停交易、外人接管經營、銀行緊縮銀根、申 請紓困、召開債權人協調會或向外求援、申請重整、公司跳票、全額交割股或下 市、或倒閉破產其中之一者,我們均認為此公司具有財務危機之現象。. 2.3 系統性風險 所謂系統性風險(Systematic Risk)簡言之,即是一項不可預期的事件,其結 果會影響整個市場,整個大盤;當然其間個股受影響的程度也是有些差別,但整 體大盤受影響是難以避免。例如通貨膨脹、 GDP 的變動、利率的變動、政策的 變動、油價的波動、美國次級房貸危機.........等,如這種所有公司皆會很容易受 到影響的風險,就稱作系統性風險,或者市場風險〈market risk〉。 當 Merton(1976)提出股價的動態過程呈現二個變異來源,第一個就是系統性 風險或不可分散風險、第二個就是非系統性風險或者可分散風險,如公司或產業 受到某一訊息的重大影響,則公司股價會有跳躍的現象。但是 Kim、Oh,和 Brooks(1994)採用實證資料,利用 MLE 的方法應用在 daily Major Market Index(如 S&P500) 和其指數成分股,其結果顯示即使是已多角化投資的 daily Major Market Index 仍然有跳躍(jump)現象,此結論否定了 Merton(1976)提出跳躍(jump) 現象是屬於可分散風險,Kim, Oh, Brooks 認為即使公司股價有跳躍(jump)現象,. 5.

(13) 仍然是屬於不可分散風險,就如同西元 2000 年時發生網路泡沫事件及近期所發 生次貸風暴所造成的影響,即使投資組合涵蓋各項產業,或者已沒有不可分散風 險,但是此投資組合在發生網路泡沫事件及發生次級房貸仍然有有跳躍(jump)現 象,所以再次的證明跳躍(jump)現象是屬於系統性風險。 Ranjan Das 和 Uppal (2004)認為股票價格跳躍的發生是由系統性風險導致的 同一個時間點跨國家的情形,意指假若同時投資相同權重在己開發國家和新興國 家時,由於己開發國家資訊透明度比新興國家來的高,所以已開發國家的非系統 風險比新興國家來的低,實證結果,當系統性事件發生時,投資在已開發國家的 權數下降速度比新興國家來得快。其隱含國際間權益報酬在一個市場高度波動或 跟隨一個大的崩盤的期間當中,其之間存有高度的條件相關。當考慮系統性風險 會有兩個影響: (1)會減少藉由多角化風險分散之後的利益(2)當投資人持有槓桿 部位時,會受到嚴厲的處罰,槓桿操作更易受到系統風險影響。Ex: 避險基金。. 2.4 信用評分模型 信用評分模型是發展最早的信用風險評價模型,該模型將財務比率當作自變 數,試圖找出影響違約機率的因素,計算發生違約的機率或歸納信用等級,其優 點在於以少量資源即可預測借款人的違約行為。. 線性區別模型(Liner Discriminate Model) Altman (1968)利用多變量分析法分析企業違約的風險,其根據借款人的各項 財務比率 ( X i ) ,計算 Z 值。若 Z 值越高,則借款人違約風險越低;反之 Z 值越 低,借款人違約風險越高,此模型又稱 Z-score 模型。Altman (1968)認為 Z 值小 於某一臨界值則屬於高風險的貸款,此臨界值可以隨著經濟狀況不同而有所改 變。此模型僅能依照 Z 值當作違約程度高低判斷,卻無法計算出違約機率。Z-score 模型為: 6.

(14) Z = 1.2 X 1 + 1.4 X 2 + 3.3 X 3 + 0.6 X 4 + 1.0 X 5 其中 Z 為 Z-score 模型的區隔分數,或稱之為 Z-score, w i 為各變數的樣重 值,而 Z-score 模型中的五個變數如下:. X 1 :採用(營運資金/總資產帳面價值)來衡量 X 2 :採用(保留盈餘/總資產帳面價值)來衡量 X 3 :採用(稅前息前收益/總資產帳面價值)衡量 X 4 :採用(權益市值/總負產帳面價值)衡量 X 5 :採用(營業收入/總資產帳面價值)衡量. 研究結果發現公司越接近發生破產時,模式的預測能力越準確,在破產前一 年的模式中有96%的正確率,前二年正確率達72%,隨時間的增加,財務違約公 司的預測力就不高,且超過二年以上此模型便不適用。 Altman在1968年提出的Z-Score模型僅適用於上市的製造業,並不適用於其 它公司;因此Altman , Hatzell and Peck (1995)提出了適用於未公開上市公司的區 別模型,主要的差別是在 X 4 中,以權益帳面價值取代上市公司才有的權益市值。 此模型稱為 Z ' − score 模型,區別函數如下:. Z ' = 0.717 X 1 + 0.847 X 2 + 3.107 X 3 + 0.42 X 4 + 0.998 X 5 若公司的 Z ' 分數低於 1.21,則公司可能被判定為可能違約;若公司的 Z ' 分 數高於 2.90,則公司可能判定為不可能違約;若 Z ' 分數介於 1.21 和 2.90 之間, 則屬於灰色地帶, Z ' − Score 模型無法提出判定。 對於服務業的公司,Altman 也提出修正,主要的差異是將 X 5 這個風險特性 給刪除,而 X 4 則是以帳面價值取代市值,Altman 稱此模型為 Z '' − Score 模型。 而服務業的 Z '' − Score 模型其財務變數 X 1 到 X 4 的權重,皆不同於 Z − Score 模型. 7.

(15) 中的權重:. Z '' = 6.56 X 1 + 3.26 X 2 + 6.72 X 3 + 1.05 X 4 其中 Z '' − Score 的 4 個財務變數分別為: X 1 表示營運資金除於總資產, X 2 為保 留盈餘除總資產, X 3 指稅前息前盈餘除總資產, X 4 是權益帳面價值除總負債帳 面價值。 同樣的,若公司的 Z '' 分數低於 1.81 則公司可能被判定為非常可能違約的一 群;若公司的 Z ' 分數高於 2.99,則公司可能被判定為不可能違約的一群;若 Z ' 分 數介於 1.81 和 2.99 之間,則屬於灰色地帶, Z '' − Score 模型無法提出判定。. Altman, Haldeman and Narayanan (1997) 認為是因時間與環境的改變而使模型受 到影響,且該模型中的變數並未包含風險之概念也未考慮規模效果。故修正了之 前的 5 項財務比率的 Z-score,加入了公司規模與盈餘穩定性兩個變數,Altman,. Haldeman and Narayanan (1997) 認為是因時間與環境的改變而使得 Altman 在 1968 年所提出的原始模型 Z-score 受到影響,且該原始模型中的變數並未包含風 險之概念也未考慮規模效果。故修正了之前 Z-score 的 5 項財務比率的變數,加 入了公司規模與盈餘穩定性兩個變數,此模型稱之為 ZETA 模型。. ZETA 模型的區隔方程式如下: ZETA= ∑ w i X i i. 其中 ZETA 為 ZETA 模型的區隔分數,或稱之為 ZETA 分數, w i 為各變數的樣 重值,而 ZETA 模型中的七個變數如下:. X 1 :資產報酬率,可採用(稅前息前收益/總資產帳面價值)衡量 X 2 :盈餘穩定性,採用上述資產報酬率( X 1 )估計值的標準差作此變數的衡量 X 3 :債務償還能力,採用(稅前息前收益/總利息費用)衡量 X 4 :累積盈利,可運用公司的(業主權益/總資產)衡量 8.

(16) X 5 :流動比率,即流動資產/流動負債 X 6 :資本化比率,計算公式為(普通股權益/總資本)。其中普通股權益採用公司 股票市值的 5 年平均市值來衡量. X 7 :公司規模,此變數是用(總資產帳面價值的對數)來衡量 且ZETA模型分類正確率在破產前一年高達93%,前四年可達80%,甚至於 破產前五年也可高達。由於 Altman (1968) 之 Z-Score 對於企業破產前兩年之 預測力大幅下降,Altman and Rijken (2004)則以Z-score模型的自變數為基礎,剔 除銷貨收入的影響,但加入公司規模、負債占權益比率與受信評機構評等時間, 針對信用評等進行預測。. 2.5 Logistic 迴歸分析 由於線性機率模型對於違約機率預測會發生落在 0~1 之外,為了修正此一缺 陷,而發展出 Logistic 迴歸分析(即 Logit 模型),Logistic 迴歸分析是用來分析 與解釋一個名義尺度的依變項與一個以上的等距自變項間之關係,並進行預測的 多變量分析方法。假設違約機率服從 Logistic 分配稱為 Logit 模型,則貸款的累 積違約機率 F ( PDi ) 可以表示為:. F ( PDi ) =. 1 1 + e − PDi. 其中 PDi 是由線性機率模型計算得來。Martin (1977)以 Logit 模型進行財務危機 預警,預測 1975~1976 之間銀行倒閉的情況,發現其預測結果與線性區別模型相 當。Collins and Green (1982)比較線性區別模型、線性機率模型與 Logit 模型的預 測能力,研究結果顯示 Logit 模型效果最佳。 目前信用評分模型多使用於個人貸款的風險評價,例如銀行針對一般民眾小 額貸款的評估。此外站在公司治理的角度,公司治理機制的優劣也會影響市場對 於公司的評價,因此除了考慮財務報表上會計比率資訊,也有學者開始將公司治 理變數加入模型,例如 Bhojraj and Sengupta (2003)認為有效的公司治理機制透過 9.

(17) 降低公司違約風險,將可提高公司債評等,Ashbaugh-Skaife, Collins and LaFond. (2006)則利用 Standard & Poor’s 所發展的架構,同時考慮公司治理變數與會計比 率,發現公司治理的改善,有助於提高公司評等。Logit 模型優缺點如下: 優點:採用此法能設計出較符合本身所面臨信用風險情況之模型,可以說是 量身訂做之評等量化方式。同時藉此機會徹底對授信政策所面臨之信用風險作一 深入瞭解。缺點:(一)有可能產生資訊偏誤。意指評分模型在設計過程中未將某 些變數納入考慮,致使模型所估計出個別違約機率並不能有效反映其實際違約之 情況。(二)有存在人為操縱之問題。例如,在模型設計過程中故意隱藏風險較高 之資訊。. 10.

(18) 第三章 研究方法 3.1 區別分析 區別分析是 2 個或 2 個以上自變數的線性組合,這個線性組合對於先前定義 好的群組,有著最佳的區別能力。區別能力可以透過每個變數的權重,使得「組 間變異最大、組內變異最小」。甚有著最大區別能力的線性組合,即區別函數. (Discriminant Function),如下: Z i = W1 X 1 + W2 X 2 + ⋅⋅⋅ + Wn X n Wi , i = 1, 2,3, ⋅⋅⋅, n ,區別函數係數 X i , i = 1, 2,3, ⋅⋅⋅, n ,自變數 我們以下列圖形解釋,我們有二群組資料 A 和 B,其資料分佈如下圖,其 分界點為二群組平均數的中心,可以得到最佳的區別效果,也就是我們需要的區 別函數。(即第 A 群組落入第 B 群組和第 B 群組落入第 A 群組的誤判數量都最 低) V2. A. A. B. B V1. 臨 界C. 值. 區. 別. 函. 數. Z. 圖一、區別分析的幾何圖形描述. 資料來源:Google. 11.

(19) Z-Score模型自Altman在1968年利用區別分析提出以來,廣為採用,如:銀 行利用過去和客戶交易的資料來建構客戶的風險屬性以及違約資料庫,或者是投 資者利用公司的財務變數用來預測公司是否有違約破產之可能,雖然Z-Score模 型用某些特定變數來預測,有其一定比例的準確性,但是Z-Score模型仍有其限 制及缺點,第一、權數未必一直是固定的,必須經常調整;各國或是各時所應使 用的財務變數也會不同,第二、公司違約與否及風險性的關係實際上可能是非線 性,並非如模型中所假設的線性關係,第三、對市場上的變化不夠靈敏,因為. Z-Score用來當成自變數的資料均是以過去會計歷史資料,然而會計資訊是每季 更新一次,因此會計資訊可能無法即時反映出公司真正的風險,尤其當市場變化 快速時。例如:當亞洲金融風暴發生時,公司的信用短期內急速惡化,Z-Score 模型無法即時反映,因此資料的時效性是一大問題,第四、Z-Score模型中未考 慮景氣循環效應因子所帶來的影響,即Z-Score模型中未考慮系統性風險所帶來 的影響,隨著全球化的因素,銀行客戶或者公司無法單純只利用個人資料或者是 公司的一些財務變數就能準確預測其結果,所以我們在本文中藉由探討Z-Score 的權數是否在全球景氣循環下有其顯著的改變,以說明風險性因素對Z-Score模 型在預測上有其一定的影響。. 3.2 主成份分析 在管理上,為了顧及決策的周延性全面分析問題,常會用一群變數來共同判 定一個決策是否應該執行,但這一群變數通常是需要觀測許多變數所得到的;因 此,我們希望以一些新的變數(少於舊的變數)來取代這群舊的變數,並且這組新 變數應盡可能的反應舊變數的資訊。 另一方面,實務上在進行迴歸分析時,有可能發現其自變數彼此高度相關(資 料有多重共線性),導致估計的迴歸參數標準差太大,使得顯著性檢定用的 t 檢 定值明顯縮小,而使得我們得到的整體估計的模型配適度雖然還不錯,但大部分 的參數卻都不顯著的結果。 12.

(20) 利用主成份分析可解決以上之問題,其中主成份分析形成的新變數是原變數 的線性組合。 主成份分析依研究目標而定是否為適當方法:. (1) 若研究目標是找出不相關的新變數,以便進一步分析,則應視主成份是 否可解釋而定;若主成份無法解釋或無特別意義,則不應以主成份形成 新變數。. (2) 若研究目標是欲「簡化」變數個數,則須要求少數幾個主成份可解釋大 部分的總變異,而不致損失原始資料的資訊。 在多變量分析中,研究者所面臨的最大難題就是必須解決一大組變項問之關 係。因此,進行資料減縮以較少的新變項取代原有的變項,卻能包括原有變項絕 大多數之變異量,就成為研究者常使用之方法。例如,在多元迴歸分析時,多個 自變項間多元共線性(multicollinearity)的問題,常造成統計分析結果之偏誤,使 研究者無法正確解釋自變項與依變項間之關係,此時透過資料減縮方法,所謂主 成分分析就是在尋找幾個能解釋原有變項 X i 的線性組合函數(主成分),這些線 性組合一方能夠保有原來變項之訊息,且主成份間必須相互獨立不會重疊,更重 要的是以「較少」的主成分來代替原來「多個」解釋變項,以達到精簡目的。因 此,主成分分析可以說是在建構原有變項間之整體性指標(overall indicators)的多 變量分析方法。也就是說,主成分分析再將原有變項轉換為線性關係,以能解釋 原有變項的變異量,並決定所要保留的主成分,以達到精簡的目的。 根據主成分分析之內涵,Sharma(1996)指出,主成分分析在確認一個包括幾 條垂直軸的新變項,以達到下列之目的,包括:(一)建立原有變項在新座標軸上 之數值(加權數)及觀察值在新變項上之分數,稱為主成分分數;(二)使主成分成 為原有變項之線性組合;(三)使第一個主成分能夠說明原有變項之最大變異量, 第二個主成分則說明第一個主成分無法解釋之變異量的最大變異,依此類推;(四) 全部的主成份間彼此獨立。. 13.

(21) 假設研究者有測量到 X 1 、 X 2 、 X 3 、…… X p 個變項,則根據這 p 個變項之 變異數與配對之共變數或相關係數,可以得到 p 個變項之變異數共變數或相關矩 陣,這個矩陣之特徵值為:. λ1 ≥ λ2 ≥ ⋅⋅⋅λ p ≥ 0 同時,透過線性轉換可以得到下列 p 個線性組合方程:. Y1 = w11 X 1 + w21 X 2 + ⋅⋅⋅ + wp1 X p Y2 = w12 X 1 + w22 X 2 + ⋅⋅⋅ + wp 2 X p M. Yp = w1 p X 1 + w2 p X 2 + ⋅⋅⋅ + wpp X p 若上述線性方程以矩陣表示,則: ⎡ Y1 ⎤ ⎡ w11 ⎢Y ⎥ ⎢ w ⎢ 2 ⎥ = ⎢ 12 ⎢M⎥ ⎢ M ⎢ ⎥ ⎢ ⎢⎣Yp ⎥⎦ ⎢⎣ w1 p. w21 w22 M w2 p. L w p1 ⎤ ⎡ X 1 ⎤ L wp 2 ⎥⎥ ⎢⎢ X 2 ⎥⎥ L M ⎥⎢ M ⎥ ⎥⎢ ⎥ L wpp ⎥⎦ ⎢⎣ X p ⎥⎦. 若以矩陣方程表示,則:. Yp = wX 若使這些線性組合方程 Yp 間彼此獨立,且使其變異數儘可能地大,則 Yp 即 稱為第 p 個主成分。其中第一個主成分 Y1 為具有最大變異數 σ 11 之線性組合方 程,第二個主成分 Y2 為具有最大變異數 σ 22 之線性組合方程,依此類推。所有主 成分變異數之線和恰等於 p 個變項特徵值之總和,即:. ∑ σ ii = ∑ λi 因此,第 k 個主成分所能解釋之變異量為: 主成分 k 所能解釋之變異=. λk. λ1 + λ2 + ⋅⋅⋅ + λ p. 14. =. λk ∑ λ1.

(22) 3.3 檢定方法 本文利用統計檢定來判斷模型的優劣,我們先假設虛無假說為公司發生財務 危機事件,則型I誤差表示把有財務危機公司誤判為不會發生財務危機的公司, 而型Ⅱ誤差表示把不會違約的公司當成會違約的公司。判定是否模型的好壞正確 預測能力,也就是實際違約公司除以違約公司總家數,當切斷值愈大時,型 I 誤 差比率愈小,相對型 II 誤差比率愈大,預測正確率就愈高。 首先運用信用評分模型的結果對樣本下的個別公司進行信用分數的估計,其 次設立一個截斷點,當公司的信用分數低於此截斷點且公司真實情形為財務危機 時,稱為預測正確;反之,稱為預測錯誤。因此對公司進行信用評分的過程時, 以此種方式驗證模型,主要會產生兩種誤差(型 I 錯誤和型 II 錯誤)。 型I錯誤和型II錯誤之定義如下: 型 I 錯誤: P ( reH 0 | H 0 is true ) :指真實情況是財務危機公司,但被預測為配對 公司。 型 II 錯誤: P ( AccH 0 | H1 is true ) :指真實情況是配對公司,但是被預測為財務 危機公司。. 預測情況 真實情況. 下市公司. 配對公司. 灰色地帶. 下市公司. 預測正確. 型一誤差(type I). 無法判斷. 配對公司. 型二誤差(type II). 預測正確. 無法判斷. 我們建構信用評等模型的目的旨在透過模型的區別或者預測出可能營運失 敗之企業,尤其是財務危機公司分類的預測正確率及型I錯誤,避免公司在下市 之前做好預防動作。若要將預測失敗下一定義,即為型I誤差之涵義,也就是將 實際可能下市的公司誤判分類為配對公司的機率。一般而言,投資人較重視型I 15.

(23) 錯誤之防範,原因為投資人所購買的證券寧可所做的預估為財務危機公司,但實 際為配對公司(型II錯誤),也不願意買到預估是配對公司,但是實際是財務危 機公司(型I錯誤),因為型I錯誤的發生會讓投資者損失更大。. 3.4 Logistic 迴歸分析 眾多研究均採用多元迴歸、線性機率模型、或是多元區別分析,也都有不 錯的區別力,正確區別力甚至有高達 90%以上者。 一般預測違約機率的模型中,除了區別函數之外,由於普通最小平方法模型 的不適宜,所以最常用的就是 Logistic 迴歸模型,事件發生的條件機率 P ( yi = 1| xi ) 與 xi 之間的非線性關係通常是單調函數,即隨著 xi 的增加, P( yi = 1| xi ) 也增加。 假設有一個理論上存在的連續反應函數 yi∗ 代表事件發生的可能性,其值域 為 −∞ ~ +∞ 。當該變數的值域跨越一個臨界點 c (假設 c =0),使導致事件發生。 於是當: yi∗ > 0 , yi = 1 ; yi∗ ≤ 0 , yi = 0 。這裡的 yi 是實際觀察到的反應變數。. yi = 1 表示事件發生, yi = 0 表示事件未發生。假設在反應變數 yi∗ 和自變數 xi 之 間存在一種線性關係,即:. yi∗ = α + β xi + ε i. (一). 由公式(一)我們可以得到. P ( yi = 1| xi ) = P[(α + β xi + ε i ) > 0]. (二). = P[ε i > (−α − β xi )] 假設,公式(一)中誤差項 ε i 有 logistic 分佈或標準常態分配。為了取得一個累積 分配函數(CDF),一個變數的機率需要小於一個特定值。所以我們改變公式(二) 中不等號的方向,由於 logistic 分佈或常態分配是對稱的,所以我們公式(二)可 以改寫成:. 16.

(24) P ( yi = 1| xi ) = P[ε i > (−α − β xi )]. (三). = P[ε i ≤ (α + β xi )] = F (α + β xi ) 其中 F 為 ε i 的累積分配函數。分佈函數的形式決定於 ε i 的分配。若 ε i 是服從. logistic 分配則得到 logistic 迴歸模型;若 ε i 服從的是標準常態分配則得到 Probit 迴歸模型。而我們使 logistic 分配的平均值在 0,變異數在 π 2 / 3 ,選擇這樣的變 異數是因為可以使累積分配函數能有個較簡單的公式:. P ( yi = 1| xi ) = P[ε i ≤ (α + β xi )]. = =. 1 1 + e−εi. (四). 1 1+ e. − (α + β xi ). 此函數稱為 logistic 函數,它具有 S 型的分佈,若 ε i 趨近於 −∞ ,則 logistic 函數將:. P ( yi = 1| xi ) =. 1 =0 1 + e − ( −∞ ). (五). 若 ε i 趨近於 ∞ ,則 logistic 函數將:. P ( yi = 1| xi ) =. 1 =1 1 + e−(∞ ). (六). 所以,無論 ε i 為任何值,logistic 函數將保證 p( yi = 1| xi ) 在(0,1)之間,也表 示說 α + β xi 在任何值下都會使得 p( yi = 1| xi ) 在(0,1)之間。同理,當有 K 個自變 數時,則 logistic 函數為: 1. P ( yi = 1| xi ) = 1+ e. − (α +. K. ∑ βk xki ). (七). k =1. k. 表示 α + ∑ βi xi 在任何值下,也會使得 p( yi = 1| xi ) 在(0,1)之間,而我們使用 i =1. logistic 函數來當做違約預測模型的好處是,即便我們用一連串的財務變數當做 自變數用來預測公司是否有破產的機率時,其機率值仍在(0,1)之間,不會有像線 性機率模型(LPM)的特殊情況發生,即機率值介於(0,1)之外。 17.

(25) 然而我們將事件發生的條件機率定為 P ( yi = 1| xi ) = pi ,我們可以得到下列的. logistic 迴歸模型: pi =. 1 1+ e. (八). − (α + β xi ). 其中 pi 為第 i 個發生事件的機率,它是一個由變數 xi 構成的非線性函數。然而這 個非線性函數可以轉換成線性函數。首先定義不發生事件的條件機率為:. 1- pi = 1 − =. 1 1+ e. − (α + β xi ). 1 1 + eα + β xi. (九). 那麼,事件發生機率與不發生機率之比(即勝算比)為:. pi = e(α + β xi ) 1 − pi. (十). 我們將這個比取自然對數就能得到一個線性函數:. p ln( i ) = α + β xi 1 − pi. (十一). 同理,當有 K 個變數時,我們能得到: K p ln( i ) = α + ∑ β k xki 1 − pi k =1. (十二). 其中, pi = p ( yi = 1| x1i , x2i , ⋅⋅⋅, xki ) ,在給定系列自變數 x1i , x2i , ⋅⋅⋅, xki 的值時的事件 發生機率。 之前的研究中,logistic 迴歸用來當做預測公司破產模型,均是利用公司的 財務變數來當做自變數,而未考量到風險性因子,所以本文在 logistic 迴歸中加 入了風險性因子來探討,在考量系統性風險因素後,是否能提昇公司破產預測的 準確性。加入系統性風險的模型如下: K p ln( i ) = α + ∑ β i xi + s1Y1 1 − pi i =1. (十三). pi 為第 i 個發生事件的機率, β i 為各財務比率變數的權重,Y1 代表考量台灣大盤 指數報酬率的系統性風險因子。. 18.

(26) 3.5 Probit model Probit模型是以標準常態的累積機率密度函數來取代原始的線性機率模型。 假設 Y 代表一個二元決策的虛擬變數,其值0、1分別代表二個不同的決策結果, 同時,我們一個連續變數 Z i = α + β X i 作為影響個別樣本決策的指標、 Z i* 界定決策結果 Y 值為0或1的臨界值,即: ⎧1 Z i > Z i* Y =⎨ * ⎩0 Z i ≤ Z i. 累積機率隨著 X 而變動,惟與線性機率模型不同的是,累積機率函數的斜 率並非固定的常數。 假設 Z i* 為一個服從標準常態分配的隨機變數,即 1 − 12 Zi* f (Z ) = e 2π. 2. * i. 則Probit函數為 Z i* ≤ Zi 的機率,可以利用標準常態的累積機率密度函數來計算: Pi = F ( Z i ) = P ⎡⎣ Z ≤ Z i* ⎤⎦ =. 1 2π. ∫. Z i*. −∞. e. 1 − S2 2. ds. Pi 值的範圍為[0,1],代表某事件發生( Y =1)的機率,當 Pi 值越大時,表示事件發 生的機率越大;而決策指標 Z i 則可表示為 Pi 的反函數:. Z i = F −1 ( Pi ) = α + β X i X i 為影響屬質決策的解釋變數,利用決策指標 Z i 與解釋變數 X i 之關係,並在特 定的 Z i* 之下,利用此一估計式預測特定事件發生的結果。 之前的研究中,Probit model用來當做預測公司破產模型,均是利用公司的 財務變數來當做自變數,而未考量到風險性因子,所以本文在Probit model中加 入了風險性因子來探討,在考量系統性風險因素後,是否能提昇公司破產預測的 準確性。加入系統性風險的模型如下:. Z i = F −1 ( Pi ) = α + β X i + s1Y1 19.

(27) pi 為第i個發生事件的機率, β i 為各財務比率變數的權重, Y1 代表考量台灣大盤 指數報酬率的系統性風險因子。. 20.

(28) 第四章、實證結果 4.1 樣本選取 本研究期間因台灣危機公司的資料有限,我們期待樣本期間能包含全球經濟 的多頭與空頭,才足以去證明模型的精確度,因此樣本選取期間為2000年Q3至. 2009年Q1共35個季別。我們選取樣本流程如下 (一) 我們將以台灣經濟新報資料庫(TEJ)所定義的具有財務危機公司1當做我們 的樣本進行取樣,為了讓樣本更加嚴謹,我們則剔除以下樣本:(1)因私募 基金來台收購台灣上市櫃公司因而下市的公司,如綠點。(2)台灣上市櫃公 司因集團整併而使得公司下市櫃也予以排除,如仁寶集團五合一。. (二) 在確定完危機公司樣本後,將找出與危機公司樣本配對之正常公司,又稱為 配對公司,選取配對公司標準如下,(1)同在上市或上櫃交易所進行交易(2) 同樣屬性之產業(3)公司下市前一年時點之總資產價值近似,以驗證本文之 引用模型是否正確。具有 TEJ所定義的財務危機公司於本文又稱為危機公 司。. (三) 本文將以1:1 比例取樣,即一家危機公司配對一家正常公司,我們配對的 步驟如下:(1)依據下市公司在下市前一年度和配對公司同在上市或上櫃, 且同產業屬性的公司,(2)接著從這些配對公司當中選出一個和下市公司在 下市前一年度資產總額近似的公司,當成配對公司,目的在於要求配對上公 平性。. 4.2 敍述性統計 從圖三的結果呈現出,危機公司家數與市場報酬率在 2003 年以前,有些許 相關,其餘大部份時間並沒有一致性的關係。我們也從圖四看出油價在長期下, 呈現走揚的趨勢,而危機公司家數也在長期之下有所改變,實難以圖形分辯出是 21.

(29) 危機公司家數與油價是否有相關,不過我們能利用時間序列模型來驗證其關係。 表二首先描述 Z-Score 五個變數的平均值、標準差、最大值以及最小值,以 及圖 5 表示危機公司與樣本公司之各變數在各個季別的走勢圖,圖 5 只列出 Q1 各變數的走勢,其餘季別的走勢圖將呈現在附錄裡。. 由圖五看來配對公司在 X 1 (營運資金/總資產帳面價值)、 X 2 (保留盈餘/總 資產帳面價值) 、 X 3 (稅前息前收益/總資產帳面價值)、 X 4 (權益市值/總負產帳 面價值)、 X 5 (營業收入/總資產帳面價值)的值,除了 X 4 在 2007Q1~2008 比危機 公司來低的,大部份時間均比危機公司還要來的高,所以這樣的結果就有助我們 利用各參數的結果去做出區別分析。. 4.3 Altman Z-Score 和台灣資料 Z-Score 之型 I、型 II 誤差比較 我們利用 Altman 在 1968 年所提出的原始 Z-score 模型,來對台灣下市公司 做檢定力分析,原始 Z-score 模型用來預測台灣下市公司的準確率過低,原因是. Altman 在 1968 年所採用的是以美國製造業為樣本,而我們這裡所採用的是台灣 危機公司的資料,用原始模型套入台灣資料,其預測將失準。所以我們利用區別 分析方法,根據台灣的樣本資料重新計算了各年度各季別各變數之權重來進而求 得新的 Z-score,以驗證是否隨著各年度的不同,各變數的權重將有所不同,因 而使其預測準確度提昇。. 由於我們使用 SPSS 軟體來計算區別函數之係數,當季資料裡的危機公司和 配對公司的加總家數若少於八家時,則 SPSS 所輸出的結果將無法完整的輸出. X 1 ~ X 5 之係數時,我們計算當季的 Z-Score,將藉由上一季或者下一季的區別函 數係數來計算當季的 Z-Score,由於 2002Q2 的危機公司只有一家樣本,所以我 們計算此季的 Z-Score 時,將以 2002Q1 或者 2002Q3 的區別函數係數來取代。 22.

(30) 下表是我們利用檢定力方法來檢定採用 Altman 在 1968 年所計算出的. Z-Score 模型以及我們根據台灣資料所計算而得的台灣 Z-Score 模型,而根據檢 定力方法用以驗證模型配適力與預測力最基本的指標即是此模型的「正確率與錯 誤率」。首先運用信用評分模型的結果對樣本下的個別公司進行信用分數的估 計,由於我們在這裡所使用的是季資料,所以我們以原始模型的評斷分數除以四 當做我們衡量公司是否為危機的標準,所以我們的當信用分數低於評斷分數且真 實情形為危機時,稱為預測正確;反之,稱為預測錯誤。因此對公司進行信用評 分的過程時,以此種方式驗證模型,主要會產生兩種誤差(型 I 錯誤和型 II 錯誤)。 我們建構信用評等模型的目的旨在透過模型的區別或者預測出可能營運失敗之 企業,尤其是下市公司分類的預測正確率及型 I 錯誤,避免公司在下市之前做好 預防動作。若要將預測失敗下一定義,即為型 I 誤差之涵義,也就是將實際可能 下市的公司誤判分類為配對公司的機率。一般而言,投資人較重視型 I 錯誤之防 範,原因為投資人所購買的證券寧可為預估為下市公司,但實際為配對公司(型. II 錯誤),也不願意買到預估是配對公司,但是實際是下市公司(型 I 錯誤), 因為型 I 錯誤的發生會讓投資者損失更大,意指投資人利用此模型來預測公司未 來是否下市將比原始 Z-score 模型來得精準,也讓投資人或機構法人能降低風險 以減少損失。 由表四我們可以得知使用台灣資料Z-Score模型其預測危機公司比原始模型 的預測,在危機公司預測的準確性上比原始模型的預測來的精準,那麼在投資人 較重視型I錯誤之下,台灣資料Z-Score的型I錯誤也比原始模型要來的小,所以我 們可得知台灣資料Z-Score模型預測樣本公司為危機公司的準確性較佳。. 4.4 台灣 Z-Score 模型和台灣 ZETA 模型之型 I、型 II 誤差比較 誠如我們之前利用 Altman 在 1968 年所提出的原始 Z-score 模型,來對台灣 下市公司做檢定分析,原始 Z-score 模型用來預測台灣下市公司的準確率過低。 同樣地,Altman, Haldeman and Narayanan 在 1977 所提出的 ZETA 模型,是否能 23.

(31) 當成準確預估台灣下市的模型,我們仍有其疑慮,所以我們根據 ZETA 模型的七 個變數來做主成份分析,以判斷是否能剔除 ZETA 模型中不具顯著性的變數後, 能以修正後的 ZETA 模型來提高其預測能力。 我們首先分析 ZETA 模型中七個變數的主成份分析,我們根據第一主成份 中,判斷哪些變數是對第一主成份是較具顯著性,我們再根據主成份係數來乘上 七個財務比率變數,用來預測我們的樣本,我們仍將用檢定方法來判斷是否修正 後的 ZETA 模型會比原本的 ZETA 模型,其預估準確性是否有其提升。 我們仍利用檢定來判斷是否採用台灣資料的 ZETA 模型之預測能力是否有 比 Altman 在 1968 年所提出的原始 Z-score 模型來的精準,從實證資料來看,可 以看出表和表之間之在成功的預測下市公司及配對公司的成功率(即實際為下市 公司,預測結果也為下市公司),採用台灣資料的 ZETA 模型比台灣資料的 Z-score 模型,正確預測配對公司和下市公司的能力來得佳;然而我們之前提到在準確率 外,型 I 錯誤也是我們關注的焦點,我們希望真實情況是下市公司,但被預測為 配對公司(即型 I 錯誤)這樣的錯誤機率要越低越好,從上述二個表來看,採用 台灣資料的 ZETA 模型,型 I 錯誤比台灣資料的 Z-score 模型來得低,意指投資 人採用台灣資料的 ZETA 模型來預測公司未來是否下市,能有效降低風險以減少 損失。 綜合上逑三個模型,我們得到一個結論,那就是採用台灣資料的 ZETA 模型 比 用 台灣資料的 Z-score 模型來得佳,然而台灣資料的 Z-score 模型又比. Altman(1968)之 Z-Score 模型更精準,所以可得知台灣資料的 ZETA 模型最適合 用來預測台灣下市公司。. 4.5 Logistic 迴歸分析 Logistic 迴歸分析為定「定性迴歸模式」的一種,適合於應變數的值是二值 變數的情況,模型的因變數變化圍皆在 0 與 1 之間,Logistic 函數的機率值被限 制在(0,1)之間的合理範圍。本研究中,根據 Logistic 迴歸分析在依變數上將樣本. 24.

(32) 公司的型態分為兩類,若樣本公司不具前面所定義的財務危機狀況時,則為配對 公司,數字為 0;若樣本公司具有前面所定義之財務危機情況時,則為危機公司, 數字為 1。在 Logistic 迴歸分析中,係為求出樣本公司將來成為危機公司的機率。 在解釋變數上, X 1 (營運資金/總資產帳面價值)來衡量、 X 2 (保留盈餘/總資產 帳面價值)來衡量、 X 3 (稅前息前收益/總資產帳面價值)衡量、 X 4 (權益市值/總 負產帳面價值)衡量、 X 5 採用(營業收入/總資產帳面價值)衡量以及利用台灣股市 的大盤指數報酬率來當做自變數(S),而我們這裡的解釋變數是利用危機公司與 樣本公司從 2000Q3~2009Q1 每季的各參數平均值以及當季大盤指數報酬率當做 解釋變數,我們希望藉由大盤指數報酬率這個系統性風險因子,探討是否對勝算 比取對數有其顯著影響,更深一步是指說系統性風險因子能否對樣本公司為危機 公司的機率有其顯著影響。 下表七是由 SPSS 所輸出 Logistic 迴歸模式的自變項參數估計對與顯著性檢 定結果。表中第二縱行是自變項的係數值、第三縱行是係數估計標準差、第四縱 行是顯著水準、第五縱行是自變項的勝算比(即事件發生機率與不發生機率之比) 以及最後二縱行是勝算比之 95. %信賴區間。 由表中可以看出系統性風險因子(S)對樣本公司為危機公司的機率預測不顯 著。而我們也懷疑不顯著的原因是否為 Altman(1968)加入五個變數所影響,所以 我們下一步將以 Altman 之後所推出預測更精準的 ZETA 模型,再加上系統性風 險因子(S)當做解釋變數再來探討系統性風險因子(S)對樣本公司為危機公司的機 率預測。而我們這裡的解釋變數仍然是利用危機公司與樣本公司從. 2000Q3~2009Q1 每季的各參數平均值以及當季大盤指數報酬率。 從表八來看,系統性風險因子仍然對樣本公司為危機公司的機率預測不具有 顯著結果,所以在利用 Logistic 迴歸分析之下,我們得到一個結論,系統性風險 因子(大盤指數報酬率)對樣本公司為危機公司的機率預測不顯著。. 25.

(33) 4.6 Probit 迴歸分析 由於預測機率在給定一套自變數值的條件下,透過 Probit 模型取得預測事件 機率的方式與 Logistic 迴歸模型的方式十分相似,區別之處在於二者的累積分佈 函數不同,Logistic 迴歸模型是利用羅吉斯累積機率函數(cumulative logistic. probability function),而 Probit 模型是利用標準常態分配的累積機率密度函數。 由於 Logistic 迴歸模型和 Probit 模型的差異只在累積分佈函數不同,所以我 們也探討在 Probit 模型之下,系統性風險因子(大盤指數報酬率)對樣本公司為危 機公司的機率預測情況。 首先,我們仍以 Altman(1968)所使用的五個變數加上系統性風險因子(大盤 指數報酬率),而我們這裡的解釋變數仍然是利用危機公司與樣本公司從. 2000Q3~2009Q1 每季的各參數平均值以及當季大盤指數報酬率,去判別系統性 風險因子(大盤指數報酬率)對樣本公司為危機公司的機率預測情況。下表九是由. STATA 軟體輸出 Probit 模型的結果,第二縱行為參數係數值、第三縱行為參數 係數標準誤、第四縱行為 z 值、第五縱行為 P-value 而最後二行則為參數係數值. 95%的信賴區間,由表九所得知系統性風險因子仍然對樣本公司為危機公司的機 率預測不具有顯著結果。 而我們仍然採用 ZETA 模型,再加上系統性風險因子(S)當做解釋變數再來 探討系統性風險因子(S)對樣本公司為危機公司的機率預測,由表十再次得知系 統性風險因子仍然對樣本公司為危機公司的機率預測不具有顯著結果。. 26.

(34) 第五章、結論: 由於信用風險在台灣日趨嚴重,因此,本文利用台灣2000Q3年至2009Q1年 上市、上櫃公司資料進行研究,希望能在發生危機前提早觀察出公司信用風險的 變化,而所謂狹義信用風險指公司償還債務能力不確定性,即違約風險 (default. risk),一般往往公司發生財務危機同常也伴隨違約風險的產生。 而我們希望找出一個能較準確預測危機公司的模型,以期我們本身或者是投 資人能因為這樣的預警制度,來降低我們或者是投資人的風險,因而減少損失。 本文先利用檢定力結果發現,利用台灣資料所跑出的台灣 Z-Score 模型,比. Altman(1968)提出的原始模型具有預測能力,這說明 Altman(1968)所提出的區別 函數係數應是隨著時間改變來修正其係數以提昇其預測準確性,而不應該是不變 的;然而利用主成份分析所的 ZETA 又比台灣 Z-Score 模型在危機公司的預測上 來得精準,所以我們可以得知利用主成份分析所得之 ZETA 較適合用來預測台灣 的危機公司。 本論文希望藉由系統性風險因子的探討,來提高 Z-Score 模型和 ZETA 模型 的預測能力,但是經由 Logistic 迴歸模型以及 Probit model 的結果顯示出,以台 灣股市大盤指數報酬率的系統性因子,對預測樣本公司為危機公司的能力上,並 沒有顯著關係,這與我們當初所假定有著不一樣的結果,我們推測造成與我們當 初所假定不一樣的原因有下:1.台灣政府當局干涉股市運作,使得指數報酬率並 無法真正反應當時市場狀況。2.或許在某特定期間內,指數報酬率的系統性因子 能影響 Z-Score 模型以及 ZETA 模型的預測能力,時間太長反而使得系統性因子 的預測能力不顯著。不過還是有待更多的時間及研究去證明為什麼台灣股市大盤 指數報酬率的系統性因子對預測樣本公司為危機公司的能力上不顯著。. 27.

(35) 中文文獻. 1. 陳建良,2004,「違約機率與銀行信用風險管理之探討」,國立中山大學財務 管理學系研究所,碩士論文。. 2 陳肇榮,1983,「運用財務比率預測企業財務危機之實證研究」,政治大學 管理科學研究所碩士論文。 「多變量分析-套裝程式與資料分析」 ,高等教育文化事業有限 3 王保進,2004, 公司。. 4 林師模、陳苑欽,2004,「多變量分析-管理上的應用」,雙葉書廊有限公司。 「力霸集團財務危機預測」 ,貨幣覯測與信用評等, 5 李沃牆、余義賢,2009/1, 第 75 期。 「多變量分析:SPSS 的操作與應用」 ,智勝文化事業有限公司 6 林震岩,2007, 英文文獻. 1. Altman, E. I., (1968) ”Financial Ratios, Discriminant Analysis and the Predictionof Corporate Bankruptcy,” Journal of Finance, 23, 589-609。. 2. Altman, E. I., R. Haldeman and P. Narayanan, (1997) ” ZETA Aanalysis: A new Model to Identity Bankruptcy Risk of Corporations,” Journal of Banking & and Finance, 1, pp.29-54.。 3. Altman, E. I., G. Macro and F. Varetto, (1994) “Corporate Distress Diagnosis: Comparison Using Linear Discriminate Analysis and Neural Network,” Journalof Banking and Finance, 18, 505-529。 4. Beaver,W.H.(1966), Financial ratios as predictors of failure。Journal of accounting Research:P72--P102。 5. Deakin, E. B, (1972) “A Discriminant Analysis of Predictors of Business Failure,” Journal of Accounting Research, 10, 167-179。. 28.

(36) 6 Ohlson,J.A.(1980),Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research ,Vol.18, No.1,P109--P131。 7. Pastena,V., & W. Ruland (1986).” The Merger/Bankruptcy alternative”. The Accounting Review, Vol. 61, No. 2, 288-301。 8. Ranjan Das and Uppal (1994) “Are Jumps in Stock Returns Diversifiable ? Evidence and implication for Option Pricing,” Journal of Financial and quantitative analysis, vol 29, No 4 , 609-631。 9. Sanjiv Ranjan Das and Raman Uppa (2004) “Systemic Risk and International Portfolio Choice”, The Journal of Finance , VOL. Lix, No. 6 ,2809-2834. 10 Ward, Terry J. and Benjamin P. Foster. 1997. A Note on Selecting a Response Measurefor Financial Distress. Journal of Business Finance and Accounting VOL 24 No.6:,869-79.. 29.

(37) 附錄一 表一、樣本期間內危機公司家數. 表二、危機公司和配對公司之 x1~x5 之敍述性統計. E(X). X1. X2. X3. X4. X5. 危機公司. 0.41. 0.01. 0.13. 1.92. 0.29. 配對公司. 0.14. 0.12. 0.07. 3.08. 0.26. 危機公司 -0.79. -1.76. -0.17. 0.03. 0.04. 配對公司. 0.00. -0.04. -0.01. 0.41. 0.10. 危機公司 -0.19. -0.59. -0.02. 0.53. 0.11. 配對公司. 0.08. 0.04. 0.01. 1.44. 0.15. STD(X) 危機公司. 0.52. 0.82. 0.12. 0.93. 0.12. 配對公司. 0.07. 0.07. 0.04. 1.18. 0.08. E(X). X1. X2. X3. X4. X5. 危機公司 -0.12. 0.00. 0.00. 0.08. 0.13. 配對公司. 0.27. 0.05. 0.01. 1.36. 0.22. 危機公司 -1.00. -0.88. -0.36. 0.08. 0.09. 配對公司 -0.01. 0.03. -0.01. 0.44. 0.16. 危機公司 -0.45. -0.39. -0.16. 0.08. 0.11. MAX MIN E(X). 2000Q4 MAX MIN E(X). 30.

(38) 配對公司. 0.15. 0.04. 0.00. 1.05. 0.20. STD(X) 危機公司. 0.48. 0.45. 0.19. 0.00. 0.02. 配對公司. 0.12. 0.02. 0.02. 0.43. 0.06. E(X). X1. X2. X3. X4. X5. 危機公司 -0.43. -0.32. -0.20. 0.16. 0.11. 配對公司 -0.02. 0.04. 0.00. 2.38. 0.21. 危機公司 -0.75. -1.76. -0.31. 0.09. 0.02. 配對公司 -0.05. -0.36. 0.00. 0.53. 0.07. 危機公司 -0.59. -1.04. -0.25. 0.13. 0.07. 配對公司 -0.03. -0.16. 0.00. 1.46. 0.14. 2001Q1 MAX MIN E(X). STD(X) 危機公司. 0.23. 1.02. 0.08. 0.04. 0.07. 配對公司. 0.02. 0.28. 0.00. 1.31. 0.10. 2001Q2. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.16. -0.12. -0.03. 0.70. 0.19. 配對公司. 0.28. 0.07. 0.01. 1.47. 0.31. 危機公司 -0.42. -0.36. -0.08. 0.04. 0.07. 配對公司 -0.05. -0.38. -0.03. 0.45. 0.02. 危機公司 -0.19. -0.28. -0.05. 0.41. 0.13. 配對公司. 0.10. -0.07. -0.01. 0.96. 0.12. STD(X) 危機公司. 0.25. 0.11. 0.02. 0.31. 0.05. 配對公司. 0.14. 0.21. 0.02. 0.42. 0.13. 2001Q3. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.11. -0.13. -0.01. 0.09. 0.21. 配對公司. 0.72. 0.08. 0.02. 0.97. 0.18. 危機公司 -2.30. -3.82. -0.10. 0.00. 0.03. 配對公司 -0.43. -0.45. -0.19. 0.03. 0.01. 危機公司 -0.73. -1.80. -0.05. 0.07. 0.09. 配對公司. 0.07. -0.18. -0.04. 0.46. 0.08. STD(X) 危機公司. 0.99. 1.79. 0.03. 0.04. 0.07. 配對公司. 0.42. 0.24. 0.08. 0.40. 0.07. 2001Q4. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.18. 0.08. 0.00. 1.63. 0.16. 配對公司. 0.25. 0.14. 0.01. 2.03. 0.37. 危機公司 -0.67. -0.72. -0.06. 0.01. 0.02. 配對公司 -0.12. -0.37. -0.04. 0.11. 0.03. MIN E(X). MIN E(X). MIN. 31.

(39) 危機公司 -0.11. -0.15. -0.02. 0.82. 0.09. 配對公司. 0.08. -0.06. -0.01. 0.85. 0.18. STD(X) 危機公司. 0.34. 0.32. 0.02. 0.57. 0.05. 配對公司. 0.15. 0.19. 0.02. 0.73. 0.13. 2002Q1. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.32. 0.02. 0.01. 0.94. 0.56. 配對公司. 0.26. 0.03. 0.05. 2.72. 0.54. 危機公司 -0.25. -0.75. -0.21. 0.16. 0.04. 配對公司. 0.01. -0.16. -0.02. 0.74. 0.02. 危機公司. 0.05. -0.32. -0.07. 0.52. 0.24. 配對公司. 0.17. -0.08. 0.01. 1.91. 0.24. STD(X) 危機公司. 0.29. 0.40. 0.12. 0.39. 0.28. 配對公司. 0.14. 0.10. 0.03. 1.03. 0.27. E(X). X1. X2. X3. X4. X5. 危機公司 -0.08. -0.30. -0.02. 0.28. 0.14. 配對公司. 0.43. 0.18. 0.04. 8.35. 0.38. 危機公司 -0.51. -0.62. -0.06. 0.03. 0.01. 配對公司. 0.07. 0.06. 0.01. 0.61. 0.13. 危機公司 -0.31. -0.42. -0.04. 0.16. 0.06. 配對公司. 0.28. 0.12. 0.03. 4.63. 0.29. STD(X) 危機公司. 0.21. 0.18. 0.02. 0.13. 0.07. 配對公司. 0.19. 0.06. 0.02. 3.87. 0.14. E(X). X1. X2. X3. X4. X5. 危機公司 -0.15. -0.34. -0.01. 0.03. 0.07. 配對公司. 0.41. 0.03. 0.00. 0.53. 0.31. 危機公司 -0.89. -1.03. -0.02. 0.02. 0.01. 配對公司. 0.07. -0.71. -0.08. 0.16. 0.03. 危機公司 -0.41. -0.57. -0.01. 0.02. 0.04. 配對公司. 0.25. -0.25. -0.03. 0.39. 0.16. STD(X) 危機公司. 0.42. 0.40. 0.01. 0.00. 0.03. 配對公司. 0.17. 0.41. 0.05. 0.20. 0.14. 2003Q1. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.22. -0.41. -0.01. 0.96. 0.41. 配對公司. 0.43. 0.09. 0.04. 5.58. 0.31. 危機公司 -1.05. -5.77. -0.88. 0.08. 0.00. E(X). MIN E(X). 2002Q3 MAX MIN E(X). 2002Q4 MAX MIN E(X). MIN. 32.

(40) 配對公司 -0.07. -4.16. -0.16. 0.12. 0.00. 危機公司 -0.17. -1.25. -0.20. 0.60. 0.09. 配對公司. 0.20. -0.52. -0.01. 1.56. 0.14. STD(X) 危機公司. 0.38. 1.84. 0.30. 0.25. 0.15. 配對公司. 0.15. 1.47. 0.06. 1.72. 0.13. E(X). X1. X2. X3. X4. X5. 危機公司 -0.08. -0.20. -0.01. 0.30. 0.27. 配對公司. 0.35. 0.03. 0.03. 1.55. 0.27. 危機公司 -1.62. -3.66. -0.38. 0.02. 0.00. 配對公司 -0.01. -0.01. -0.01. 0.24. 0.11. 危機公司 -0.64. -1.40. -0.08. 0.11. 0.09. 配對公司. 0.10. 0.01. 0.01. 0.96. 0.19. STD(X) 危機公司. 0.58. 1.39. 0.15. 0.10. 0.10. 配對公司. 0.14. 0.02. 0.01. 0.43. 0.06. 2003Q3. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.43. 0.14. 0.03. 6.20. 0.21. 配對公司. 0.53. 0.11. 0.03. 6.52. 0.21. 危機公司 -0.23. -0.77. -0.01. 0.23. 0.01. 配對公司. 0.14. 0.07. 0.01. 0.39. 0.19. 危機公司. 0.10. -0.32. 0.01. 3.22. 0.11. 配對公司. 0.34. 0.09. 0.02. 3.46. 0.20. STD(X) 危機公司. 0.47. 0.65. 0.03. 4.22. 0.14. 配對公司. 0.28. 0.03. 0.02. 4.33. 0.01. E(X). X1. X2. X3. X4. X5. 危機公司 -0.30. -0.22. -0.02. 0.44. 0.19. 配對公司. 0.78. 0.56. 0.11. 23.21. 0.34. 危機公司 -0.43. -0.58. -0.03. 0.03. 0.01. 配對公司. 0.11. 0.04. 0.01. 1.08. 0.21. 危機公司 -0.38. -0.44. -0.02. 0.23. 0.07. 配對公司. 0.42. 0.23. 0.04. 8.70. 0.26. STD(X) 危機公司. 0.07. 0.19. 0.01. 0.20. 0.10. 配對公司. 0.34. 0.29. 0.05. 12.57. 0.07. 2004Q1. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.11. 0.06. 0.01. 1.74. 0.19. 配對公司. 0.13. 0.10. 0.10. 3.95. 0.29. E(X). 2003Q2 MAX MIN E(X). MIN E(X). 2003Q4 MAX MIN E(X). 33.

(41) MIN E(X). 危機公司 -0.73. -1.73. -0.16. 0.03. 0.12. 配對公司 -0.38. -0.70. -0.02. 0.28. 0.00. 危機公司 -0.26. -1.14. -0.04. 0.89. 0.15. 配對公司 -0.04. -0.13. 0.03. 1.70. 0.15. STD(X) 危機公司. 0.39. 0.81. 0.08. 0.70. 0.03. 配對公司. 0.23. 0.38. 0.05. 1.63. 0.13. 2004Q2. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.21. 0.00. 0.01. 1.88. 0.42. 配對公司. 0.64. 0.10. 0.06. 6.02. 0.30. 危機公司 -0.05. -1.33. -0.04. 0.04. 0.05. 配對公司. 0.01. -0.03. -0.01. 0.77. 0.10. 危機公司. 0.06. -0.37. -0.02. 0.66. 0.23. 配對公司. 0.25. 0.03. 0.02. 2.76. 0.18. STD(X) 危機公司. 0.10. 0.45. 0.02. 0.67. 0.15. 配對公司. 0.21. 0.05. 0.03. 2.05. 0.07. 2004Q3. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.47. 0.00. 0.00. 0.62. 0.32. 配對公司. 0.19. 0.11. 0.04. 3.99. 0.28. 危機公司 -0.84. -1.81. -0.41. 0.03. 0.01. 配對公司 -0.01. -0.46. -0.04. 1.33. 0.07. 危機公司 -0.33. -0.55. -0.11. 0.21. 0.11. 配對公司. 0.11. -0.03. 0.01. 2.68. 0.17. STD(X) 危機公司. 0.48. 0.63. 0.13. 0.19. 0.11. 配對公司. 0.07. 0.20. 0.03. 0.93. 0.09. 2004Q4. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.17. 0.05. 0.11. 1.02. 2.08. 配對公司. 0.47. 0.19. 0.08. 5.63. 0.68. -13.55. -1.03. 0.01. 0.00. 0.01. 0.03. -0.03. 0.67. 0.13. 危機公司 -1.23. -2.37. -0.12. 0.67. 0.38. 配對公司. 0.21. 0.10. 0.02. 2.36. 0.33. STD(X) 危機公司 配對公司. 2.56. 4.63. 0.34. 0.41. 0.65. 0.17. 0.06. 0.03. 1.71. 0.16. X1. X2. X3. X4. X5. -0.25. -0.02. 0.41. 0.64. MIN E(X). MIN E(X). MIN. 危機公司 -7.87 配對公司. E(X). 2005Q1 MAX. E(X). 危機公司 -0.15. 34.

(42) 配對公司. 0.82. 0.19. 0.03. 19.46. 0.25. 危機公司 -0.32. -0.54. -0.43. 0.10. 0.02. 配對公司. 0.31. 0.02. 0.00. 2.92. 0.09. 危機公司 -0.27. -0.40. -0.13. 0.26. 0.21. 配對公司. 0.49. 0.12. 0.02. 9.67. 0.14. STD(X) 危機公司. 0.07. 0.14. 0.17. 0.11. 0.25. 配對公司. 0.20. 0.08. 0.01. 8.17. 0.06. 2005Q2. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.40. 0.10. 0.00. 3.64. 0.28. 配對公司. 0.50. 0.08. 0.06. 5.42. 0.72. 危機公司 -1.94. -3.11. -0.30. 0.03. 0.00. 配對公司 -0.30. -0.10. -0.02. 0.52. 0.11. 危機公司 -0.35. -0.66. -0.07. 0.95. 0.08. 配對公司. 0.13. 0.02. 0.02. 2.16. 0.25. STD(X) 危機公司. 0.85. 1.14. 0.11. 1.29. 0.10. 配對公司. 0.26. 0.07. 0.03. 1.68. 0.22. 2005Q3. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.37. 0.02. 0.03. 1.28. 0.50. 配對公司. 0.56. 0.14. 0.06. 24.60. 0.68. 危機公司 -0.80. -1.17. -0.35. 0.01. 0.02. 配對公司 -0.03. -0.40. -0.03. 0.64. 0.07. 危機公司 -0.17. -0.50. -0.09. 0.58. 0.16. 配對公司. 0.18. 0.00. 0.03. 5.04. 0.22. STD(X) 危機公司. 0.40. 0.45. 0.13. 0.37. 0.16. 配對公司. 0.19. 0.16. 0.03. 7.46. 0.19. 2005Q4. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.39. 0.02. 0.00. 1.85. 0.47. 配對公司. 0.39. 0.10. 0.02. 4.51. 0.35. 危機公司 -1.01. -0.88. -0.04. 0.53. 0.01. 配對公司. 0.01. -0.02. -0.01. 2.26. 0.18. 危機公司 -0.01 配對公司 0.25. -0.41. -0.01. 1.12. 0.23. 0.03. 0.00. 3.11. 0.23. MIN E(X). MIN E(X). MIN E(X). MIN E(X). STD(X) 危機公司. 0.58. 0.32. 0.02. 0.48. 0.21. 配對公司. 0.15. 0.05. 0.01. 0.99. 0.06. E(X). X1. X2. X3. X4. X5. 2006Q1. 35.

(43) 危機公司. 0.29. -0.52. -0.02. 1.10. 0.31. 配對公司. 0.31. 0.27. 0.16. 11.81. 0.48. 危機公司 -1.07. -2.25. -0.11. 0.01. 0.00. 配對公司. 0.09. -0.12. -0.01. 0.45. 0.14. 危機公司 -0.24. -1.01. -0.06. 0.52. 0.13. 配對公司. 0.16. 0.08. 0.03. 3.27. 0.25. STD(X) 危機公司. 0.50. 0.65. 0.04. 0.42. 0.12. 配對公司. 0.09. 0.15. 0.06. 4.32. 0.13. 2006Q2. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.34. 0.02. 0.02. 9.90. 0.22. 配對公司. 0.38. 0.11. 0.09. 6.06. 0.46. 危機公司 -1.96. -2.74. -0.38. 0.02. -0.02. 配對公司. 0.03. 0.00. 0.00. 2.82. 0.08. 危機公司 -0.54. -1.12. -0.09. 1.89. 0.10. 配對公司. 0.20. 0.06. 0.03. 3.57. 0.24. STD(X) 危機公司. 0.89. 1.11. 0.14. 3.61. 0.09. 配對公司. 0.12. 0.04. 0.03. 1.18. 0.12. 2006Q3. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.74. 0.05. 0.07. 11.15. 0.61. 配對公司. 0.48. 0.18. 0.06. 8.47. 0.27. 危機公司 -0.27. -0.28. 0.00. 0.10. 0.09. 配對公司. 0.05. 0.00. 0.02. 5.67. 0.12. 危機公司. 0.24. -0.06. 0.02. 2.98. 0.26. 配對公司. 0.31. 0.09. 0.03. 6.88. 0.19. STD(X) 危機公司. 0.41. 0.15. 0.03. 5.46. 0.24. 配對公司. 0.18. 0.08. 0.02. 1.34. 0.07. 2006Q4. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.17. 0.04. 0.01. 5.38. 0.23. 配對公司. 0.32. 0.16. 0.03. 8.77. 0.42. 危機公司 -1.09 配對公司 0.14. -2.15. -0.64. 0.08. 0.01. -0.05. 0.00. 2.18. 0.11. 危機公司 -0.29. -0.98. -0.16. 1.60. 0.12. 配對公司. 0.24. 0.08. 0.02. 4.25. 0.24. STD(X) 危機公司. 0.48. 1.01. 0.25. 2.39. 0.09. 配對公司. 0.06. 0.08. 0.01. 2.67. 0.11. MAX MIN E(X). MIN E(X). MIN E(X). MIN E(X). 36.

(44) X2. X3. X4. X5. 危機公司 -0.12. -0.05. -0.02. 0.16. 0.13. 配對公司. 0.22. 0.21. 0.03. 3.11. 0.15. 危機公司 -0.81. -0.99. -0.08. 0.06. 0.00. 配對公司. 0.00. 0.00. 0.00. 2.28. 0.06. 危機公司 -0.42. -0.37. -0.04. 0.09. 0.07. 配對公司. 0.08. 0.10. 0.02. 2.55. 0.11. STD(X) 危機公司. 0.35. 0.54. 0.03. 0.06. 0.06. 配對公司. 0.12. 0.10. 0.02. 0.48. 0.05. 2007Q2. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.28. 0.22. 0.03. 4.36. 0.39. 配對公司. 0.46. 0.11. 0.05. 21.51. 0.70. 危機公司 -1.58. -1.77. -0.37. 0.01. 0.00. 配對公司. 0.05. -0.04. 0.01. 1.70. 0.05. 危機公司 -0.57. -0.63. -0.09. 1.18. 0.13. 配對公司. 0.25. 0.05. 0.02. 5.49. 0.30. STD(X) 危機公司. 0.63. 0.73. 0.13. 1.80. 0.16. 配對公司. 0.15. 0.05. 0.01. 6.77. 0.20. 2007Q3. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.27. 0.06. 0.03. 3.16. 0.60. 配對公司. 0.54. 0.19. 0.08. 9.69. 0.37. 危機公司 -0.98. -0.65. -0.05. 0.02. 0.00. 配對公司. 0.04. 0.07. 0.01. 3.60. 0.10. 危機公司 -0.45. -0.45. -0.02. 1.09. 0.18. 配對公司. 0.31. 0.13. 0.04. 6.45. 0.23. STD(X) 危機公司. 0.56. 0.34. 0.03. 1.46. 0.29. 配對公司. 0.21. 0.05. 0.03. 3.11. 0.11. 2007Q4. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.36. 0.13. 0.06. 10.11. 1.18. 配對公司. 0.58. 0.23. 0.06. 10.73. 0.43. 危機公司 -1.65. -2.96. 0.00. 0.75. 0.00. 配對公司. 0.16. 0.06. 0.01. 2.35. 0.07. 危機公司 -0.16. -0.53. 0.03. 6.14. 0.36. 配對公司. 0.39. 0.15. 0.04. 6.08. 0.24. STD(X) 危機公司. 0.84. 1.36. 0.02. 3.39. 0.47. 2007Q1 MAX MIN E(X). MIN E(X). MIN E(X). MIN E(X). E(X). X1. 37.

(45) 配對公司. 0.17. 0.08. 0.02. 3.57. 0.13. 2008Q1. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.63. 0.24. 0.05. 20.92. 0.49. 配對公司. 0.59. 0.23. 0.03. 12.98. 0.63. 危機公司 -1.98. -3.54. -0.22. 0.83. 0.02. 配對公司. 0.02. -0.16. 0.00. 0.65. 0.12. 危機公司 -0.06. -0.99. -0.09. 6.95. 0.20. 配對公司. 0.30. 0.08. 0.01. 4.44. 0.28. STD(X) 危機公司. 0.86. 1.24. 0.10. 6.55. 0.16. 配對公司. 0.22. 0.12. 0.01. 4.03. 0.16. 2008Q2. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.39. 0.06. 0.01. 5.37. 0.20. 配對公司. 0.66. 0.16. 0.05. 7.37. 0.54. 危機公司 -4.71. -6.18. -0.30. 0.10. 0.02. 配對公司 -0.07. 0.03. 0.00. 0.94. 0.07. 危機公司 -0.70. -1.33. -0.12. 2.12. 0.13. 配對公司. 0.27. 0.08. 0.03. 3.23. 0.24. STD(X) 危機公司. 1.68. 2.03. 0.11. 1.83. 0.08. 配對公司. 0.26. 0.05. 0.02. 2.23. 0.18. 2008Q3. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.71. 0.03. 0.05. 9.20. 0.36. 配對公司. 0.36. 0.27. 0.09. 4.22. 0.46. 危機公司 -0.92. -3.26. -1.32. 0.13. 0.01. 配對公司 -0.03. -0.06. -0.02. 0.46. 0.09. 危機公司 -0.14. -0.58. -0.19. 1.92. 0.18. 配對公司. 0.19. 0.09. 0.03. 2.03. 0.23. STD(X) 危機公司. 0.49. 0.97. 0.40. 2.99. 0.10. 配對公司. 0.12. 0.09. 0.03. 1.37. 0.12. 2008Q4. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.12. 0.02. 0.02. 0.80. 0.37. 配對公司. 0.57. 0.08. 0.04. 3.28. 0.53. 危機公司 -0.49. -2.38. -0.53. 0.07. 0.00. 配對公司. 0.18. -0.02. -0.03. 0.96. 0.11. 危機公司 -0.15. -1.01. -0.15. 0.36. 0.12. 配對公司. 0.05. -0.01. 1.60. 0.31. MIN E(X). MIN E(X). MIN E(X). MIN E(X). 0.30. 38.

(46) STD(X) 危機公司. 0.28. 1.04. 0.26. 0.31. 0.17. 配對公司. 0.19. 0.05. 0.03. 1.12. 0.18. 2009Q1. E(X). X1. X2. X3. X4. X5. MAX. 危機公司. 0.05. -0.05. 0.03. 1.15. 0.29. 配對公司. 0.76. 0.07. 0.01. 38.92. 0.31. 危機公司 -3.33. -6.60. -0.22. 0.13. 0.01. 配對公司 -0.08. -0.38. 0.00. 0.46. 0.09. 危機公司 -0.68. -1.74. -0.06. 0.57. 0.11. 配對公司. 0.24. -0.05. 0.00. 7.68. 0.19. STD(X) 危機公司. 1.31. 2.43. 0.09. 0.36. 0.11. 配對公司. 0.32. 0.17. 0.01. 15.36. 0.09. MIN E(X). 表三、2000Q3~2009Q1 年各變數之權重(採用台灣下市公司為樣本資料) 財務比率. X1. X2. X3. X4. X5. 2000Q3. 1.43. 2.00. -0.47. -0.52. 0.91. 2000Q4. 1.31. 9.94. -11.65. 2001Q1. 2.69. 2.60. 2001Q2. 0.68. 0.28. 0.92. 1.28. -0.33. 2001Q3. 0.64. 0.22. -0.65. 1.27. -0.58. 2001Q4. 1.12. -0.50. -0.25. 0.47. 0.69. 2002Q1. 3.55. -17.11. 17.52. 2002Q3. 0.42. 1.26. 1.88. -1.27. 2002Q4. 0.18. -0.17. -3.93. 4.14. 2003Q1. 0.57. 0.15. 0.89. 0.09. 0.63. 2003Q2. 0.25. 1.22. -1.20. 0.86. 1.30. 2003Q3. -0.80. 1.62. 2003Q4. 4.06. 3.88. 21.52. -28.19. 2004Q1. -0.51. 1.29. 0.07. -0.01. -0.13. 2004Q2. -0.23. 0.37. 0.62. 0.58. -0.04. 2004Q3. 0.11. -0.08. 0.16. 0.94. 0.22. 2004Q4. 2.31. -0.43. -0.23. 0.54. 1.80. 2005Q1. 1.27. 0.46. 0.25. -0.67. -0.35. 2005Q2. 1.23. -2.13. 1.65. 0.06. 0.57. 2005Q3. -0.02. 0.77. 0.57. 0.28. -0.14. 季別. 39. 1.26. -0.95.

(47) 2005Q4. -1.27. 1.93. 0.15. 0.91. -0.62. 2006Q1. 0.92. 0.82. 0.86. -0.13. -0.47. 2006Q2. -2.45. 2.71. -0.23. 0.41. 0.65. 2006Q3. -1.84. 1.01. -3.09. 4.24. 0.61. 2006Q4. -1.83. 2.34. -1.31. 1.36. 1.47. 2007Q1. 2.70. 4.86. -7.39. 3.38. 2007Q2. 1.55. -1.12. 0.45. 0.11. 0.26. 2007Q3. 2.23. 1.17. 2.27. 0.04. -4.77. 2007Q4. -1.96. 0.79. 0.41. 0.40. 0.81. 2008Q1. -0.35. 0.61. 0.66. 0.06. -0.03. 2008Q2. -2.89. 2.59. 0.93. 0.33. 0.41. 2008Q3. 0.46. 0.60. 0.18. -0.35. 0.28. 2008Q4. 3.49. -1.36. -1.62. -1.31. 1.62. 2009Q1. -2.03. 2.06. 0.17. 1.13. 0.87. 表四、原始 Altman Z-Score 和台灣資料 Z-Score 之型 I、型 II 誤差比較. 表五、主成分分析中各變數之權重 財務比率. X1. X2. X3. X4. X5. X6. X7. 2000Q3. 0.64. 0.83. 0.50. -0.89. 0.62. -0.77. 0.11. 2000Q4. 0.97. -0.82. 0.94. 0.98. 0.69. 0.79. 0.52. 2001Q1. 0.82. -0.96. 0.99. 0.83. 0.87. 0.44. 0.62. 2001Q2. 0.82. -0.91. 0.36. 0.89. 0.55. 0.53. 0.35. 2001Q3. 0.24. 0.87. 0.91. -0.76. 0.72. -0.82. -0.03. 2001Q4. 0.89. -0.76. 0.35. 0.91. 0.40. 0.58. -0.08. 2002Q1. 0.97. -0.94. 0.96. 0.95. -0.04. -0.20. 0.76. 2002Q3. 0.85. -0.70. 0.87. 0.97. 0.95. 0.94. -0.26. 季別. 40.

(48) 2002Q4. 0.99. -0.59. 0.11. 0.51. -0.84. 0.80. 0.27. 2003Q1. 0.70. -0.94. 0.94. 0.67. -0.53. 0.15. 0.08. 2003Q2. 0.87. -0.88. 0.42. 0.77. 0.20. -0.42. 0.19. 2003Q3. 0.99. -0.79. 0.77. 0.91. 0.85. 0.09. -0.89. 2003Q4. 0.93. -0.65. 0.54. 0.96. 0.92. -0.06. -0.15. 2004Q1. 0.90. -0.78. 0.85. 0.83. 0.88. 0.06. 0.23. 2004Q2. 0.91. -0.55. 0.53. 0.77. 0.71. 0.72. -0.51. 2004Q3. 0.70. -0.81. 0.39. 0.76. 0.04. 0.55. 0.63. 2004Q4. 0.77. -0.88. 0.52. 0.74. 0.70. -0.31. 0.46. 2005Q1. 0.74. -0.83. 0.63. 0.84. 0.73. 0.90. -0.27. 2005Q2. 0.91. -0.95. 0.31. 0.97. 0.58. -0.03. 0.52. 2005Q3. 0.68. -0.82. -0.53. 0.83. 0.64. 0.28. 0.65. 2005Q4. 0.74. -0.05. -0.35. 0.74. 0.68. 0.83. -0.35. 2006Q1. 0.81. -0.56. 0.63. 0.88. 0.64. 0.31. 0.04. 2006Q2. 0.75. -0.89. 0.40. 0.83. 0.38. 0.07. 0.73. 2006Q3. 0.75. 0.54. 0.09. 0.71. 0.60. 0.86. -0.61. 2006Q4. 0.90. -0.93. 0.60. 0.95. 0.85. 0.33. 0.39. 2007Q1. 0.71. 0.35. 0.91. 0.64. 0.99. 0.22. -0.25. 2007Q2. 0.79. -0.84. 0.32. 0.92. 0.45. 0.03. 0.24. 2007Q3. 0.94. -0.83. -0.21. 0.99. 0.81. 0.66. 0.37. 2007Q4. 0.54. -0.91. 0.13. 0.91. 0.69. -0.15. -0.53. 2008Q1. 0.97. -0.94. 0.74. 0.91. 0.28. -0.21. 0.78. 2008Q2. 0.85. -0.93. 0.36. 0.95. 0.60. -0.09. 0.36. 2008Q3. 0.82. -0.93. 0.26. 0.76. 0.56. 0.06. 0.26. 2008Q4. 0.81. -0.86. -0.16. 0.89. 0.42. 0.63. 0.66. 2009Q1. 0.89. -0.71. 0.50. 0.93. 0.33. 0.28. 0.59. 表六、原始台灣資料 Z-Score 和台灣資料 ZETA 之型 I、型 II 誤差比較 台灣資料 Z-Score. 台灣資料 ZETA. 預測情況. 預測情況. 真實情況 危機公司 配對公司 灰色地帶 總和 真實情況 危機公司 配對公司 灰色地帶 總和 危機公司. 0.82. 0.10. 0.08. 100% 危機公司. 0.83. 0.08. 0.08. 100%. 配對公司. 0.41. 0.43. 0.16. 100% 配對公司. 0.43. 0.49. 0.08. 100%. 41.

(49) 表七、加入 Z-Score 五個變數與市場報酬率之 Logistic 迴歸分析. B X1. -4.66. X2 X3 X4 X5. -8.36 -37.77 0.24 -0.51 2.05 -2.65. 報酬率(S) 常數. S.E.. 顯著性. 3.92. Exp(B). 0.23 **. 3.89 31.73 0.37 9.28 2.86 1.89. 0.03 0.23 0.52 0.96 0.47 0.16. EXP(B)的 95.0% 信賴區間 下界. 上界. 0.01. 0.00. 20.69. 0.00 0.00 1.27 0.60 7.74 0.07. 0.00 0.00 0.62 0.00 0.03. 0.48 40000000000.00 2.64 48118724.00 2105.62. 表八、加入 ZETA 七個變數與市場報酬率之 Logistic 迴歸分析. B. S.E.. 顯著性. Exp(B). EXP(B)的 95.0%信賴區間 下界. X1 X2 X3 X4 X5 X6 X7 報酬率(S) 常數. -52.69 26.37 -54.69 55.73 0 0 -13.16 4.84 0.02 0.31 -0.07 4.32 -0.19 1.01 3.39 2.79 0.702 16.288. **. 0 0 1 0 1.02 0.93 0.83 29.59 2.02. 0.05 0.32 0.32 0.01*** 0.96 0.98 0.85 0.23 0.97. 上界. 0 0 1 0 0.55 0 0.11 0.12. 0.36 4.88E+23 1 0.025 1.874 4384.737 5.979 7069.436. 表九、加入 Z-Score 五個變數與市場報酬率之 Probit 迴歸分析 Coef.. X1 X2 X3 X4 X5 報酬率(S) 常數. -2.45 -4.69 -20.89 0.12 0.84 1.06 -1.61. Std. Err.. 1.99 1.99 18.01 0.21 4.91 1.68 1.04. z. -1.23 -2.36 -1.16 0.57 0.17 0.63 -1.54. 42. P>|z|. 0.218 0.018** 0.246 0.57 0.864 0.527 0.124. 95% Conf. Interval 下界. 上界. -6.34 -8.59 -56.19 -0.29 -8.78 -2.23 -3.65. 1.44 -0.79 14.40 0.53 10.47 4.35 0.44.

(50) 表十、加入 ZETA 七個變數與市場報酬率之 Probit 迴歸分析 Coef.. Std. Err.. z. P>|z|. 95% Conf. Interval 下界. 上界. X1. -29.13. 14.03. -2.08. 0.04**. -56.63. -1.62. X2 X3 X4 X5 X6 X7. -32.07. 29.82. -1.08. 0.28. -90.52. 26.37. 0.00. 0.00. 1.05. 0.29. 0.00. 0.00. 報酬率(S) 常數. ***. -7.48. 2.60. -2.88. 0.01. -12.58. -2.39. 0.04. 0.14. 0.25. 0.81. -0.25. 0.32. -0.40. 2.34. -0.17. 0.86. -4.98. 4.18. -0.10. 0.56. -0.17. 0.86. -1.20. 1.00. 1.97. 1.66. 1.18. 0.24. -1.29. 5.23. 0.53. 9.07. 0.06. 0.95. -17.25. 18.31. 43.

參考文獻

相關文件

若股票標的公司的財務體質不健全,或公 司管理階層刻意隱瞞經營危機事實,導致

• 買股票是要買該股票「未來的配息」,所 以應該應用未來的EPS的資訊來估計股

知名的台南花園夜市,歷史雖不如其他台灣 夜市悠久,但在短時間內卻發展成近400個

在軟體的使用方面,使用 Simulink 來進行。Simulink 是一種分析與模擬動態

股市預測在人工智慧領域是一個重要的議題。我們的研究使用混合式的 AI 以預測 S&P 500 芭拉價值指標和 S&P 500 芭拉成長股之間的價值溢價;S&P 600 小

我們分別以兩種不同作法來進行模擬,再將模擬結果分別以圖 3.11 與圖 3.12 來 表示,其中,圖 3.11 之模擬結果是按照 IEEE 802.11a 中正交分頻多工符碼(OFDM symbol)的安排,以

針對 WPAN 802.15.3 系統之適應性柵狀碼調變/解調,我們以此 DSP/FPGA 硬體實現與模擬測試平台進行效能模擬、以及硬體電路設計、實現與測試,其測 試平台如圖 5.1、圖

住宅選擇模型一般較長應用 Probit 和多項 Logit 兩種模型來估計,其中以 後者最常被使用,因其理論完善且模型參數之估計較為簡便。不過,多項