應用資料採礦技術建置符合新巴賽爾協定之企業信用風險模型

The Application of Data Mining in Accordance to Basel Framework on Credit Risk Assessing in the Enterprise Industry

10.6704/JMSSD.2009.6.2.32

鄭宇庭(Yu-Ting Cheng)

新巴塞爾資本協定 ； 資料採礦 ； 信用評等 ； 羅吉斯迴歸模型 ； Basel Ⅱ ； Data Mining ； Risk Assessment ； Logistic Regression

管理科學與統計決策

6卷2期（2009 / 06 / 01）

32 - 42

繁體中文

巴塞爾銀行監理委員會於2001年1月公佈新版巴塞爾資本協定，並於2006年底正式實施。新協定鼓勵銀行能建立自己的內部評等系統評估違約風險，並重視銀行放款風險考量資訊的量化和降低計提所需資本，進而提高金融機構風險敏感性，以彌補傳統標準法的不足。為因應此趨勢，本研究以台灣公開資料庫的資料為實例，資料的觀察期間為1996至2005年，透過資料採礦流程，以製造傳統產業公司之授信樣本為主要的研究對象，建構企業違約風險模型及其信用評等系統。本研究分別利用類神經網路、羅吉斯迴歸和C5.0決策樹三種方法建立模型並加以評估比較其預測能力。結果發現羅吉斯迴歸模型對違約戶的預測能力及有效性皆較其他兩者為佳，因此，以羅吉斯迴歸方法所建立的模型為本研究最終模型。接下來便針對該模型進行各項驗證，驗證後發現此模型即使應用到不同期間或其他實際資料，仍具有一定的穩定性與預測效力，確實能夠在銀行授信流程實務中加以應用。

In January 2001 the Supervisory Review Process committee of Basel has announced the new version of Basel capital requirements and has officially set forth the implementation of the requirements in 2006. The revised accord aims to improve risk violation assessment, make regulatory capital more risk sensitive, lower asset minimum requirements and enhanced risk sensitivity management in the banking industry. The data adopted in this study is based on the publicly published data from Taiwan banking industry database. The data used is from the period of 1996 to 2005. The study attempts to construct the model in assessing risk violation and credit evaluation against the traditional manufacturing industry. The methods used in this study is through the process of data mining using Neural Network, Logistics Regression and C5.0 Decision Tree Analysis to construct the model and evaluate the prediction accuracy among the three models. The result shows that the prediction accuracy of Logistics Regression analysis is more favorable than the other two models and therefore is the chosen choice of the model in this study. In addition, the study has adopted multiple testing criteria to validate the validity and accuracy of the model which after testing has confirmed its reliability to be accepted in its application in the banking industry.

1. 沈中華(2003)。BaselⅡ的缺點及改進建議。台灣金融財務季刊，3
   連結：
2. Mensah, Yaw M.(1984).An Examination of the Stationarity of Multivariate Bankruptcy Prediction Models: A Methodological Study.Journal of Accounting Research,22,380-320.
3. Rose, P. S.,W. T. Andrews,G. A. Giroux(1982).Predicting Business Failure: A Macroeconomic Perspective.Journal of Accounting, Auditing and Finance,6(1),20-31.
4. Sharma S.,V. Mahajan(1980).Early Warning Indicators of Business Failure.Journal of Marketing,44,80-89.
5. Wilson, T.(1997).Portfolio Credit Risk.Risk,10(9),111-117.
6. 永康、林思惟、黃寶慶(2005)。內建評等法之最低作業要求（上），1
7. 行政院金融監督管理委員會全球資訊網
8. 沈中華、林昆立(2007)。台灣金融機構適足資本之壓力測試。金融風險管理季刊，3
9. 沈中華、張家華(2005)。產業達約率及景氣循環。金融風險管理季刊，12
10. 阮正治、江景清(2004)。台灣企業信用評分模型建置與驗證。金融風險管理季刊，6
11. 韋端、鄭宇庭、鄭家駒、匡宏波、謝邦昌(2003)。DATA MINING概述－以Clementine7.0為例。中華資料採礦協會。
12. 孫銘誼、王思芳(2004)。信用評等模型驗證之初探－相關方法與文獻回顧。金融風險管理季刊，3
13. 郭教華(1999)。債信等級之決定因素（上）。證券暨期貨管理雜誌，17(11)
14. 陳錦村、江玉娟、朱育男(2006)。商業銀行如何建置符合新巴塞爾資本協定的信用評等制度。金融風險管理季刊，3
15. 黃博怡、張大成、江欣怡(2006)。考處總體經濟因素之企業危機預警模型。金融風險管理季刊，6
16. 謝邦昌、蘇志雄、鄭宇庭、葉劭緯(2006)。資料採礦與商業智慧－SQL Server 2005。中華資料採礦協會。