利用軟性計算法建構金融機構債權資產分類模型

ASIAIR > College of Management > Department of Business Administration > Theses & dissertations > Item 310904400/731

Please use this identifier to cite or link to this item: http://asiair.asia.edu.tw/ir/handle/310904400/731

Title:	利用軟性計算法建構金融機構債權資產分類模型 Construction of Classified Model for Financial Institution Loan Potfolio by Soft Computing Method
Authors:	陳文淵
Contributors:	經營管理學系碩士在職專班
Date:	2009
Issue Date:	2009-10-09 08:56:52 (UTC+0)
Publisher:	亞洲大學
Abstract:	金融機構在經營環境日趨艱困之情況下，想要藉由傳統授信業務來獲利的空間已日益壓縮，而龐大的不良債權不僅會大幅降低金融機構的獲利能力，對於整個金融體系的穩定性也會造成相當的影響。本研究藉由彙整金融機構債權資產分類因素，研析其分類評估指標。並利用軟性計算法建構金融機構債權資產分類模型，建構一套更精細可靠的分類模型，提供金融機構不良資產差異化標售或議價之參考。最後測試分類模型指標敏感度，釐清分類之關鍵因素。本研究以中部地區某公營大型行庫2002年到2007年的授信資產評估表為本研究個案資料來源。依財政部「逾催辦法」規定銀行對資產負債表表內及表外之授信資產評估，除正常還本繳息及授信戶積欠本金或利息在清償期ㄧ個月以內(含)之授信資產列為第一類外，餘不良之授信資產，應按債權擔保情形及逾期時間長短予以評估，分別列為第二類應予注意者，第三類可望收回者，第四類收回困難者，第五類收回無望者。本研究由實際案件中篩選出已逾期放款案件資料360筆及正常放款案件資料90筆，作為金融機構債權資產分類模型的樣本依據。在進行模型之建構與驗證前，為便於後續鑑別金融機構債權資產分類正確率，必須將實證樣本區分為訓練樣本與測試樣本兩組樣本。訓練樣本係用於推估金融機構債權資產分類模型，測試樣本則用於鑑別金融機構債權資產分類之正確預測率。實證結果顯示，訓練樣本之正確預測率於四種網路架構上只有網路Ⅰ及網路Ⅲ為100%，惟就其RMSE數值表現，以網路Ⅲ(以Norm-Cum-Delta-Rule為學習法則，TanH為轉換函數)為最佳，RMSE為0.1476，而網路Ⅳ(以Norm-Cum-Delta-Rule為學習法則，Sigmoid為轉換函數)之RMSE值最差，為0.1955。另在測試樣本方面，模型正確預測率於四種網路架構上只有網路Ⅰ及網路Ⅲ為94.67%，惟就其RMSE數值表現，以網路Ⅰ(以Delta-Rule為學習法則，TanH為轉換函數)為最佳，RMSE為0.2275，而網路Ⅳ(以Norm-Cum-Delta-Rule為學習法則，Sigmoid為轉換函數)之RMSE值最差，為0.1995。換言之，本研究以Delta-Rule為學習法則，TanH為轉換函數之類神經網路模式數值最佳。因此以該模式進行敏感度分析，發現影響資產分類最顯著的變數為逾期期間，其次依序為擔保品價值、擔保品、從債務人、擔保品種類及擔保品座落，此可提供金融機構人員實務上處理案件參考，以爭取時效、減少審核期間。另可提供金融機構處分不良債權(NPL)標售予資產管理公司(AMC)時，考慮案件之逾期期間、擔保品價值、擔保品、從債務人、擔保品種類及擔保品座落等變數，始得作出最適宜金融機構不良債權及承受擔保品出售之資產組合，作為差異化標售或議價之處理，以助於行銷過程中吸引更多投標者，提高金融機構債權回收率，同時本分類模型亦可強化金融機構貸後管理之債權預警系統，做好事前預防管理工作。
Appears in Collections:	[Department of Business Administration] Theses & dissertations

Files in This Item:

File	Description	Size	Format
index.html		0Kb	HTML	252	View/Open

Loading...