請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82300完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 邱顯比 | |
| dc.contributor.author | Jenn-Yuan Liu | en |
| dc.contributor.author | 劉振遠 | zh_TW |
| dc.date.accessioned | 2022-11-25T06:35:18Z | - |
| dc.date.copyright | 2021-11-12 | |
| dc.date.issued | 2021 | |
| dc.date.submitted | 2021-09-11 | |
| dc.identifier.citation | 一、中文部份 1. 丁正中、李彥錚，「2013年美國FICO巨量資料分析研討會考察紀要」，金融聯合徵信中心，第23期，2013/12頁36-46 2. 沈大白、張大成、劉宛鑫，「利用類神經網路建構財務危機預警模型」，貨幣觀測與信用評等，2002年，第38期，頁95-102 3. 李智遠、洪瑞鐘，「XGBoost 結合最佳化粒子群演算法預測信用卡客戶的繳款狀況」，國立台北大學資訊學系 2021/4 4. 李彥錚、鄭聖儒，「應用類神經網路及非傳統信用資料於信用評分模型之探討」，金融聯合徵信 第37期，2020/12，頁3-22 5. 吳美倫、林俊辰，「無擔保小額信用貸款違約預警模型之研究」，科技整合管理研討會，2010年第13屆June 26, pp115-126 6. 何美紅，「消費金融信用評分研究」，國立台灣大學國際企業研究所博士論文，2012年。 7. 林利萱，「危機預測模型分類之研究」，行政院國家科學委員會專題研究計畫成果報告，1996年 8. 林佩樺，｢信用卡客戶違約風險的預測分析-決策數分類方法與羅吉斯迴歸的應用｣，逢甲大學金融碩士論文，2019年。 9. 柯其章，「小額貸款信用風險因素分析」，輔仁大學科技管理學程碩士論文，2016年潘玉葉，「台灣上市公司財務危機預警分析」，淡江大學管理研究所博士論文，1990年 10. 徐新媛，「逾期信用卡持卡人背景因素之探討-以國內某銀行為例」，國立交通大學管理學院碩士論文，2012年。 11. 程兆慶、鄭宇庭、陳宗權，「應用商業智慧技術於信用卡違約風險之預測」，Journal of Data Analysis，2018/02,13卷1期，頁21-34 12. 陳福昇，「探究中國個人信用徵信發展-以阿里巴巴集團馬蟻金服之芝麻信用為例」，國立清華大學經營管理碩士論文，2017年 13. 蔡慶義，「無信用資料客群信用取得之情形與風險評估」，金融聯合徵信 第36期，2020/06，頁51-64 14. 楊立楷，「神經網路與機器學習方法建購p2p信用評分模型：以Lending+Club為例」，國立政治大學金融學系碩士論文 ，2019年 15. 潘玉葉，「台灣上市公司財務危機玉靜分析」，淡江大學管理研究所博士論文，1990年 16. 葉雅琴，「個人消費信用貸款授信核貸額度影響因子之分析-以T銀行台中地區分行為例」，國立中興大學應用經濟學系所碩士論文，2020年 二、英文部份 1. Alec Zhixiao Lin, Loan Depot, Lake Forest(2018), CA,” Using Information Value, Information Gain Ratio for Detecting Two-way Interaction Effect”, “SAS-global-forum-proceeding “2018,page 2528-2018. 2. Altman,E,I(1968),”Financial discriminant analysis and the prediction of corporate bankruptcy”. “The Journal of Finance”,589-609 3. Beaver W.H (1966), “Financial Ratio as Predictors of Failures in Empirical Research in Accounting”: Selected studies, “Supplement to Journal of Accounting Research”, Vol.4,1966, pp.71-111 4. .Chen,T, Guestrin ,C(2016). Xgboost:” A scalable tree boosting system”, arXiv preprint arXiv 1603.02754. 5. Friedmain J,H(2002) “Stochastic gradient boosting Computational Statistics Data Analysis” ,38,367-378 6. Hongliang He, Zhang Wenyu , Zhang Shuai (2018), “novel ensemble method for credit scoring: adaption of different imbalance ratios, Expert Systems With Application”. 7. Hua Li, Cao Yumeng, Li Siwen, Zhao Jianbin and Sun Yutong (2020),” XGBoost model and its application to personal credit evaluation”， (DOI 10.1109/MIS IEEE Intelligent Systems) 8. Kyung-shik Shin, Lee Taik Soo , Kim Hyun-Jung (2005), “An Application of support vector machines in bankruptcy prediction model”, “Expert Systems with application”page 603-614 9. Lin Lee-Hsuan (2007), “A study of Taiwan Bankruptcy Prediction Model-Comparing the GA-SVM, SVM, Logistic Regression and MDA, International Symposium on Information Systems Management (ISN)”. 10. Min,J.H Y.C Lee (2005),” Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters “.Expert Systems with Applications,36,2005,3028-3033 11. Ohlson J.A(1980),” Financial Ratios and the Probabilistic Prediction of Bankruptcy” “Journal of Accounting Research”.Vol.18, Spring,1980 ,pp.109-131 12. Shin and Han (1998) ,”Bankruptcy prediction modeling using multiple neural networks models”. “Proceedings of Korea management science institute conference”.(1988) 13. Wiginton,J.C (1980),” A Note on the comparison of Logit and discriminant models of consumer credit behavior”, “Journal of Financial and Quantitative Ananlysis”,15 (1980),pp757-770 14. Yan Wang and Ni Xuelei Sherry (2019), “A XGBoost risk model via feature selection and Bayesian hyper-parameter optimization”, “International Journal of Database Management Systems (IJDMS) “February 2019, Vol,11, No,1, 15. Yufei Xia, Liu Chuanzhe , Li YuYing, Liu Nana ,(2017), “A boosted decision tree approach using Bayesian hyper-parameter optimization for credit scoring”, “Expert Systems With Application” 78(2017)225-241 三、網站部份 1. 大資料徵信應用與啟示─以美國網際網路金融公司ZestFinance為例(2019)-IT閱讀http://www.itread01.com,content2019/1/11，查詢日期：2021/8/14 2. ZestFinance大數據徵信實踐-Big Data in Finance(2015)，http://bigdatafinance.tw,finance2015/10/11，查詢日期：2021/8/14 3. 財團法人聯合金融中心網站/信用知識介紹(2020)https://www.jcic.org.tw/main_ch/docDetail.aspx?uid=1555 pid=1555 docid=629 查詢日期：2021/8/14 | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82300 | - |
| dc.description.abstract | "傳統消費金融以信用卡為主，隨著金融科技發達，消費支付方式變得多元性與便利性，但現有支付工具大多以銀行帳戶或信用卡連接，對不需要使用信用卡客群無法滿足消費需求，因此本文主要探討以不需要信用卡消費客群建構信用風險預測模式，研究以台灣C資融公司不需要信用卡消費的客戶資料，樣本時間取2018年3月至2019年12月資料，樣本總數333,375件，並利用羅吉斯迴歸分析法、極端梯度提升法比較兩者建模預測能力。 在建立信用預測模型研究變數分成二個部分：1.僅用公司內部信用評量變數建立預測模型；2.全變數（包含公司內部信用評量並納入其他內外部信用資訊）建立預測模型。並以AUC、KS與混淆矩陣方法作為評比建模績效指標。 實證結果： 1. 無論羅吉斯迴歸分析法或極端梯度提升法，全變數要比僅用公司內部信用評量變數的預測能力佳。 2. 無論公司內部信用評量變數或全變數，在模型績效指標比較，極端梯度提升法均優於羅吉斯迴歸分析法。 因此，本研究建議可採用全變數，並利用極端梯度提升法建立模型為最佳信用風險預測模式。 " | zh_TW |
| dc.description.provenance | Made available in DSpace on 2022-11-25T06:35:18Z (GMT). No. of bitstreams: 1 U0001-0909202117452200.pdf: 2690942 bytes, checksum: 45498de050c0d896817e78c752f98d0d (MD5) Previous issue date: 2021 | en |
| dc.description.tableofcontents | 口試委員會審定書 I 謝誌 II 中文摘要 III THESIS ABSTRACT IV 目錄 VI 圖目錄 VIII 表目錄 IX 第一章 緒論 1 第一節 研究動機與背景 1 第二節 研究目的 2 第三節 研究架構與內容 4 第二章 文獻研究與信用機構探討 6 第一節 相關文獻研究 6 第二節 重要信用機構者對信用評分探討 11 第三章 研究方法 15 第一節 研究流程 15 第二節 抽樣設計 16 第三節 研究設計 17 第四節 變數預測能力 18 第五節 研究方法 20 第六節 模型績效指標 25 第四章 實證分析與結果 30 第一節 樣本資料分析 30 第二節 變數分析 34 第三節 信用評量變數預測模型驗證結果 44 第四節 全變數預測模型 52 第五節 實證結果 62 第五章 結論與建議 65 第一節 結論 65 第二節 建議 66 參考文獻 67 圖目錄 圖1-1 研究架構 5 圖3-1 CART分類 23 圖3-2 增益(Gain)計算 24 圖3-3 ROC曲線 27 圖3-4 K-S曲線圖 28 表目錄 表3-1樣本取自資料時間 16 表3-2客戶型態WOE值與IV值計算為例 19 表3-3 IV值代表預測能力訊號 20 表3-4 混淆矩陣 26 表3-5 AUC數值模型鑑別能力 28 表3-6 KS數值模型鑑別能力 29 表4-1消費商品種類 31 表4-2平均單件消費金額 31 表4-3 個人信用基本資料分析 33 表4-4 變數組別分類 34 表4-5 信用評分表變數訊息價值(IV) 35 表4-6 審核作業資訊變數訊息價值(IV) 37 表4-7 其他信用資訊變數訊息價值(IV) 43 表4-8 訊息價值預測能力匯整 44 表4-9 建模樣本資料 45 表4-10 Logistic選取關鍵變數（信用評量）P-Value(p<0.05) 45 表4-11 Logit model信用評量鑑定表 47 表4-12 Logit Model信用評量變數模型分類 48 表4-13 Logit Model信用評量變數模型評估指標 48 表4-14 在信用評量變數XGBoost重要增益Gain值 50 表4-15 XGBoost信用評量模型分類 51 表4-16 XGBoost信用評量模型評估指標 51 表4-17 Logistic選取關鍵變數(全變數) P-Value(p<0.05) 53 表4-18 Logit model全變數鑑定表 54 表4-19 Logit Model全變數模型分類 57 表4-20 Logit Model全變量模型評估指標 57 表4-21 XGBoost全變數重要增益(Gain)變數 59 表4-22 XGBoost全變數模型分類 60 表4-23 XGBoost全變數模型評估指標 61 表4-24 模型績效指標綜合比較--訓練樣本 63 表4-25 模型績效指標綜合比較--驗證樣本 64 表4-26 模型績效指標綜合比較--測試樣本 64 | |
| dc.language.iso | zh-TW | |
| dc.subject | 羅吉斯迴歸分析法 | zh_TW |
| dc.subject | 極端梯度提升法 | zh_TW |
| dc.subject | 信用預測模型 | zh_TW |
| dc.subject | KS | zh_TW |
| dc.subject | 混淆矩陣 | zh_TW |
| dc.subject | AUC | zh_TW |
| dc.subject | KS | en |
| dc.subject | Logistic Regression(LR) | en |
| dc.subject | Credit Risk Prediction model | en |
| dc.subject | Confusion Matrix | en |
| dc.subject | AUC | en |
| dc.subject | XGBoost | en |
| dc.title | 建構消費金融信用風險預測模式 —以臺灣C資融公司為例 | zh_TW |
| dc.title | Building Credit Risk Prediction Model for Consumer Finance—Example of C Finance Company in Taiwan | en |
| dc.date.schoolyear | 109-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 陳葉寧(Hsin-Tsai Liu),廖咸興(Chih-Yang Tseng) | |
| dc.subject.keyword | 信用預測模型,羅吉斯迴歸分析法,極端梯度提升法,AUC,KS,混淆矩陣, | zh_TW |
| dc.subject.keyword | Credit Risk Prediction model,Logistic Regression(LR),XGBoost,AUC,KS,Confusion Matrix, | en |
| dc.relation.page | 70 | |
| dc.identifier.doi | 10.6342/NTU202103089 | |
| dc.rights.note | 未授權 | |
| dc.date.accepted | 2021-09-11 | |
| dc.contributor.author-college | 管理學院 | zh_TW |
| dc.contributor.author-dept | 財務金融組 | zh_TW |
| dc.date.embargo-lift | 2026-06-30 | - |
| 顯示於系所單位： | 財務金融組 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| U0001-0909202117452200.pdf 未授權公開取用 | 2.63 MB | Adobe PDF | 檢視/開啟 |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。