台灣公開及未公開發行公司間財務危機預測模型之比較－MDA、Logit、BPN和SVM之運用

Comparison of Bankruptcy Prediction Models Between Taiwan Listed and Unlisted Company－Using MDA, Logit, BPN and SVM

陳彥銘(Yan-Ming Chen)

指導教授 ： 林利萱

元智大學/管理學院/會計學系/碩士(2006年)

摘要

本研究使用台灣公開及未公開發行公司財務比率樣本，分別以多變量區別分析(MDA)、羅吉斯(Logit)、倒傳遞類神經網路(BPN)和支向機(SVM)四研究方法在三種不同樣本切割比例下建立企業財務危機預測模型。並對SVM以grid-search technique進行預測穩定性測試，探討公開及未公開發行公司訓練樣本在五組不同切割比例逐漸遞減時，是否能保持良好的SVM預測穩定性。
在建構企業財務危機預警模型上，MDA和Logit模型的實證結果都指出公開與未公開發行公司在三種不同切割比例下的顯著預測財務比例完全不同。在SVM預測穩定性測試上，實證結果發現公開與未公開發行公司的SVM模型在訓練樣本逐漸遞減時，能保持良好的預測穩定性。
檢測公開與未公開發行公司在四種不同研究方法最佳預測能力時，在樣本切割比例為80%（訓練組）對20%（測試組）時，公開發行公司四種研究方法最佳訓練組預測能力分別為SVM、Logit、BPN和MDA。未公開發行公司訓練組最佳預測能力分別為SVM、Logit、BPN和MDA；公開發行公司測試組最佳預測能力分別為Logit、BPN、SVM和MDA。未公開發行公司測試組最佳預測能力分別為SVM、BPN、Logit和MDA。
在樣本切割比例75%對25%時，公開發行公司訓練組最佳預測能力分別為SVM、Logit、BPN和MDA。未公開發行公司訓練組最佳預測能力分別為SVM、Logi、BPN和MDA；公開發行公司測試組最佳預測能力分別為Logit、SVM、MDA和BPN。未公開發行公司測試組最佳預測能力分別為SVM、BPN、Logit和MDA。
在樣本切割比例60%對40%時，公開發行公司訓練組最佳預測能力分別為SVM、Logit、BPN和MDA。未公開發行公司訓練組最佳預測能力分別為SVM、Logit、BPN和MDA；公開發行公司測試組最佳預測能力分別為Logit、BPN、MDA和SVM。未公開發行公司測試組最佳預測能力分別為BPN、SVM、MDA和Logit。實證結果發現，不同樣本切割比例下，四研究方法預測能力順序並不相同。

關鍵字

多變量區別分析 ； 羅吉斯 ； 類神經網路 ； 支向機 ； 財務危機預警模式 ； 格點法

並列摘要

This paper applies Multiple Discriminant Analysis (MDA), Logit, Back-Propagation Neural Networks (BPN) and Support Vector Machines (SVM) to the bankruptcy prediction issue in an attempt to find out the model with better explanatory power. Our data set includes Taiwan listed and unlisted companies financial data. so that we can compare prediction power between listed and unlisted companies.
In addition, to evaluate the prediction stability of SVM, we use grid-search technique and examine the optimal prediction accuracy of SVM under 5 different cutoff alternatives.
We also compare the predictive accuracy between Taiwan listed and unlisted companies using MDA, Logit, BPN and SVM under three different sample cutoff points. The experiment result show that the sequence of prediction ability different is all different under 3 different cutoff point.

並列關鍵字

Bankruptcy Prediction ； Multiple Discriminant Analysis ； Logistic ； Back-Propagation Neural Networks ； Support Vector Machines ； Grid-Search

參考文獻

16.葉怡芳，「構建財務危機預警模式—支向機與羅吉斯之應用」，元智大學會計學系碩士論文，民國92年。

17.劉振遠 ，「建構台灣未上市公司財務危機之預測-支向機與GMDH模式之運用，」，元智大學管理研究所碩士論文，民國94年。

1.Altman ,E.I. ( 1968 ), “Financial Ratios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy” , Journal of Finance, Vol.23, No.4, September, 1968, pp.589-609.

2.Blum, M. ( 1974 ),“Failure Company Discriminant Analysis”, Journal of Accounting Research, Vol.12, 1974, pp.1-25.

3.Coats, P. K., and L. F. Fant. ( 1993 ) ,“Recognizing financial distress patterns using a neural network tool”, Financial Management 22, no.3, pp.142-155.