信用卡違約風險評估模型─應用粗糙集與因素分析

The Application of Rough Set And Factor Analysis in Default Risk Evaluation Model of Credit Card

劉書汎(Shu Fan)

指導教授 ： 周宗南

朝陽科技大學/管理學院/財務金融系/碩士(2009年)

摘要

隨著世界潮流，金融發展國際化、自由化，信用卡、現金卡等消費金融商品不斷推陳出新。金融機構藉由建構消費者評分模型，以降低處理客戶繁雜資料之成本，達到控制客戶相關風險之管理。
消費者信用評分，是金融機構利用申請者提供相關資訊，以分析評估風險的一種統計方法。一般而言，金融機構決定是否核准消費者申請信用貸款，有兩種貸款給消費者的決策類型，分為信用評分(Credit Score)及行為評分(Behavior Score)。前者主要為金融機構核准於新客戶所進行的評分，支援這項決策的工具稱為信用評分方法(credit scoring methods)，後者決策類型為他們如何對現存的客戶進行分析。
本研究針對信用卡核卡後違約風險評估模型進行探討。實證分為兩部分：一為採用類神經網路方法進行信用卡違約風險分析，加入粗糙集與因素分析方法篩選變數，以及建構邏輯斯迴歸模型進行比較，實證結果顯示經由粗糙集篩選變數後得到最高預測準確率90.4%；另一為應用粗糙集分類規則，並且結合其他演算法進行信用卡違約風險評估，最後，加入類神經網路LTF-C分類進行比較。實證結果顯示，粗糙集結合覆蓋率演算法與可學習進化演算法之分類規則法，其預測準確率皆得到最高預測準確率88.8%。

關鍵字

信用卡 ； 粗糙集 ； 違約風險

並列摘要

The aim of this study is to develop sophisticated default risk evaluation models for credit card. The empirical investigation is divided into two sections. The first section is to construct two models including Back Propagation Network (BPN) and Logistic Regression (LR) to predict the default cases. In the BPN model, we group variables into four categories with various feature extraction methods prior to perform the comparison of the predictive accuracy. Empirical results show that BPN model based on the feature extraction of rough set achieves higher adaptability and prediction accuracy. In the second section, the rough set approach is compared with the rule based classifier, rule based classifier with discrete data, decomposition tree, k Nearest Neighbor (k-NN) classifier, and Local Transfer Function Classifier. Empirical results show that the rule based classifier with Learnable Evolution Model (LEM Algorithm) is superior to other approaches.

並列關鍵字

rough set ； credit card ； default risk

參考文獻

莊慶達，劉祥熹，吳明峰，2007，「台灣漁會信用部金融預警系統之研究－類神經網路模式之應用」，農業經濟叢刊，13卷1期：125-145。

黃財尉，2003，「共同因素分析與主成份分析之比較」，彰化師大輔導學報，25 期：63-86 。

陳順宇，2005，「多變量分析」(第四版)，華泰文化事業股份有限公司，台北：67-141。

陳承昌、史天元，2007，「粗糙集方法應用於水稻田辨識之研究」，航測及遙測學刊，12卷2期：121-131。

莊瑞珠，2006，「邏輯斯迴歸模型運用在女性信用卡評分制度之研究」，輔仁管理評論，14卷1期：127-154。