背景與目的： 企業授信於銀行總資產中，佔有極高之比重，授信品質並攸關銀行生存榮枯之命脈。然而，在企業經營之過程中，潛藏許多可能導致企業發生信用違約之原因，若能從中找出違約預測因子，用以建構預測違約發生之信用風險模型，俾使快速準確的檢測授信對象之信用風險，及早採取防範或補救措施，將能有效降低逾期放款及呆帳，提高銀行授信品質。 違約案例分析： 本研究彙整國內某銀行所發生實際違約案件，從違約案例中，探討違約發生之原因，經歸納出影響違約發生之因子，除「台灣企業信用風險指標（TCRI）」外，尚包括「董監事質設比率」、「長期投資佔淨值之比率」、「利息保障倍數」、「償債比率」四項變數，可作為預測違約之因子。 研究對象與方法： 本研究對象，係自民國84年至93年止十年間國內上市櫃公司及公開發行公司，針對研究期間內發生違約之公司，取40件作為違約樣本，再配以400件TCRI評等為7~9等屬高度風險之正常公司，觀察「TCRI評等」、「董監事質設比率」、「長期投資佔淨值之比率」、「利息保障倍數」及「償債比率」各變數之預測效果如何。其次，再擴大研究樣本，將40家違約公司配以由TCRI評等1至9等按各評等所佔比率抽樣取出之400家正常公司，檢視該檢測是否可適用於一般狀況。研究方法方面，採用羅吉斯迴歸法進行分析，將「董監事質設比率」、「長期投資佔淨值之比率」、「利息保障倍數」及「償債比率」各變數加入「TCRI評等」之後所形成之模型，檢測違約預測能力是否有所提升。 研究結果與結論： 經實證結果得之，「董監事質設比率」、「長期投資佔淨值之比率」、「利息保障倍數」及「償債比率」四項變數均可做為違約預測因子，得用以輔助「TCRI評等」，增強信用風險模型之違約預測能力；若能將該四項因子納入模型，將可建立一套更為完整與準確的違約預測模型，以達到預先防範之功能。

在信用風險的分析上，應變數就是發生與不發生，通常以1、0 來表示。若透過一般的最小平方法來處理，所求得的估計量雖滿足不偏性(Unbiased)，但存在幾個缺點，應變數並不滿足迴歸分析中常態分配的假設、殘差項存在變異數異質的問題。在模型的解釋能力方面，更存在著以下困擾 1.忽略了不同規模與分配下應變數的邊際變化。 2.極端值的情形下，參數的係數將會受到很大的影響。 本研究引進了分量迴歸(Quantiles Regression)的工具，最早由Koenker and Bassett(1978)所提出，能解決在使用最小平方法來處理時所出現的問題，以架構公司信用風險模型的評估，提出客觀的評估標準，並檢驗其用以風險控管的能力。 實證結果整理，各分量Binary Regression Quantiles的預測解釋能力和傳統的Logit模型仍存在一定的差距。

囿於台灣金融市場的過度競爭，銀行在授信時多以削價競爭，以圖擴大市佔率，以致平均放款利差持續縮減。金管會乃於2006年要求銀行訂定放款定價政策，以反應實際承擔之風險。因此，如何發展及善用適合我國市場的評估模型，以精準地從事風險基礎定價，應是金融機構的重要課題之一。我國行政院金融監督管理委員會為讓台灣與國際接軌，於2007年正式實施新巴賽爾資本協定，其中之內部評等法即提供銀行實施風險定價一個很好的基礎。本研究目的即在於探討個案銀行在內部信用評等制度下，企業授信之定價能否充分反映風險成本。透過資料的分析，我們發現實際的企業授信定價仍是深受市場利率水準與決策模式的影響，無法充分反映風險成本。換言之，信用評等所反應的風險高低，對業者而言只是定價的一種參考。 / Taiwan’s financial market is known to be over-banking, most banks can do nothing but to lower price to raise market share. At the same time, credit spreads are decreasing for the recent years. For this reason, Taiwan’s financial regulator asks banks to establish loan pricing polices to make sure they take into account the credit risk of their customers carefully in 2006. Also, it becomes an important topic for Taiwan banks to develop suitable models for risk pricing. Basel II has been implemented in Taiwan in 2007, and the IRB of Basel II has provided solid foundations for risk pricing. Under the internal rating system, we want to know if loan pricing could cover risk cost. After studing one of sample bank in Taiwan, we find loan pricing is mostly affected by market competition and then could not cover risk cost. In other words, the risk scale implied by credit rating is just for reference.

次貸風暴發生後，各國金融監理當局對於金融機構壓力測試益發重視，本文以香港金管局研究員Wong and Hui(2009)所建立的流動性風險壓力測試模型為主要架構，根據本國銀行的資產負債結構加以修改，以台灣上市銀行為主要研究對象，對其進行壓力測試。測試銀行在金融資產價格大跌的壓力情境下對於流動性風險的忍受能力。另外，本文嘗試以向量自我迴歸模型建立一個總體壓力情境，並以違約迴歸模型連結銀行放款對象的違約率與總體風險因子，再將其與此流動性風險壓力測試模型結合，觀察總體壓力情境下，各銀行的流動性風險忍受能力。

過去數年來，隨著金融市場的逐漸開放，帶動了整個金融市場的蓬勃發展。不過，隨之而來的風險，也產生了不少的金融災難。而這些的金融災難，大多是由於金融商品投資避險上的操作不當，或者是風險控管失衡所造成的。為了避免如是情況再度發生，近年來，國際間相繼有許多學者投入風險管理的研究。 而在所有的產業之中，風險管理對於銀行業來說，更為重要。銀行作為產業的金融媒介，一旦發生金融災難，不只產業會受到衝擊，連帶地資金來源的存款戶也受害，影響層面極為廣大。所以，各國政府莫不對銀行業設有相當嚴格的管理規定，以健全整體金融環境的發展。例如，有名的巴塞爾資本協定，即為國際間對於金融環境的風險管理規範。 但是，隨著時空環境的變遷，原有的協定早以不敷需求。終於，在2004年中，巴塞爾銀行監理委員會公佈了定版的新巴塞爾資本協定，並決定於2006年底開始實施。新協定在原有資本準備方面，將作業風險納入風險評估的範圍，並大幅修訂信用風險的衡量方式，允許銀行使用自行開發的內部模型，並採認降低信用風險的工具。而且，更增加了監理審查程序及市場紀律的相關規定，期待以多方面的角度，強化國際金融體系。 本研究將由新巴塞爾資本協定談起，簡介新協定的相關內容，比較新舊協定不同之處，然後針對銀行主要面臨的信用風險部分，探討在新協定所允許使用的信用風險內部模型，以及信用風險抵減技術。分別介紹目前業界常見的四種信用風險模型：專業信用分析公司KMV的KMV模型、CSFP的CreditRisk+模型、J.P. Morgan的CreditMetrics™模型、McKinsey的CreditPortfolioView模型，以及信用衍生性商品與信用風險證券化概念，最後探討未來風險管理發展的可能方向。

銀行風險管理架構的建立必須與銀行的經營管理相結合，如資產品質管理、資本分配、績效評估與發展策略等。面臨新的風險管理觀念與架構趨勢，銀行的資訊系統也必須做結構化的調整，以有效支援銀行風險控管的決策與執行。 本研究以銀行信用風險管理整合需求為出發點來推導信用風險管理資訊架構： 一、銀行信用風險管理資料蒐集、風險量化與驗證、風險監控與審核， 必須建立資訊運作流程。 二、因應系統平台的多元性，銀行必須建置整合性信用風險控管系統， 以建立即時監控風險機制。 三、風險預警機制與風險定價決策支援整合至現有銀行資訊系統。 四、建立資本配置與績效衡量決策支援與管理系統，以建立風險與績 效之連結機制，提升銀行經營績效。

本論文將信用風險模型CreditGrades model延伸至可轉債評價。相對 Hung and Wang (2002) 與 Chambers and Lu (2007), 本文信用風險模型的設定較有經濟意涵。除了結構式模型(structural models) 本身就比縮減式模型 (reduced-form models) 較具經濟意涵外, 本文模型在股價愈低時, 發生違約的機率愈高, 與在真實世界公司股價愈低愈有可能發生違約的現象一致。但是 Hung and Wang (2002) 與Chambers and Lu (2007) 的設定隱含假設公司股價高低於皆不影響違約發生機率。Ayache, Forsyth and Vetzal (2003) 雖然將違約強度設定為股價的遞減函數, 試圖捕捉股價愈低違約機率愈高的現象。卻沒有說明如何估計該設定的參數。本文模型的參數校準容易而且快速。 / 本研究選用最小平方蒙地卡羅法(Least Square Monte Carlo, LSM) 進行評價。相對於樹狀法與有限差分法, 蒙地卡羅法能夠輕易評價具有路徑相依性質條款的可轉債。此外, 未來如果需要新增其它隨機因子, 比起樹狀法與有限差分法更有彈性。蒙地卡羅法的缺點為評價時間冗長, 本文以準隨機亂數(quasi-random sequences) 輔助, 縮短評價時間。 / 本文有以下發現:考慮信用風險的模型價格比起未考慮信用風險更接近市場價格; 可轉債對波動度較不敏感, 與Brennan and Schwartz (1988) 的觀察一致; 股價波動度愈大會使得可轉債價值提高, 但具有贖回條款的可轉債, 提高幅度不如沒有贖回條款的可轉債; 加入賣回條款的可轉債對利率較不敏感, 利率上升會降低可轉債的價值, 但具有賣回條款的可轉債, 下跌幅度小於沒有賣回條款的可轉債。

為了符合國際清算銀行在 2006 年通過的新巴賽爾資本協定，且有鑑於近年 來整體經濟環境欠佳，銀行業者面對外部的規定以及內部的需求，積極地尋求 信用風險模型的建置方法，希望將整個融資的評等過程系統化以提高對信用風 險的控管。 本研究希望利用 92 至94 年未上市上櫃中小企業之營造業的資料，依循新 巴賽爾資本協定之規定並配合資料採礦的技術，擬出一套信用風險模型建置與 評估的標準流程，其中包含企業違約機率模型以及信用評等系統的建置，前者 能預測出授信戶的違約情形以及違約機率；後者則是能利用前者的分析結果將 授信戶分成數個不同的等級，藉此區別授信戶是否屬於具有高度風險的違約授 信戶，期待能提供銀行業者作為因應新巴賽爾協定中內部評等法的建置，以及 中小企業的融資業務上內部風險管理的需求一個參考的依據。 研究結果共選出 5 個變數作為企業違約機率模型建立之依據，訓練資料以 及原始資料的AUC 分別為0.799 以及0.773，表示模型能有效的預測違約機率 並判別出違約授信戶以及非違約授信戶。接著，經過回顧測試與係數拔靴測試， 證實本研究的模型具有一定的穩定性。另外，透過信用評等系統將所有授信戶 分為8 個評等等級，並藉由等級同質性檢定以及敏感度分析的測試，可以驗證 出本研究之評等系統具有將不同違約程度的授信戶正確歸類之能力。最後，經 由轉移矩陣可以發現，整體而言，營造業在2003 年到2005 年間的表現有逐漸 好轉的趨勢，與營造業實際發展情形相互比較之下，也確實得到相互吻合的結 論。 / In order to conform to the New Basel Capital Accord passing in 2006 by the Bank for International Settlements and due to the slump faced by economies globally and the rise in the number of defaulters in the recent years, the banking industry has aggressively looked for ways to establish the reliable credit risk model that can accommodate required regulations set forth by the Accord as well as the internal banking procedure demands. The banking industry attempts to standardize the process of evaluating credit rating in regards to capital risk in the loan business to enhance the control of credit risks. The attempt of this research is to perform the process of the establishment and evaluation of the credit risk model which includes the default risk model of companies and the credit rating system within the framework of the New Basel Capital Accord using the statistical tool known as data mining. The data adopted in this study is taken from the construction industry of the SMEs from 2003 to 2005. The default risk model assesses the probability whether a company is at risk of being defaulted. In addition the credit rating system assigns credit scores to a company in question based on the application result from the default risk model to differentiate those who have high risk of being defaulted. More importantly this research provides banking industry of varying degrees of complexity to monitor its risk assessment as well as becoming a reference basis of the loan business in the SMEs. Based on the result of this study, five variables are selected as the default probability model basis. The AUC for the training data is 0.799 and for the raw data is 0.773 which represents the accuracy and reliability of the model in predicting the probability of default risk and determining the likelihood of the companies to default. After series of testing, our model stability plays a key role in determining whether the algorithm produces an optimal model in this study. The credit rating system formulates credit scores of the companies into 8 credit ratings. Applying homogeneity test and sensitive analysis, this study is able to verify the validity and accuracy of the rating system to correctly classify different levels of credit risk that could have jeopardized the companies to default. Finally, through the transformation matrix, there has been an improvement trend of performance in the construction industry from 2003 to 2005 which coincides with the result of this study.

本研究預測違約機率的方法為:Binary Regression Quantiles(二元分量迴歸)，此理論基礎與預測方式是使用美國學者Grigorios Kordas(2004)的方法，將分量迴歸運用在應變數為二元的屬質變數上之計量方法。 最小平方法是目前最常見到的迴歸分析，但在古典線性迴歸模型中，應變數的解釋是來自於自變數的相對應的平均變化，而忽略了不同規模與分配下應變數的邊際變化，本文試圖以此方法和以最大概似估計法所建構出的Logit模型做一比較，而研究資料為台灣於民國85年至93年曾被列為全額交割類股的上市公司。 本研究發現Kordas (2004)的方法，雖然能將分量迴歸應用在屬質二元變數上，但是在預測方面相較於傳統Logit方法卻沒有出現較佳的預測能力。 / The method implemented in PD calculation in this study is “Binary Regression Quantiles”. The foundation of the research and the way to forecast is according to the Ph.D Thesis of Grigorios Kordas(2004). He apply the binary variable for Quantile Regression. The Ordinary Least Square is the most common way to regression analysis, but in the classic linear regression the change of dependent variable comes from the independent variable averagely. It neglects the marginal change of the dependent variable according to different scale and distribution. We want to compare the Binary Regression Quantiles with the Logit Regression. Although we could apply the binary variable for Quantile Regression successfully, the outcome of the forecast is not as efficient as the Logit Regression.

本研究所使用違約機率（Probability of Default, 以下簡稱PD）的預測方法為Robust Logistic Regression（穩健羅吉斯迴歸），本研究發展且應用這個方法是基於下列兩個觀察：1. 極端值常常出現在橫剖面資料，而且對於實證結果往往有很大地影響，因而極端值必須要被謹慎處理。2. 當使用Logit Model（羅吉斯模型）估計違約率時，卻忽略極端值。試圖不讓資料中的極端值對估計結果產生重大的影響，進而提升預測的準確性，是本研究使用Logit Model並混合Robust Regression（穩健迴歸）的目的所在，而本研究是第一篇使用Robust Logistic Regression來進行PD預測的研究。 變數的選取上，本研究使用Z-SCORE模型中的變數，此外，在考慮公司的營收品質之下，亦針對公司的應收帳款週轉率而對相關變數做了調整。 本研究使用了一些信用風險模型效力驗證的方法來比較模型預測效力的優劣，本研究的實證結果為：針對樣本內資料，使用Robust Logistic Regression對於整個模型的預測效力的確有提升的效果；當營收品質成為模型變數的考量因素後，能讓模型有較高的預測效力。最後，本研究亦提出了一些重要的未來研究建議，以供後續的研究作為參考。 / The method implemented in PD calculation in this study is “Robust Logistic Regression”. We implement this method based on two reasons: 1. In panel data, outliers usually exist and they may seriously influence the empirical results. 2. In Logistic Model, outliers are not taken into consideration. The main purpose of implementing “Robust Logistic Regression” in this study is: eliminate the effects caused by the outliers in the data and improve the predictive ability. This study is the first study to implement “Robust Logistic Regression” in PD calculation. The same variables as those in Z-SCORE model are selected in this study. Furthermore, the quality of the revenue in a company is also considered. Therefore, we adjust the related variables with the company’s accounts receivable turnover ratio. Some validation methodologies for default risk models are used in this study. The empirical results of this study show that: In accordance with the in-sample data, implementing “Robust Logistic Regression” in PD calculation indeed improves the predictive ability. Besides, using the adjusted variables can also improve the predictive ability. In the end of this study, some important suggestions are given for the subsequent studies.