• 藍色版面
  • 綠色版面
  • 橘色版面
  • 粉紅色版面
  • 棕色版面
帳號:guest(120.119.126.29)          離開系統
字體大小: 字級放大   字級縮小   預設字形  

詳目顯示

研究生: 杜詩敏
研究生(外文): Shin-Ming Tu
論文名稱: 不同之類神經網路應用於財務危機預測模型之比較
論文名稱(外文): A Comparison of the Different Neural Networks on the Financial Distress Predicton Models
指導教授: 廖世仁
指導教授(外文): Shih-Jen Liao
學位類別: 碩士
校院名稱: 樹德科技大學
系所名稱: 金融保險研究所
論文出版年: 2004
畢業學年度: 92
語文別: 中文
論文頁數: 111
中文關鍵詞: 財務危機類神經網路
外文關鍵詞: Financial DistressArtificial Neural Network
相關次數:
  • 被引用:13
  • 點閱:24
  • 評分:*****
  • 下載:0
  • 書目收藏:0
企業經營危機的預防與診斷在財務管理上一直是非常重要的課題,民國87年以來,臺灣部分上市公司或集團,陸續爆發一連串財務危機事件,影響所及包括債權銀行、投資人、員工及廠商,社會也付極高之社會成本與代價。這些案件的出現也讓人體會到企業財務危機事前預警的重要性。
          在財務危機預測的領域上,以不同之類神經網路模型的作為預測模型的研究所見不多,為了瞭解不同之類神經網路模型對財務危機預警模型的影響,本研究嘗試使用不同類型的類神經網路,包括倒傳遞類神經網路、串聯前饋倒傳遞類神經網路、以及Elman倒傳遞類神經網路等三種模型,並且以發生財務危機之公司為研究對象,其研究期間為1998年至2003年,將樣本區分為五大產業類別,來建構公司財務危機預警模型。
          實證結果發現,本研究發現就以整體公司為樣本之模型而言,模型的訓練樣本皆能達到完全準確之預測;但在測試樣本中,三種模型之預測準確率以倒傳遞類神經網路模型與Elman倒傳遞類神經網路模型最佳,平均正確率達98.81%;就區分產業類別為樣本之模型而言,我們發現三種模型各有優劣,在樣本數夠多的情況之下,所得到的預測準確度愈高,其正確率皆有90%以上,另外在各模型正確率上,串聯倒傳遞類神經網路之預測準確度略低於其他二種模型。因此,我們推論,以財務危機預測為主題之研究,就類神經網路而言,使用倒傳遞類神經網路即以足夠應付相關問題,倒傳遞類神經網路的確可以有效的運用在建立財務危機模型,且在樣本數夠多的情況之下,不論分類與否,其所得到的預測準確度皆能達到一定程度標準,足以提供投資人參考。
Business distress has always been the focal point of financial analysis. Since 1998, most listed companies and business groups had a series event of financial distress. When a business, especially a stock listed company, is in its financial distress, the negative impact to the investors as well as the industries is serious. Therefore, it is necessary to build a financial distress prediction model to predict the potential financial distress in advance.
          This dissertation first develops three neural networks:Back propagation network、Cascade-Correlation back propagation network、Elman network for the purpose of predicting financial distress. A holdout sample test enables us to show that the model have it validity. The data were collected from Taiwan stock listed companies that encountered financial distress between 1998 and 2003. Besides, We identity five different categories for the models.
          Empirical results show that the models for all companies can achieve excellent accuracy for the trained samples. However, for the test samples, we find that the Back propagation network and Elman network have better accuracy. For the models of classified companies, we find the models of three networks have its merits. If the sample size is large enough, the correct prediction is more accurate. Further, for the prediction accuracy , cascade-correlation back propagation network is lower than the other two models. Therefore, we can ratiocination that for the study of financial distress prediction, using Back-Propagation Network methodology is applied to distressed firms and healthy firms. Results indicate that this technique can accurately predict distressed firms. Back-Propagation Neural Network really represents a new paradigms in the investigation of financial prediction and offers promising results.
目錄
                                                          頁次
          中文摘要………………………………………………………………………i
          英文摘要…………………………………………………………………….ii
          誌謝…………………………………………………………………………iii
          目錄………………………………………………………………………….iv
          表目錄……………………………………………………………………….vi
          圖目錄………………………………………………………………………vii
          第一章 緒論………………………………………………………………..1
          第一節  研究背景………………………………………………………….1
          第二節  研究動機………………………………………………………….3
          第三節  研究目的………………………………………………………….8
          第四節  研究方法………………………………………………………….8
          第五節  研究範圍與限制………………………………………………….9
          第六節  研究架構與流程 ……………………………………………….12
          第二章 財務預警相關文獻探討………………………………………….14
          第一節  企業財務危機之定義……………………………………………15
          第二節  財務預警模型之相關研究………………………………………20
          第三節  類神經網路建構財務預警模型之相關研究……………………25
          第四節  文獻綜合評析…………………………………………………..40
          第三章 研究設計與研究方法…………………………………………….43
          第一節  研究設計與資料來源 ………………………………………….43
          第二節  研究變數與操作型定義………………………………………..52
          第三節  研究方法………………………………………………………..61
          第四章 實證結果與分析………………………………………………….78
          第一節  模型之參數設定…………………………………………………78
          第二節  類神經網路模型之實證分析……………………………………83
          第五章 結論與建議……………………………………………………….93
          第一節  結論………………………………………………………………93
          第二節  建議………………………………………………………………96
          參考文獻…………………………………………………………………….97
          英文部分…………………………………………………………………….97
          中文部分……………………………………………………………………100
          表目錄
                                                    頁次
          表1  有關公司財務危機認定標準之相關文獻歸納彙編………………18
          表2  財務危機預警模式所採用的統計方法之比較……………………21
          表3  財務性變數一覽表…………………………………………………24
          表4  類神經網路發展模式………………………………………………26
          表5  類神經網路之相關研究……………………………………………33
          表6  相關文獻回顧摘要…………………………………………………35
          表7  財務危機公司與配對公司樣本……………………………………45
          表8  公司分組名單………………………………………………………50
          表9  類神經網路之參數設定值…………………………………………82
          表10  倒傳遞類神經網路模型之預測結果………………………………84
          表11  倒傳遞類神經網路模型之預測準確率……………………………85
          表12  串聯前饋倒傳遞類神經網路模型之預測結果……………………87
          表13  串聯前饋倒傳遞類神經網路模型之預測準確率…………………88
          表14  Elman倒傳遞類神經網路模型之預測結果…………………………90
          表15  Elman倒傳遞類神經網路模型之預測準確率………………………91
          圖目錄
          頁次
          圖1  研究流程圖……………………………………………………………13
          圖2  類神經網路之基本架構………………………………………………62
          圖3  監督式神經學習網路…………………………………………………62
          圖4  運算元之基本運作方式………………………………………………63
          圖5  倒傳遞類神經網路架構圖……………………………………………66
          圖6  串聯前饋倒傳遞類神經網路架構圖…………………………………73
          圖7  Elman倒傳遞類神經網路架構圖…………………………………….76
          圖8  實證流程圖……………………………………………………………78
英文部分
1. Altman, E.I., G. V. Marco, and F.Varetto (1994), “Corporate distress diagnosis:Comparisons using linear discriminant analysis and neural networks,”Journal of Banking and Finance, 505-529.
2. Altman, E.I. (1968),“Financial Ratios, Discriminant Analysis and the  Prediction of Corporate Bankruptcy.”Journal of Finance, Vol.123, No.4, September, 589-609.
3. Beaver, W. H.(1966), “Financial Ratios as Predictors of Failure,”Journal  of Accounting Research , Vol.4, No.1, 71-111.
4. Blum, M. (1974),“Failing company discriminant analysis.”Journal of  Accounting Research, 12, 1-25.
5. Cadden, D. T. (1991),“Neural Networks and the Mathematics of Chaos-An Methodologies as Accurate Predictors of Corporate Bankruptcy,” First International Conference on Artificial Intelligence Applications on Wall
6. Street, IEEE Computer Society Press, 290-305."
7. Chen, C. L., Kaber, D. B, and Dempsey, P. G (2000),“A new approach to pplying feedforward neural networks to the prediction of musculoskeletal isorder risk,”Applied Ergonomics, vol.31, 269-282.
8. Chung, H. M. and Gray, P., Guest Editors (1999), “Special Section:Data Mining,”Journal of Management Information Systems, Vol. 16, 11-16.
9. Coats, P.K. and L.F. Fant (1993),“Recognizing financial distress patterns using a neural network tool,”Financial Management, 142-155.
10. Craven, M. W. and Shavlik, J. W. (1997), “Using Neural Networks for Data Mining,”Future Generation Computer Systems, Vol. 13, 221-229.
11. Deakin, E. (1972),“A Discreminant Analysis of Predictors of business Failure,”Journal of  Accounting of Research, Spring 1972, 166-179.
12. Drago, G. P., and Ridella, S .(1994), “Cascade Correlation Convergence Theorem,” ICANN ''94, Proceedings of the International Conference on Artificial Neural Networks, Vol. 1, pp. 573-576.
13. Dutta, S. and Shekhar, S. (1992),“Gerneralisation with NN: An Application to the Financial Domain,” Working Paper, INSEAD, Fontainebleau, France.
14. Fanning k, Cogger KO, Srivastava R. (1995), “Etection of management fraud: a neural network approach,” D, Int J Intell Syst Accuount Finance Manage, 4(2), 113-126.
15. Fathi Abid and Anis Zouari, (2003),“Financial distress prediction using neural networks: The Tunisian firms experiecnt,”, SSRN working paper.
16. Fletcher, D. and Goss, E. (1993),“Forecasting with Neural Networks: An Application Using Bankruptcy Data,” Information and Management, Vol.24, No.3, 159-167.
17. Foster, G. (1978), “Financial statement analysis, englewood cliffs,”New Jersey , Prentice-Hall Inc.
18. Fu, Limin (1999),“Knowledge discovery based on neural networks,” Communication of The ACM, 42(11), 47-50
19. Harlan D. Platt and Marjorie B. Platt (2002), ”Predicting Corporate Financial Distress Reflections on Choice-Based Sample Bias,”Journal of Economics and Finance; Summer 2002, 26,2, 184-199.
20. Hongkyu Jo and InGoo Han (1996), “Intergration of case-based forecasting, neural network, and discriminant analysis for bankruptcy prediction,” Expert Systems with applications, vol.4,  415-422.
21. Huang,S.C. and Huang, Y.F. (1991), ”A neural network structure for vector quantizers,”IEEE INTERNATIONAL Sympoisum, Vol. 5, 2506-2509.
22. Hush, D.R., and Horne, B.G. (1993), “Progress in supervised neural networks,”IEEE Signal Porcessing Magazine, Janurary, 8-39.
23. J Efrim Boritz and Duane B. Kennedy (1995), “Effectiveness of Neural network Types for prediction of business Failure,” Expert Systems with Applications, vol. 9, No.4, 503-512.
24. Karels, G. V. and Prakash, A. J.(1987),“Multivariate Normality and Forecasting of Business Bankruptcy,” Journal of Business Finance and Accounting, Vol.14, No.4, 573-593.
25. Kate A. Smith, and Jatinder N.D. Gupta (2000) ,“Neural networks in business, Techniques and Applicationsfor the operations researcher,” Computers&Operations Research, 27 , 1023-1044.
26. Lee, T. S., Chiu, C.C., Lu, C. J., and Chen, I. F. (2002),“Credit Scoring Using the Hybrid Neural Discriminant Techinque,”Expert Systems with Applications, Vol 23(3), 245-254.
27. Lenard MJ, Alam P, Madey GR. (1995), “The application of neural networks and a qualitative response model to the auditor''s going concern uncertainty decision,”Decis Sci , 26(2), 209-227.
28. Leonid V. Philosophov and Vladimir L. Philisophov( 2002), “Corporate bankruptcy prognosis: An attempt at a combined prediction of the bankruptcy event and time interval of its occurrence,”International Review of Financial Analysis, vol.11, 375-406.
29. M. Lehtokangas (1999), “Modelling with constructive backpropagation”, Neural Networks , 12 , 707-716.
30. Markham, I. S. and Rakes, T. R.(1998), “The effect of sample size and variability of data on the comparative performance of artificial neural networks and regression,”Computers Operations Research, vol.25(4), 251-263.
31. Markham, I. S. and Rakes, T. R.(1998), “The effect of sample size and variability of data on the comparative performance of artificial neural networks and regression,” Computers Operations Research, vol.25(4), 251-263.
32. Martin, D. (1977), “Early Warning of Bank Failure: A Logit Regression Approach,”Journal of Banking and Finance, 1, 249-276.
33. Masters, T. (1993), Practical Neural Network Recipes in C++. Boston: Academic Press.
34. Mikko Lehtokangas, Jukka Saarinen, Kimmo Kaski (1995), “Accelerating training of radial basis function networks with Cascade-Correlation algorithm,” Neurocomputing 9 , 207-213.
35. Moshe Leshno ,Yishay Spector (1996),”Neural network prediction analysis:The bankruptcy case,” Neurocomputing, Vol. 10, 125-147.
36. Murguan Anandarajan, Picheng Lee and Asokan Anandarajan (2001), “Bankruptcy prediction of Financially stressed firsm:An examination of the predictive accuracy of artificial neural networks,” International Journal of intelligent Systems in Accounting , Finance and Manag, Jun 2001;10,2, 69-81.
37. Murray, Smith. (1993), “Neural Networks for Statistical Modeling”, NY: Van Nostrand Reinhold。
38. Odom, M. ans R. Sharda (1990),“A Neural Network Model for Bankruptcy Prediction” , IEEE INNS IJCNN, 163-168
39. Odom, M. D. (1989), “A Neural Network model for bankruptcy prediction,” International Joint Conference On Neural Networks 89-wash., II.
40. Ohlson,J.A. (1980), “Financial ratios and the probabilistic prediction of bankruptcy,” Journal of  Accounting Research , Vol.18, No.1, 109-131.
41. Phatak,D., and Koren,I. (1994),“Connectivity and performance tradeoffs in the Cascade-Correlation learning architecture,” IEEE Transactions on Neural Networks, 5(6), 930-935.
42. Raghupathi W, Schkade LL, Raju BS.(1996),“A neural network approach to bankruptcy prediction,” Appeared in Trippi R, Turban E.Neural networks in finance and investing., Chicago (IL), Irwin, 227-241.
43. S.E.Fahlman and C.Lebiere (1990),“The cascade-correlation learning architecute,” Advances in neural information processing systems, 2, 542-532.
44. Simon, N., Corporaal, H., AND Kerckhoffs, E. (1992), “Variants on the Cascade-Correlation learning architecture for fast convergence in robot control,” Proceedings of the fifth International Conference on Neural Networks and their Application, 455-464.
45. Sjogaard, s.(1992),“Generalization in cascade-correlation networks,”  Proceedings of the IEEE Signal Processing Workshop, 59-68.
46. Sukan, A.J. and J.C.Singleton (1989), “neural networks for bond rating improved by multiple hidden layers, ”International Joint Conference On Neural Networks 89 II.
47. Swales G. and Yoon Y. (1992), “pplying Artificial Networks to Investment Analysis,” Financial Analysts Journal
48. Tam, K.Y. and M. Y. Kiang (1992),  “managerial applications of neural networks: the case of bank failure predictions, ” Management science, 38, 7.
49. Thomas G. Calderon, John J. Chen (2002), “A roadmap for future neural networks research in auditing and risk assessment,” International Journal of Accounting Information Systems, 3 , 203-236.
50. Trippi, R. and De Sieno, D. (1992), “Trading Equity Index Futures with a NN,” Journal of Portfolio Management.
51. Tsukud,J. and S. I. Baba (1994), “predicting Japanese corporate bankruptcy in term of financial data using neural network,” Compurter and industrial engineering, 27 , 9.
52. Vellido, A., Lisboa, P. J. G., and Vaughan, J. (1999), “Neural Networks in  Business: A Survey of Applications (1992-1998),” Expert Systems with  Applications, 17, 51-70.
53. Wilson, R. L. and Sharda, R.(1994),“Bankruptcy Prediction Using Neural Networks,” Decision Support Systems, Vol.11, No.5, 545-557.
54. Wong, F., Wang, P., Goh, T., and Quek, B.(1992),“uzzy Neural Network Systems for stock Selection,”Financial Analysts Journal, 184-198.
55. Y.H.Zweiri, J.F. Whidborne and L.D.Seneviratne ( 2003),“A three-term backpropagation algorithm,”Neurocomputing 50, 305-318.
56. Yang, J., and Honavar,V (1991),“ Experiments with the cascade-correlation algorithm,” Proceedings of the IEEE International Joint Conference on Neural Netwroks, vol.3, 2428-2433.
57. Zmijewski, M. (1984) ,“Methodological Issues Related to the Estimation of Financial Distress Prediction Models,”Journal of Accounting Research (Supplement),Vol.22, 59-82.
1. 王文英 (1999),「運用類神經網路建構台灣上市公司財務危機預警模型」,私立實踐大學碩士論文。
2. 白欽元 (2003),「國內中小企業財務危機預警模型之研究」,國立交通大學碩士論文。
3. 池千駒 (1999),「運用財務性、非財務資訊建立我國上市公司財務困難預警模式」,國立成功大學碩士論文。
4. 吳建宏 (1995),「類神經網路運用於公司財務危機之時點」,國立成功大學碩士論文。
5. 吳翠治、何其非 (2001),「亞洲金融風暴後台灣財務艱困企業預測模式之實證研究」,企銀季刊,24卷,5期。
6. 李昇暾、薛兆亨 (1999),「以機率型類神經網路建立財管專家之決策模式」,中華管理評,第2卷,第1期。
7. 沈大白、蔡嘉債,2002,TCRI與累積倒帳機之之關係,貨幣觀測暨信用評等 第 期 2002年5月.頁127-131。
8. 沈大白等,2002,運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11月,頁95-102。
9. 沈智偉,2002,企業預警-羅吉斯模型與類神經方法之比較,國立高雄第一科技大學,碩士論文。
10. 周鵬程,2002,類神經網路入門,全華科技圖書股份有限公司
11. 林宓穎,2002,上市公司財務危機預警模式之研究,國立政治大學,碩士論文。
12. 林振鵬,2003,應用類神經網路於財務危機預警之研究,私立東吳大學,碩士論文。
13. 施能仁與方南芳 (1997),「以類神經網路建立台灣儲蓄互助社財務危機預警模式」,台灣經濟 ,247期,頁34-80。
14. 施淑萍 (2000),「」財務危機預警模式與財務危機企業財務特性」,私立東吳大學碩士論文。
15. 茆顓顯 (2002),「應用類神經網路及數位邏輯於財務危機預測-以台灣上市之電子公司為例」,私立樹德科技大學碩士論文。
16. 張大成 (2003),「企業危機預測模型在臺灣的應用與比較」,臺灣銀行季刊,第54卷,第4期,頁147-163。
17. 張大成等 (2003),「財務危機模型之變數選取研究」,貨幣觀測與信用評,第54卷,第4期,頁147-163。
18. 張美玲  (2000),「由交叉持股觀點探討財務危機問題-台灣上市公司之實證研究」,私立淡江大學碩士論文 。
19. 戚務君 (1990),「運用財務報表分析財務困難之研究」,國立成功大學碩士論文。
20. 許志鈞 (2003),「企業財務危機預警模式∼基因演算法、倒傳遞網路與遞迴網路之應用」,國立台北大學碩士論文。
21. 郭瓊宜  (1994),「類神經網路在財務危機預警模式之應用」,私立淡江大學碩士論文。
22. 陳怡雯 (2003),「企業財務危機預警模式-非財務指標之運用」,私立真理大學碩士論文。
23. 陳俊呈 (1999),「倒傳遞網路在財務危機預警模式的預測能力之探討」,國立海洋大學航運 管理研究所碩士論文。
24. 陳建年 (2000),「由財務指標態樣探討上市營建公司經營危機之研究」,國立中央大學碩士論文。
25. 陳昱均 (2003),「類神經網路與模糊系統在企業倒閉風險預測之應用」,私立逄甲大學碩士論文。
26. 陳渭淳  (2001),「上市公司失敗預測之實證研究」,國立台北大學博士論文。
27. 陳漢沖、楊佳寧 (2003),「產業別財務變數差異研究」,貨幣觀測暨信用評等 第40卷,頁87-94。
28. 陳肇榮 (1983)「運用財務比率預測企業財務危機之實證研究」,國立政治大學博士論文。
29. 陳鳳儀 (1995),「台灣上市公司財務困難預測之研究」,國立台灣大學碩士論文。
30. 陳靜怡 (2000),「財務危機公司資本結構決定因素,資本結構與自發性重整行為聯立結構關係模式之研究」,私立義守大學碩士論文。
31. 彭俊豪 (1999),「以類神經網路建構上市公司財務預警模型之比較研究」,私立朝陽科技大學碩士論文。
32. 曾素娟 (2003),「考慮經濟景氣變動之企業失敗預警模式-台灣上市公司之研究」,國立成功大學碩士論文。
33. 湯玲郎、施並洲 (2001),「灰關聯分析、類神經網路、案例推理法於財務危機預警模式之應用研究」,中華管理評論,第4卷,第 2期,頁25~37。
34. 黃振豐、呂紹強 (2000),「企業財務危機預警模式之研究-以財務及非財務因素構建」,當代會計,第1卷 ,第1期。
35. 楊浚泓 (2001),「考慮財務操作與合併報表後之財務危機預警模式」,國立中央大學碩士論文。
36. 楊雅媛 (2002),「迴歸分析與類神經網路預測能力之比較」,國立政治大學碩士論文。
37. 葉怡成 (2003),《類神經網路模式應用與實作》,儒林圖書有限公司,八版。
38. 蔡人煜  (2002),「類神經網路於預測企業財務危機有效性之研究」,彰化師範大學碩士論文。
39. 蔡戊鑫 (2002),「建構台灣大型企業財務危機預警模式」,國立中正大學碩士論文。
40. 蔡秋田 (1994),「運用類神經網路預測上市公司營運困難之研究」,成功大學碩士論文。
41. 鄭育書 (2002),「企業失敗預測之實證研究」,私立靜宜大學碩士論文。
42. 鄭國瑞 (2002),「多項財務危機預警模式之探討」,國立高雄第一科技大學碩士論文。
43. 鄭碧月 (1997),「上市公司營運危機預測式之研究」,私立朝陽技術學院碩士論文。
44. 戴鳳玲 (1996),「類神經網路與Logit模式對財務危機預測能力之比較研究-以台灣股票上市公司為例」,私立東吳大學碩士論文。
45. 羅華強 (2001),《類神經網路-MATLAB的應用》,新竹,清蔚科技。
46. 蘇文娟 (2000),「台灣上市企業財務危機預測之實證研究」,國立東華大學碩士論文。
47. 龔志明 (1999),「財務危機預測模型之跨期性研究」,國立
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
* *