近年來因銀行間彼此競爭激烈，信用卡業務獲利正逐漸減少，為避免虧損，及早地辨識信用風險將更顯得重要。
    本研究採國內某銀行信用卡客戶作為分析對象，第一階段經觀察違約者之樣態後發現，多數違約者違約前會先有使用循環信用的歷程，爰第二階段以決策樹、隨機森林、支持向量機、羅吉斯迴歸、類神經網路及深度學習等演算法分析循環信用者之特性。
    研究結果發現，多數違約者違約前會有遲延繳款情形，且違約時使用額度大於核給額度8成的現象；循環信用使用者之特性為帳單金額/額度之比率、差別利率級數、帳單金額、近3、6期循環信用次數，以及使用循環信用後將會有持續使用的情形；就模型表現而言，有近6個月繳款紀錄之各分類模型，模型AUC值均大於0.9%，均有好的鑑別能力；深度學習在準確度、靈敏度、特異度、精度等四個指標中囊括兩項第一，而決策樹有運算速度快，容易理解等優點，兩者於建置相關模型時可共同列為優先適用之演算法。

In recent years, the credit card business has been losing profits due to fierce competition among banks. In order to avoid losses, it is even more important to be able to identify credit risks early.
    This study adopts the credit card customers of a domestic bank as the objects of analysis. After observing the patterns of credit card defaulters in the first stage, we have found that most credit card defaulters have a history of using revolving credit before defaulting on their credit contracts. In the second stage, the characteristics of revolving credit users were analyzed using decision trees, random forests, support vector machines, logistic regression, artificial neural networks and deep learning algorithms.
    The results show that most credit card defaulters will postpone payment before defaulting, and use more than 80% of the authorized amount at the time of default. The characteristics of revolving credit users are shown in the bill amount-to-limit ratio, the differential interest rate, the bill amount, the number of times that revolving credit was used in the past 3 or 6 billing cycles, and the fact that they will continue using revolving credit on an ongoing basis. In terms of model performance, all models with payment records of the past 6 months have AUC values greater than 0.9%, which suggests good discrimination ability. The deep learning model achieved the best performance in two out of four metrics, including accuracy, sensitivity, specificity and precision, while the decision tree model has the advantage of being fast and easy to understand. Therefore, both are preferred algorithms to use when building relevant models.

目錄

目錄    	III
圖目錄   	V
表目錄   	VI
第一章	緒論	1
1.1	信用卡在台灣發展背景	1
1.2	研究動機及目的	5
1.3	論文大綱	6
第二章	文獻探討	8
2.1	信用卡業務運作概況	8
2.1.1	參與者	8
2.1.2	信用卡的核發與消費循環	9
2.1.3	信用卡業務之風險	10
2.2	信用卡信用風險議題	11
2.2.1	信用卡之信用風險	11
2.2.2	發卡銀行承受信用風險期間	12
2.2.3	信用卡繳款行為與信用風險關係	12
2.2.4	發卡銀行核卡後無法防杜之信用風險	13
2.3	信用卡循環信用及信用風險相關研究回顧	14
2.4	小結	16
第三章	研究設計	18
3.1	研究架構	18
3.2	資料蒐集	19
3.2.1	資料來源	19
3.2.2	使用軟體	19
3.3	資料前處理	20
3.4	使用欄位	20
3.4.1	違約戶	20
3.4.2	正常戶、循環信用戶	21
3.5	演算法說明	23
3.5.1	決策樹	23
3.5.2	隨機森林	24
3.5.3	支持向量機	25
3.5.4	羅吉斯迴歸	26
3.5.5	類神經網路	26
3.5.6	深度學習	27
3.6	模型評估	27
3.6.1	混淆矩陣	28
3.6.2	ROC曲線以及AUC	29
3.7	變數篩選	30
第四章	實證結果	31
4.1	信用卡違約戶態樣分析	31
4.2	RAMIDMINER 模型建置流程	33
4.3	各分類模型實證結果	39
4.3.1	使用單一月份資料	39
4.3.2	使用6個月份繳款資料	42
4.4	重要變數篩選	45
第五章	結論與建議	50
5.1	結論	50
5.2	後續研究及建議	51
參考文獻	53
附錄-職業代碼說明	56

圖目錄

圖 2-1 信用卡業務架構圖	9
圖 3-1 研究架構圖	18
圖 3-2 決策樹示意圖	23
圖 3-3 支持向量機原理示意圖	25
圖 3-4 SVM分類示意圖	25
圖 3-5 類神經網路示意圖	26
圖 3-6 ROC曲線及AUC	29
圖 4-1 決策樹模型建置流程圖	33
圖 4-2 隨機森林模型建置流程圖	33
圖 4-3 羅吉斯迴歸模型建置流程圖	33
圖 4-4 目標變數設定	34
圖 4-5建置資料與測試資料設定比率圖	34
圖 4-6抽樣方式設定	34
圖 4-7 決策樹運算子參數設定	35
圖 4-8 隨機森林運算子參數設定	35
圖 4-9 羅吉斯迴歸運算子參數設定	35
圖 4-10 支持向量機模型建置流程圖	36
圖 4-11 類神經網路模型建置流程圖	36
圖 4-12深度學習模型建置流程圖	36
圖 4-13 數值轉換設定	37
圖 4-14 支持向量機運算子參數設定	37
圖 4-15類神經網路運算子參數設定	38
圖 4-16深度學習運算子參數設定	38
圖 4-17 決策樹ROC曲線圖-單一月份資料	40
圖 4-18 隨機森林ROC曲線圖-單一月份資料	40
圖 4-19 羅吉斯迴歸ROC曲線圖-單一月份資料	40
圖 4-20 隨機森林ROC曲線圖-單一月份資料	41
圖 4-21 類神經網路ROC曲線圖-單一月份資料	41
圖 4-22 深度學習ROC曲線圖-單一月份資料	41
圖 4-23 決策樹ROC曲線圖-6個月份繳款資料	43
圖 4-24 隨機森林ROC曲線圖-6個月份繳款資料	43
圖 4-25羅吉斯迴歸ROC曲線圖-6個月份繳款資料	44
圖 4-26 支持向量機ROC曲線圖-6個月份繳款資料	44
圖 4-27 類神經網路ROC曲線圖-6個月份繳款資料	44
圖 4-28 深度學習ROC曲線圖-6個月份繳款資料	45
圖 4-29 各欄位卡方值權重數值表-單一月份資料	46
圖 4-30 各欄位相關係數權重數值表-單一月份資料	46
圖 4-31 各欄位資訊增益權重數值表-單一月份資料	47
圖 4-32 各欄位卡方值權重數值表-使用近6個月繳款資料	48
圖 4-33 各欄位訊息增益權重數值表-使用近6個月繳款資料	49
圖 4-34各欄位相關係數權重數值表-使用近6個月繳款資料	49

表目錄

表 1-1 95~98年信用卡全體發卡銀行業務簡表	3
表 1-2 94~108年度流通卡數	4
表 2-1文獻回顧簡表	17
表 3-1 Google學術網Rapidminer文章或專書次數統計表	20
表 3-2 違約戶使用欄位說明	20
表 3-3 正常戶、循環信用戶使用欄位說明	21
表 3-4 混淆矩陣	28
表 4-1 各分類模型之評估	39
表 4-2各分類模型AUC及運算時間-單一月份資料	42
表 4-3 各分類模型之評估	42
表 4-4各分類模型AUC及運算時間-單一月份資料	45

[1]Breiman, L. (2001). Random Forests Machine Learning, vol. 45. 
[2]Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297. doi:10.1007/BF00994018
[3]Green, D. M., & Swets, J. A. (1966). Signal detection theory and psychophysics (Vol. 1): Wiley New York.
[4]Hosmer, D. W., & Lemeshow, S. (2000). Applied Logistic Regression. New York: Wiley.
[5]JunLiang. 特徵篩選的原理與實現（上）.   Retrieved Apr 12, 2020, from https://www.twblogs.net/a/5d3fa1c6bd9eee517422b54e
[6]	Kam, H. T. (1995). Random decision forest. Paper presented at the Proceedings of the 3rd International Conference on Document Analysis and Recognition.
[7]Kotu, V., & Deshpande, B. (2015). Chapter 4 - Classification. In V. Kotu & B. Deshpande (Eds.), Predictive Analytics and Data Mining (pp. 63-163). Boston: Morgan Kaufmann.
[8]Web, R. RapidMiner Named a Leader in the Gartner’s 2019 Magic Quadrant for Data Science and Machine Learning Platforms for Sixth Consecutive Year.   Retrieved Apr 12, 2020, from https://rapidminer.com/news/rapidminer-named-a-leader-in-the-gartners-2019-magic-quadrant-for-data-science-and-machine-learning-platforms-for-sixth-consecutive-year/
[9]于宗先, & 王金利. (2005). 台灣金融體制之演變 (pp. 55-56).
[10]天下雜誌 記者吳琬瑜, 陳. 台灣經濟大衰敗，這20年發生什麼事？中研院報告揭密. from https://today.line.me/TW/pc/article/%E5%8F%B0%E7%81%A3%E7%B6%93%E6%BF%9F%E5%A4%A7%E8%A1%B0%E6%95%97%EF%BC%8C%E9%80%9920%E5%B9%B4%E7%99%BC%E7%94%9F%E4%BB%80%E9%BA%BC%E4%BA%8B%EF%BC%9F%E4%B8%AD%E7%A0%94%E9%99%A2%E5%A0%B1%E5%91%8A%E6%8F%AD%E5%AF%86-DEQgEV
[11]卡優網. 2020國內現金回饋信用卡推薦(必看). from https://www.cardu.com.tw/message/detail.php?mt_pk=57&msg_pk=32203
[12]朱漢崙, 工. 現金回饋過頭 銀行恐不賺反賠. from https://www.chinatimes.com/newspapers/20180405000288-260205?chdtv
[13]巫天虹. (2013). 以兩階段分類法建構信用卡授信決策模型的實務評估. (碩士), 淡江大學, 新北市. Retrieved from https://hdl.handle.net/11296/hym982  
[14]李靚慧, 自. 放寬DBR22倍限制 金管會審慎.   Retrieved Apr 12, 2020, from https://ec.ltn.com.tw/article/paper/96842
[15]周志峰. (1996). 經常使用循環信用之持卡人區隔特性描述及消費行為研究. (碩士), 國立臺灣大學, 台北市. Retrieved from https://hdl.handle.net/11296/f3d5k2  
[16]林宗達. 淺談信用卡風險管理系統.   Retrieved Apr 12, 2020, from https://www.fisc.com.tw/tc/knowledge/quarterly1.aspx?PKEY=a66d7e9e-87be-4689-8086-ad1fe3c55ba9
[17]邱弘懿. (2016). 資料探勘技術應用於不均衡資料預測表現比較 – 以信用卡違約風險預測為例. (碩士), 國立交通大學, 新竹市. Retrieved from https://hdl.handle.net/11296/c74jy3  
[18]信用卡業務機構管理辦法 (2010).
[19]胡耿源. (2013). 信用卡違約因素之探討―以台南地區個案分行為例. (碩士), 南台科技大學, 台南市. Retrieved from https://hdl.handle.net/11296/c53th9  
[20]財團法人資訊工業策進會產業情報研究所. 創新應用與智慧服務.   Retrieved Apr 12, 2020, from https://mic.iii.org.tw/news.aspx?id=551
[21]財團法人聯合信用卡中心. 信用卡發展史. from https://www.nccc.com.tw/wps/wcm/connect/zh/home/KnowledgeSharing/PaymentCardKnowledge
[22]馬振武. (2009). 基因演算法為基礎之決策樹於信用卡使用者之違約分類預測-以台灣某銀行信用卡為例. (碩士), 華梵大學, 新北市. Retrieved from https://hdl.handle.net/11296/7w5a84  
[23]郭珉辰. (2019). 資料探勘技術在信用卡不平衡資料上之應用. (碩士), 淡江大學, 新北市. Retrieved from https://hdl.handle.net/11296/tdt96n  
[24]陳姿穎. (2010). 信用風險訊息揭露與行為評分卡建立之研究. (碩士), 輔仁大學, 新北市. Retrieved from https://hdl.handle.net/11296/e25qwk  
[25]陳思蓉. (2008). 使用信用卡循環信用持卡人特性之研究. (碩士), 國立中央大學, 桃園縣. Retrieved from https://hdl.handle.net/11296/xju2uw  
[26]黃勝榮. (2013). 消費金融風險管理 (1 ed.). 臺北市: 臺灣金融研訓院.
[27]廖振佑. (2019). 銀行作業風險管理之探討-以C 銀行為例. (碩士), 中信金融管理學院, 台南市. Retrieved from https://hdl.handle.net/11296/2gp2zk  
[28]維基百科. 人工神經網路. from https://zh.wikipedia.org/wiki/%E4%BA%BA%E5%B7%A5%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C
[29]	維基百科. 卡奴.   Retrieved 0412, 2020, from https://zh.wikipedia.org/wiki/卡奴
[30]	蔡介文. (2007). 2006年台灣卡債風暴之紛爭解決機制. (碩士), 國立臺灣大學, 台北市. Retrieved from https://hdl.handle.net/11296/za5474  
[31]聯合報/孫中英. 逾10萬卡債族 回頭可更優惠.   Retrieved Apr 4, 2020, from https://ccc2ball.pixnet.net/blog/post/15616191
[32]聯合報/戴瑞瑤、沈婉玉. 驚！去年盜刷22億創新高！專家曝9招教你自保. from https://udn.com/news/story/7266/4073358
[33]謝弘一. (2011). 資料探勘於信用卡顧客行為評分模型之建構. (博士), 輔仁大學, 新北市. Retrieved from https://hdl.handle.net/11296/c79yd9  
[34]謝宗螢. (2018). 以資料探勘預測信用卡違約風險. (碩士), 國立屏東大學, 屏東縣. Retrieved from https://hdl.handle.net/11296/3qbh3t  
[35]莊瑞珠. (2007). 邏輯斯迴歸模型運用在女性信用卡評分制度之研究. [Study of the Female Credit Card Scoring via the Modeling of Logistic Regression and Tree Structure]. 輔仁管理評論, 14(1), 127-154. doi:10.29698/fjmr.200701.0006