TWM594216U - 聯合貸款風險評估裝置 - Google Patents
聯合貸款風險評估裝置 Download PDFInfo
- Publication number
- TWM594216U TWM594216U TW109200959U TW109200959U TWM594216U TW M594216 U TWM594216 U TW M594216U TW 109200959 U TW109200959 U TW 109200959U TW 109200959 U TW109200959 U TW 109200959U TW M594216 U TWM594216 U TW M594216U
- Authority
- TW
- Taiwan
- Prior art keywords
- default
- risk
- bank
- customer
- probability
- Prior art date
Links
Images
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
提供一種聯合貸款風險評估裝置,包括:一資料讀取裝置、一群體決策分析裝置以及一風險評估裝置。上述資料讀取裝置,包括一信用資料庫。上述群體決策分析裝置,由多個群體負責分析多個風險因子清單來評估所對應之多個績效指標。上述風險評估裝置包括一風險計算模組以及一建議值計算模組。上述風險計算模組,預估一客戶違約機率。上述建議值計算模組,計算與該客戶相同產業之違約案件對應之一產業違約機率,當上述產業違約機率與上述客戶違約機率之比值大於等於一門檻值時,接受該聯合貸款,當比值小於該門檻值時,回傳一聯合貸款建議值。
Description
本新型是有關於一種風險評估裝置,特別是一種銀行內部用於評估客戶之聯合貸款風險評估裝置。
一般貸款風險評估為單一銀行針對單一授信對象進行風險評估,判斷授信對象是否為高違約客戶,並依此參考決定是否准許或駁回貸款申請。但因應全球化競爭,企業規模逐漸走向大型化,投資所需之資金亦趨龐大,而巨額資金之取得往往無法單從一家銀行獲得融資。
為了因應企業龐大的資金需求,產生了聯合貸款方式,透過兩個以上之銀行或金融機構組成之銀行團,採用同一貸款協議,按協議貸款期限、金額和條件聯合向一家公司提供貸款的一種融資方式。兩個以上之銀行或金融機構組成之銀行團在決定是否聯合向一家公司提供貸款前,因貸款金額龐大慎重起見都會對貸款對象進行風險評估。
然而,傳統貸款風險評估針對透過兩個以上之銀行或金融機構組成之銀行團,採用同一貸款協議,按協議貸款期限、金額和
條件聯合向一家公司提供貸款的一種融資方式,由於銀行彼此之間因角色不同(例如主辦行、參貸行)以及對公司掌握訊息不同,無法相較單一銀行針對單一授信對象進行風險評估來的精準。
鑑於上述欲解決之問題及其原因,具體而言,本新型提供一種聯合貸款風險評估裝置,採取群體決策支援分析方式,透過群體決策支援分析方式集合不同領域、不同銀行或金融機構專家的想法,從所有風險因子中找出顯著風險因子清單,進行風險評估。裝置透過某一客戶違約機率以及與客戶相同產業之產業違約機率之比值,分析是否造成高信用風險,計算在銀行合理可承擔的信用風險下最合適的聯合貸款建議值。
本新型為一種聯合貸款風險評估裝置,當一客戶向一銀行申請一聯合貸款時,使用該裝置評估該聯合貸款之違約機率,該裝置包括一資料讀取裝置、一群體決策分析裝置以及一風險評估裝置。
上述資料讀取裝置,包括一信用資料庫,上述資料讀取裝置自動讀取上述信用資料庫內之一歷史信用資料。
上述群體決策分析裝置,由多個群體負責分析多個風險因子清單來評估所對應之多績效指標,其中上述績效指標為上述群體所分析之正確率與誤判率之差值。
上述風險評估裝置,包括一風險計算模組以及一建議值計算模組。上述風險計算模組,依據上述績效指標中最大值之風險因
子清單計算歷史信用資料,預估一客戶違約機率。上述建議值計算模組,取得信用資料庫中與客戶相同產業之多個產業違約案件,計算該些產業違約案件對應之一產業違約機率,當產業違約機率與客戶違約機率之比值大於等於門檻值時,接受客戶所提出的聯合貸款,當比值小於門檻值時,回傳一聯合貸款建議值,其中聯合貸款建議值為依據比值調整聯合貸款之建議值。
依據又一實施例,本新型之裝置還包括一風險監控模組以及一預警通知模組。上述風險監控模組,依據歷史信用資料定期監控銀行承做聯合貸款所需承擔的客戶違約機率之變化。上述預警通知模組,用以通知銀行之風險評估人員進行留意,並顯示有關客戶違約機率之變化原因。
依據又一實施例,其中歷史信用資料包括客戶資料、市場資訊以及銀行資產。
依據又一實施例,其中風險計算模組更包括一主辦行風險計算模組以及一參貸行風險計算模組。上述主辦行風險計算模組,用以預估當該銀行擔任一主辦行時,該銀行所需承擔的該客戶違約機率。上述參貸行風險計算模組,用以預估當該銀行擔任一參貸行時,該銀行所需承擔的該客戶違約機率。
依據又一實施例,其中客戶違約機率為群體所預估之多違約機率乘上多個風險權重,其中上述風險權重為每一績效指標與全體績效指標之比值。
綜上所述,本新型是以群體決策分析之方式,挑選出績效指標最大之風險因子清單,預估客戶違約機率,並且透過客戶違約機率以及與客戶相同產業之產業違約機率之比值,分析是否造成高信用風險,計算在銀行合理可承擔的信用風險下最合適的聯合貸款建議值。
110:銀行
120:聯合貸款風險評估裝置
121:資料讀取裝置
122:信用資料庫
123:群體決策分析裝置
124:風險評估裝置
125:風險計算模組
126:建議值計算模組
200-212:步驟
為了讓本新型之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附附圖之說明如下:圖1係繪示依據本新型之一實施例之一種聯合貸款風險評估裝置中各模組的關係架構圖。
圖2係繪示依據本新型之一實施例之聯合貸款風險評估方法的流程示意圖。
請參閱圖1,圖1係繪示依據本新型一實施例之一種聯合貸款風險評估裝置中各模組的關係架構圖。圖1的聯合貸款風險評估裝置包括銀行110以及聯合貸款風險評估裝置120。
根據本新型之另一實施例,聯合貸款風險評估裝置之介面可設計成銀行評估人員之操作介面,銀行評估人員可透過介面單元的輸入並設定風險評估對象及聯合貸款年限等相關風險值計算參數,透過報表呈現銀行承做聯合貸款需承擔的信用風險。
根據本新型之另一實施例,例如銀行之評估人員可在裝置介面上輸入A公司資訊、貸款金額、貸款時間等資訊,對A公司評估聯合貸款風險。
上述聯合貸款風險評估裝置120包括資料讀取裝置121、群體決策分析裝置123以及風險評估裝置124。上述資料讀取裝置121包括信用資料庫122。上述風險評估裝置124包括風險計算模組125以及建議值計算模組126。
上述資料讀取裝置121自動讀取信用資料庫122內之歷史信用資料。上述歷史信用資料包括客戶資料、市場資訊以及銀行資產。上述客戶資料包括非財務資訊以及財務資訊,非財務資訊例如可為公司成立年份、公司產業別、公司總員工數等,財務資訊例如可為年營收、公司負債比率、公司每股稅後純益(EPS)、本益比等。上述市場資訊例如可為產業成長率、失業率、產業股市動能。上述銀行資產例如可為台幣可用現金、庫存現金、銀行負債餘額表等。上述資料讀取裝置121可為任意可用之讀取裝置。
上述群體決策分析裝置123,由多個群體負責分析多個風險因子清單來評估所對應之複數個績效指標,其中上述績效指標為上述群體所分析之正確率與誤判率之差值。
根據本新型之另一實施例,各群體根據背景、經歷從所有風險因子清單中挑選用以風險評估時使用之風險因子清單。各群體在群體決策支援分析中可得知其他群體挑選之風險因子清單,但無法
得知其他群體之決策人員身分,透過群體決策支援分析可在任何場地任何時間從大量風險因子清單中找出風險因子清單。
根據本新型之另一實施例,績效指標係用以衡量群體決策裝置中各群體決策人員正確與誤判客戶違約狀態數,績效指標使用兩個指標進行評估分別為正確率與誤判率。正確率為((TP2)+(TN2)/(TP+TN+FP+FN),誤判率為((FP2)+(FN2))/(TP+TN+FP+FN),績效指標例如可為正確率與誤判率之差值百分比,績效指標最佳狀況為1,績效指標最差狀況為-1。群體分析如下表1所示分為預測違約案件與實際違約案件,預測違約案件為中各群體決策人員預測違約案件,實際違約案件為真實現實事件中違約案件,其中TP(true positive),係指實際為違約客戶,預測也為違約客戶;FP(false positive),係指實際為非違約客戶,預測為違約客戶數;FN(false neagative),係指實際為違約客戶,預測為非違約客戶;TN(true negative),係指實際為非違約客戶,預測也為非違約客戶。因此,理想狀態下為TP與TN越大越好,FP與FN越小越好,最佳狀況為預測違約案件精準與實際違約案件重疊,FP與FN為0。
根據本新型之另一實施例,例如群體決策裝置之群體決策人員分別為A與B,在10個評估案件中,實際上有8個違約客戶,有2個非違約客戶。請可參閱下表2,A群體決策人員評估會有7個違約客戶,3個非違約客戶;B群體決策人員評估會有4個違約客戶,6個非違約客戶。可經計算得知,A群體分析之正確率為((TP2)+(TN2)/(TP+TN+FP+FN)=0.882,誤判率為((FP2)+(FN2))/(TP+TN+FP+FN)=0.008,A群體績效指標=(0.882-0.008)/(0.882+0.008)=0.982;B群體分析之正確率為((TP2)+(TN2)/(TP+TN+FP+FN)=0.625,誤判率為((FP2)+(FN2))/(TP+TN+FP+FN)=0.125,B群體績效指標=(0.625-0.125)/(0.625+0.125)=0.667。
上述風險評估裝置124包括風險計算模組125以及建議值計算模組126。上述風險計算模組125,依據上述績效指標中最大值之風險因子清單計算歷史信用資料,預估一客戶違約機率。上述風險評估裝置124可為任何可用之計算機裝置,例如個人電腦、筆電或手持電子裝置。上述資料讀取裝置121和風險評估裝置124可以整合至上述之計算機裝置之中。
根據本新型之另一實施例,A群體決策人員的績效指標為0.982,B群體決策人員的績效指標為0.667。因為績效指標
0.982>0.667,可知A群體決策人員所挑選之風險因子清單可較有效地正確辨識違約客戶與非違約客戶,故最終使用A群體決策人員所挑選之風險因子清單進行風險評估計算。
根據本新型之另一實施例,上述客戶違約機率可由信用評等法、區別裝置分析法、邏輯斯迴歸分析法、類神經網路法、現金流量折現法與KMV法計算銀行承做聯合貸款所需承擔之客戶信用風險平均值。
根據本新型之另一實施例,上述客戶違約機率可由各群體評估之違約機率乘上各群體風險權重之百分比,風險權重為每一績效指標與全體績效指標之比值。例如A群體評估之違約機率為0.88,A群體評估銀行承做聯合貸款所需承擔的客戶信用風險值權重=0.982/(0.982+0.667)=0.60,B評估之違約機率為0.75,B體決策人員評估銀行承做聯合貸款所需承擔的客戶信用風險值權重=0.667/(0.982+0.667)=0.42,因此,所計算出的客戶違約機率為=(0.88×0.60+0.75×0.42)/(0.60+0.42)=0.827。
上述建議值計算模組126,取得信用資料庫中與客戶相同產業之多個產業違約案件,計算該些產業違約案件對應之一產業違約機率,當產業違約機率與客戶違約機率之比值大於等於門檻值時,接受客戶所提出的聯合貸款,當比值小於門檻值時,回傳一聯合貸款建議值,其中聯合貸款建議值為依據比值調整聯合貸款之建議值。
根據本新型之另一實施例,上述產業違約機率可由信用評等法、區別裝置分析法、邏輯斯迴歸分析法、類神經網路法、現金
流量折現法與KMV法計算取得客戶信用風險平均值、平均貸款金額、平均期數、平均還款方式與平均利率。
根據本新型之另一實施例,例如客戶違約機率為0.827,相同產業類型之產業違約機率=0.775,產業違約機率與客戶違約機率之比值為0.775/0.827=0.937。當比值大於等於1時,接受客戶所提出的聯合貸款,當比值小於1時,回傳一聯合貸款建議值,其中聯合貸款建議值為依據比值調整聯合貸款之建議值。因此,聯合貸款建議值為貸款金額為平均貸款金額×比值=1500萬×0.937=14055000、期數為平均期數×比值=5×0.937=4.685、利率為平均利率×比值=0.035×0.937=0.032795。
根據本新型之另一實施例,聯合貸款風險評估裝置根據銀行參與聯合貸款角色不同,風險計算模組更包括主辦行風險計算模組以及參貸行風險計算模組。例如主辦行、參貸行提供銀行評估人員不同風險評估需求協助,當銀行欲參與借款人於聯合貸款競標市場提出的聯合貸款需求並擔任主辦行時,風險評估人員可透過主辦行風險計算模組計算銀行所需承擔的信用風險,以及建議值計算模組計算最合適聯合貸款建議方案參與聯合貸款競標,客戶根據各銀行參與聯合貸款競標的貸款建議方案選擇委任聯合貸款的主辦行;當銀行收到聯合貸款主辦行的參貸邀請函邀請銀行參與聯合貸款並擔任聯合貸款參貸行時,銀行評估人員可透過參貸行風險計算模組計算銀行擔任聯合貸款參貸行時銀行需承擔之風險,提供銀行評估人員評估是否參與聯行貸款並擔任參貸行之參考資訊。
請參閱圖2,圖2係繪示依據本新型之一實施例之聯合貸款風險評估方法的流程示意圖。請同時參閱圖1-2,圖2的步驟200為開始。
在步驟201中,客戶向銀行110申請聯合貸款,銀行110向聯合貸款風險評估裝置120提出聯合貸款的評估請求。
根據本新型之另一實施例,例如銀行之評估人員在裝置介面上輸入A公司資訊、貸款金額、貸款時間等資訊,對A公司評估聯合貸款風險。
在步驟202中,資料讀取裝置121自動讀取信用資料庫122中之歷史信用資料。上述歷史信用資料包括客戶資料、市場資訊以及銀行資產。上述客戶資料包括非財務資訊以及財務資訊,非財務資訊例如可為公司成立年份、公司產業別、公司總員工數等,財務資訊例如可為年營收、公司負債比率、公司每股稅後純益(EPS)、本益比等。上述市場資訊例如可為產業成長率、失業率、產業股市動能。上述銀行資產例如可為台幣可用現金、庫存現金、銀行負債餘額表等。
在步驟203中,群體決策分析裝置123中,多個群體使用多個風險因子清單分析歷史信用資料,以取得對應之多個績效指標,其中績效指標為群體所分析之正確率與誤判率之差值。
根據本新型之另一實施例,例如假設所有風險因子清單包含風險因子(A、B、C、D、E),A群體挑選認為顯著之風險因子短清單資訊(A、C),B群體挑選認為顯著之風險因子短清單資訊(B、C)。
根據本新型之另一實施例,例如10件測試案例中,7件為違約客戶,2件為非違約案件,最終風險值判斷6件為違約客戶案件、4件為非違約客戶案件,需計算風險值辨識效果是否大於門檻值,當風險值辨識效果小於門檻值,代表各群體所挑選之風險因子清單無法有效正確辨識違約客戶與非違約客戶值,各群體必須重新挑選風險因子。當風險值辨識效果大於門檻值,代表各別群體決策人員所挑選之風險因子短清單有效正確辨識違約客戶與非違約客戶值。
在步驟204中,風險計算模組125依據績效指標中最大值之風險因子清單計算該客戶之歷史信用資料,預估該聯合貸款之客戶違約機率。
根據本新型之另一實施例,A群體績效指標為0.982,B群體績效指標為0.667,透過績效指標0.982>0.667,得知A群體所挑選之風險因子清單有效正確辨識違約客戶與非違約客戶值,故最終使用A群體所挑選之風險因子短清單進行風險評估計算。
根據本新型之另一實施例,當銀行擔任聯合貸款主辦行時,會考量以下14個因素,包含1.資金用途、2.借款人財務風險、3.借款人營運風險、4.借款人授信產業別(銀行針對個別產業別有一定限額限制)、5.銀行自身實力、6.金融市場狀況、7.資金報酬率、8.其他銀行參貸意願、9聯貸總金額、10.天期、11保證人、12擔保品、13幣別、14還款方式,並分別從14個考慮因素中挑選顯著的風險因子透過風險計算模組的信用評等法、區別裝置分析法、邏輯斯迴歸分析法、類神
經網路法、現金流量折現法與KMV法計算銀行擔任聯合貸款主辦行需承擔之風險。
根據本新型之另一實施例,當銀行擔任參貸行參與聯合貸款時,會考量以下12個因素,包含1.資金用途、2.借款人財務風險、3.借款人營運風險、4.借款人授信產業別、5.銀行自身實力、6.資金報酬率、7.擔保品、8.參貸金額、9.幣別、10.還款方式、11天期、12保證人,並分別從12個考慮因素中挑選顯著的風險因子透過風險計算模組的信用評等法、區別裝置分析法、邏輯斯迴歸分析法、類神經網路法、現金流量折現法與KMV法計算銀行擔任聯合貸款參貸行需承擔之風險。
根據本新型之另一實施例,上述當當銀行擔任主辦行以及參貸行會考量的因素可參閱下表3。
在步驟205中,建議值計算模組126會取得信用資料庫中與客戶相同產業之多個產業違約案件。
在步驟206中,計算產業違約案件對應之產業違約機率。
根據本新型之另一實施例,例如A公司為一家電子公司,建議值計算模組126會取得信用資料庫中找出所有電子業之違約案件,計算相對應的電子業違約機率。
在步驟207中,取得產業違約機率與客戶違約機率之比值。
根據本新型之另一實施例,例如客戶違約機率為0.827,相同產業類型之產業違約機率=0.775,產業違約機率與客戶違約機率之比值為0.775/0.827=0.937。
在步驟208中,判斷產業違約機率與該客戶違約機率之比值是否大於等於一門檻值。若是,進入步驟209,接受該聯合貸款。若否,進入步驟210,依據比值調整聯合貸款之建議值,進入步驟211,回傳一聯合貸款建議值。最後,步驟212為結束。
根據本新型之另一實施例,例如客戶違約機率為0.827,相同產業類型之產業違約機率=0.775,產業違約機率與客戶違約機率之比值為0.775/0.827=0.937。當比值大於等於1時,接受客戶所提出的聯合貸款,當比值小於1時,回傳一聯合貸款建議值,其中聯合貸款建議值為依據比值調整聯合貸款之建議值。因此,聯合貸款建議值為貸款金額為平均貸款金額×比值=1500萬×0.937=14055000、期數為平均
期數×比值=5×0.937=4.685、利率為平均利率×比值=0.035×0.937=0.032795。
根據本新型之另一實施例,聯合貸款風險評估裝置根據銀行參與聯合貸款角色不同,例如主辦行、參貸行提供銀行評估人員不同風險評估需求協助,當銀行欲參與借款人於聯合貸款競標市場提出的聯合貸款需求並擔任主辦行時,風險評估人員可透過建議值計算模組計算銀行可承擔的信用風險下最合適聯合貸款建議方案參與聯合貸款競標,客戶根據各銀行參與聯合貸款競標的貸款建議方案選擇委任聯合貸款的主辦行;當銀行收到聯合貸款主辦行的參貸邀請函邀請銀行參與聯合貸款並擔任聯合貸款參貸行時,銀行評估人員可透過風險計算模組計算銀行擔任聯合貸款參貸行時銀行需承擔之風險,提供銀行評估人員評估是否參與聯行貸款並擔任參貸行之參考資訊。
根據上述揭露之裝置及方法,藉由群體決策分析之方式挑選出績效指標最高之風險因子清單,計算最終風險值,依據相同產業類別之違約案件,提供一聯合貸款建議值給客戶參考。改善傳統貸款風險評估針對透過兩個以上之銀行或金融機構組成之銀行團,採用同一貸款協議,由於銀行對公司掌握訊息不同,無法精準的評估聯合貸款風險之問題。
雖然本新型已實施方式揭露如上,然其並非用以限定本新型,凡熟悉該項技藝之人士其所依本新型之精神,在不脫離本新型之精神和範圍內,當可作各種之更動與潤飾,因此本新型之保護範圍當視後之申請專利圍所界定者為準。
110:銀行
120:聯合貸款風險評估裝置
121:資料讀取裝置
122:信用資料庫
123:群體決策分析裝置
124:風險評估裝置
125:風險計算模組
126:建議值計算模組
Claims (5)
- 一種聯合貸款風險評估裝置,當一客戶向一銀行申請一聯合貸款時,使用該裝置評估該聯合貸款之違約機率,該裝置包括:一資料讀取裝置,包括一信用資料庫,該資料讀取裝置自動讀取該信用資料庫內之一歷史信用資料;一群體決策分析裝置,由複數個群體負責分析複數個風險因子清單來評估所對應之複數個績效指標,其中該些績效指標為該些群體所分析之正確率與誤判率之差值;一風險評估裝置,包括:一風險計算模組,依據該些績效指標中最大值之該風險因子清單計算該歷史信用資料,預估一客戶違約機率;一建議值計算模組,取得該信用資料庫中與該客戶相同產業之複數個產業違約案件,計算該些產業違約案件對應之一產業違約機率,當該產業違約機率與該客戶違約機率之一比值大於等於一門檻值時,接受該聯合貸款,當該比值小於該門檻值時,回傳一聯合貸款建議值,其中該聯合貸款建議值為依據該比值調整該聯合貸款之建議值。
- 依據請求項1所述之一種聯合貸款風險評估裝置,還包括:一風險監控模組,依據該歷史信用資料定期監控該銀行承做聯合貸款所需承擔的該客戶違約機率之變化;一預警通知模組,用以通知該銀行之一風險評估人員進行留意,並顯示有關該客戶違約機率之變化原因。
- 依據請求項1所述之一種聯合貸款風險評估裝置,其中該歷史信用資料包括客戶資料、市場資訊以及銀行資產。
- 依據請求項1所述之一種聯合貸款風險評估裝置,其中該風險計算模組更包括:一主辦行風險計算模組,用以預估當該銀行擔任一主辦行時,該銀行所需承擔的該客戶違約機率;一參貸行風險計算模組,用以預估當該銀行擔任一參貸行時,該銀行所需承擔的該客戶違約機率。
- 依據請求項1所述之一種聯合貸款風險評估裝置,其中該客戶違約機率為該些群體所預估之複數個違約機率乘上複數個風險權重,其中該些風險權重為每一該績效指標與全體績效指標之比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109200959U TWM594216U (zh) | 2020-01-21 | 2020-01-21 | 聯合貸款風險評估裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109200959U TWM594216U (zh) | 2020-01-21 | 2020-01-21 | 聯合貸款風險評估裝置 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM594216U true TWM594216U (zh) | 2020-04-21 |
Family
ID=71132825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109200959U TWM594216U (zh) | 2020-01-21 | 2020-01-21 | 聯合貸款風險評估裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM594216U (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI750687B (zh) * | 2020-06-05 | 2021-12-21 | 臺灣銀行股份有限公司 | 指靜脈辨識風險評估系統及方法 |
TWI805895B (zh) * | 2020-01-21 | 2023-06-21 | 臺灣銀行股份有限公司 | 聯合貸款風險評估方法 |
TWI807319B (zh) * | 2021-05-10 | 2023-07-01 | 中國信託商業銀行股份有限公司 | 借貸風險偵測方法及其運算裝置 |
-
2020
- 2020-01-21 TW TW109200959U patent/TWM594216U/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI805895B (zh) * | 2020-01-21 | 2023-06-21 | 臺灣銀行股份有限公司 | 聯合貸款風險評估方法 |
TWI750687B (zh) * | 2020-06-05 | 2021-12-21 | 臺灣銀行股份有限公司 | 指靜脈辨識風險評估系統及方法 |
TWI807319B (zh) * | 2021-05-10 | 2023-07-01 | 中國信託商業銀行股份有限公司 | 借貸風險偵測方法及其運算裝置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Howell et al. | Racial disparities in access to small business credit: Evidence from the paycheck protection program | |
Humphery‐Jenner | Takeover defenses, innovation, and value creation: Evidence from acquisition decisions | |
US8533092B1 (en) | Financial evaluation process | |
US20150026039A1 (en) | System and method for predicting consumer credit risk using income risk based credit score | |
Panyagometh et al. | Do lead banks exploit syndicate participants? Evidence from ex post risk | |
MXPA01008623A (es) | Metodos y sistemas para muestrear de manera eficiente carteras para suscripcion optima. | |
TWM594216U (zh) | 聯合貸款風險評估裝置 | |
Nwogugu | Decision-making, risk and corporate governance: A critique of methodological issues in bankruptcy/recovery prediction models | |
Dressler | Voice and power: Do institutional shareholders make use of their voting power? | |
Chu et al. | Competition and strategic incentives in the market for credit ratings: Empirics of the financial crisis of 2007 | |
CN113643115A (zh) | 基于期权定价模型的商业承兑汇票信用评分方法及系统 | |
Liu et al. | Prosocial CEOs and the cost of debt: Evidence from syndicated loan contracts | |
Akbulaev et al. | Economic analysis of tourism enterprise solvency and the possibility of bankruptcy: The case of the Thomas cook group | |
Barbon et al. | NFT bubbles | |
Yang et al. | Is research on hedge fund performance published selectively? A quantitative survey | |
Ammer et al. | Chinese asset managers’ monetary policy forecasts and fund performance | |
Talha et al. | Do board friendliness and economic development affect firm’s abnormal earnings? An evidence of quantile regression | |
TWI805895B (zh) | 聯合貸款風險評估方法 | |
Rose | Same same, not different: client-advisor matching in the finance industry | |
Agarwal et al. | The limits of regulation: Appraisal bias in the mortgage market | |
Anuradha | The impact of financial literacy of owners on the performance of small and medium scale enterprises in Sri Lanka | |
Odongo | Financial innovations and financial performance of microfinance banks in Kenya | |
Njoroge | The Relationship Between Lending Interest Rates And Financial Performance Of Commercial Banks In Kenya | |
Johnson | Marketplace lending: Matching small businesses with specialized FinTech lenders | |
Wulandari et al. | Effectiveness Of Disclosure In Information Asymmetry In Companies LQ45 |