房貸信用評分的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

懲罰貧窮：大數據橫行的自動化時代，隱藏在演算法之下的不平等歧視

為了解決房貸信用評分的問題，作者VirginiaEubanks 這樣論述：

2019年莉莉安・史密斯圖書獎（Lillian Smith Book Award）、 2018年麥加農中心圖書獎（McGannon Center Book Prize）獲獎作品   本書揭露高科技工具影響人權與經濟公平。 看似客觀中立的機器運算， 可能在學習人類提供的資料後， 再複製社會偏見與歧視，形成「自動不平等」！   　　▴美國印第安納州在三年內駁回100萬人的醫療照護、糧食券和現金救濟申請，只因為資格自動審查機制把不完整的申請錯誤統統歸結為申請者未能配合。繁瑣的行政程序和不合理的期望使人們無法獲得應得的利益，只有少數幸運兒得以獲得公共資源。   　　

▴▴洛杉磯由於住房有限，當局採用一種演算法，計算成千上萬名無家可歸者的「相對弱勢」，並按照優先排序提供這些人住房服務與資源。然而，這套系統會跟警察系統共享貧窮人口和工人階級的個資，造成窮人與犯罪分子輕易被歸納為同一個分類，否決了他們的基本權利，損害了他們的人性與自主權。   　　▴▴▴賓州阿格勒尼郡的風險預測模型以統計數據來預測哪些家庭會虐童、哪些人是問題父母，但數據庫的資料來源卻集中在仰賴公共資源的低收入家庭。光是在2016年，模型預測的1萬5139筆虐童報告中，就有3633筆不正確；在此同時，數千個貧困家庭與少數族群的生活早已無端遭受侵入及監視。   　　進入數位時代以來，

金融、就業、政治、衛生和公共服務、治安管理等領域的決策都經歷了革命性的變化。如今是由自動化系統而不是由真人來掌控哪些社區受到監管，哪些家庭獲得需要的資源，或是哪些人該接受詐欺調查。雖然人人生活在這種新的資料制度下，但侵入性及懲罰性最強的制度，卻完全針對窮人所設計。   　　政治學家維吉妮亞・尤班克斯在本書中，有系統地探究了資料探勘、政策演算法、預測性風險模型對美國窮人與勞工階級的影響。書中充滿了令人揪心、瞠目結舌的故事，例如印第安納州一名婦人因為癌症末期住院治療，錯過了重新認證補助資格的預約，被取消福利救濟；賓州的某個單親媽媽每天都擔心失去女兒的撫養權，只因她符合某種統計形象。  

　　美國一直以來使用最尖端的科學與技術來遏制、調查和懲戒窮人。「數位追蹤」與「自動化決策系統」就像以前的郡立濟貧院以及科學慈善運動，讓中產階級看不到貧困，讓國家抽離了道德規範，做出非人道的選擇：誰能獲得溫飽、誰得挨餓受凍；誰有住房、誰依舊無家可歸；政府應該拆散哪些家庭。在這過程中，它們更削弱了民主，背叛了人們最珍視的民族價值觀。   　　也許，貧窮並非我們都需要馬上面臨的課題，但在演算法的使用之下，所有人都將無可避免地受到資源分配的影響。這本研究深入、慷慨激昂的好書來得正是時候！   本書特色   　　1. 綜觀書市，大部分類似的書籍都僅探討演算法對於社會的影響，很

少有如本書一樣聚焦於「貧困」議題；而這個問題並不單單只會發生於窮人身上，因為演算法讓所有的人都有可能遇到類似的困境。這樣的主旨使本書在相關作品中更顯獨特。   　　2. 本書特別針對公共福利相關的措施來做描述，從事社會福利相關職業、關注當今貧窮社會議題的讀者，或是對科技應用於社會福利制度有興趣的讀者，在閱讀完本書之後，都能對貧困現象的產生與發展有更進一步的瞭解。   權威推薦   　　呂建德／中正大學社會福利學系教授 　　巫彥德／人生百味共同創辦人 　　李明璁／社會學家、作家 　　李建良／中央研究院法律學研究所特聘研究員×科技部「人工智慧的創新與規範」專案計畫總

主持人 　　李政德／成功大學數據科學所教授 　　杜文苓／政治大學創新國際學院院長 　　林文源／清華大學人文社會AI應用與發展研究中心主任、通識教育中心教授 　　林佳和／政治大學法學院副教授 　　阿潑／轉角國際專欄作者 　　洪敬舒／臺灣勞工陣線協會研究部主任 　　張國暉／臺灣大學國家發展研究所副教授、風險社會及政策研究中心研究員 　　張烽益／臺灣勞動與社會政策研究協會執行長 　　黃益中／公民教師、《思辨》作者 　　劉揚銘／自由作家 　　劉靜怡／臺灣大學國家發展研究所專任教授 　　顏擇雅／作家、出版人 　　（以上依姓氏筆畫排序）   國外好

評推薦   　　「這本書十分駭人。不過，讀了以後，你將變得更精明，更有能力去尋求正義。」——娜歐蜜・克萊恩（Naomi Klein）／《震撼主義》（The Shock Doctrine）作者   　　「尤班克斯在書中精采地記錄了自動化時代『另一半的人如何生活』，並揭露一道新的數位鴻溝：一個使最邊緣化的社群身陷困境的全面監控網路。這本震懾人心、發人深省、充滿人道關懷的好書，揭露了資料導向的政策所造成的反烏托邦，並敦促眾人創造一個更公正的社會。」——阿朗卓・尼爾森（Alondra Nelson）／《DNA的社會生活》（The Social Life of DNA）作者   　

　「在這本發人深省的好書中，尤班克斯讓我們看到，現代社會雖有表面的改革，但我們針對弱勢族群所制訂的政策，依然是由古老的濟貧法所主導，而那些法條只會排擠並懲罰社群中最貧困的人。」——弗朗西絲・福克斯・派文（Frances Fox Piven）／《規範窮人》（Regulation the Poor）作者   　　「這是今年最重要的科技好書。如今每個人都擔心網路對民主的影響，但尤班克斯指出，我們面臨的問題遠比『假新聞』更嚴重——自動化系統鞏固了社會與經濟不平等，破壞私人與公共福利。尤班克斯深入研究歷史與報告，幫大家更瞭解我們面臨的政治與數位力量，以便更有效地反擊。」——阿斯特拉・泰勒（Ast

ra Taylor）／《人民平臺》（The People’s Platform: Taking Back Power and Culture in the Digital Age）作者   　　「這本書清楚地揭露美國的體制（從執法到醫療、再到社會服務）日益懲罰窮人，尤其是有色人種。如果你擔心美國現代工具的不平等，這是一本必讀的好書。」——桃樂西・羅伯茲（Dorothy Roberts）／《殺死黑人》（Killing the Black Body）與《瓦解的關連》（Shattered Bonds）作者   　　「這本書是寫給所有人看的，包括社群領袖、學者、律師、接受政府援助的人以

及需要更深入瞭解『靠數位產業致富的國家如何利用技術來創造並維持永久性下層階級』的人。這是為我們這個時代撰寫的書。」——馬基亞・西里爾（Malkia A. Cyril）／媒體正義中心（Center for Media Justice）的執行董事與共同創辦人   　　「想瞭解資訊科技對美國邊緣化人口的社會影響，這本書是近期最重要的書籍。當我們開始討論人工智慧危害人類的可能性時，尤班克斯的這本書應該列入必讀書單。」——伊森・佐克曼（Ethan Zuckerman）／麻省理工學院公民媒體中心主任   　　「內容驚人，精采萬分⋯⋯誠如尤班克斯所述，自動化加上不顧道德又講究效率的新技術，不

僅威脅到那些社會視為可有可無的數百萬人，也威脅到民主。如果你想瞭解這個數位夢魘如何深入我們的體制並試圖規範我們的生活及你該如何挑戰它，這是一本必讀的好書。」——亨利・吉羅（Henry Giroux）／《身陷險境的大眾》（The Public in Peril：Trump and the Menace of American Authoritarianism）作者   　　「這是一個扣人心弦的精采故事，講述不良資料、劣質軟體、無能或腐敗官僚如何把弱勢族群的生活搞得天翻地覆。現在的治理往往隱藏在令人費解的法律與程式碼的背後，每個人都應該讀一讀這本書，以瞭解現代治理的實際運作。」——法蘭克・

帕斯夸（Frank Pasquale）／《黑盒子社會》（The Blackbox Society: The Secret Algorithms That Control Money and Information）作者   　　「尤班克斯的新書講述正在興起的監控國家，這個精采的故事令人震驚。『數位濟貧院』不斷擴大網絡，與其說是為了幫助窮人，不如說是為了管理、約束、懲罰窮人。閱讀這本書，並加入尤班克斯的行列，一起反對這個網絡所造成的不公正吧。」——桑福德・施拉姆（Sanford Schram）／《福利用語》（Words of Welfare）與《懲罰窮人》（Disciplining th

e Poor）作者

房貸信用評分進入發燒排行的影片

我國銀行業經營二順位抵押貸款策略之研究

為了解決房貸信用評分的問題，作者吳欣偉 這樣論述：

金融海嘯過後，大環境的影響導致國內金融機構競爭激烈。為了提升獲利，故尋求能提高利差的方法。而民眾在申辦貸款時，為了增加過件機率及提高額度，開始採用提供擔保品的方式來與銀行議價；因此，開始有了二順位抵押貸款業務的產生。在二順位抵押貸款的市場上，主要參與者大致區分為3大類，除了金融機構之外，還有融資租賃公司及民間融資業者。個案銀行原本僅承作首順位抵押貸款及消費性貸款，自從開辦二順位抵押貸款至今，期間因為內外部法令及公司內部規定，已經多次修改專案內容，修改的部分包含貸款額度、年限、利率及費用。個案銀行經營二順位抵押貸款多年，專案產品成熟，並會不斷變化產品內容以因應市場需求，經營多年客源穩定，因此每

年都能創造穩定的收益。本論文研究二順位抵押貸款目前的發展狀況，除了長期以來融資租賃公司及民間融資管道有在承作二順位抵押貸款外，近年來陸續有金融機構，開始承作此類貸款。而二順位抵押貸款在發展上所遇到的障礙與機會，則是因為金融機構受限主管機關規範及法令，故專案內容或貸款對象都會較為保守與嚴謹，但此專案貸款能為銀行帶來穩定收益，風險可控，又能延伸其他業務往來，應該是可以積極推廣的。至於銀行業如何在兼顧內外部法令與風險的前提下，與其他經營主體競爭的策略，經本研究了解，該個案銀行的經營模式，能長期在兼顧法令與風險的前提下，維持良好的經營績效，又可發展出其他業務收益，相當適合做為其他銀行學習的對象。

富有的祕訣：我對金錢必做的10件事

為了解決房貸信用評分的問題，作者LizWeston 這樣論述：

這是一本寫給「一般人」的理財書 全美No.1的線上理財作家親授財務自由的實踐之道！ 　　市面上許多琳瑯滿目、五花八門的理財書， 　　每一本「類教科書」的教條，是不是每一條都讓你窒礙難行， 　　大嘆自己永遠都無法脫貧致富？ 　　全美No.1的線上理財作家要告訴你， 　　不難的！一般人都能做，而且輕鬆可做的「理財致富法」。 　　很多人都自認對金錢很有感，但現實很骨感——錢包總是欲求不滿。 　　這是因為，很多理財書給你的理財觀，其實還停留在上個世紀（或者更遙遠）， 　　所以，你可能會覺得…… 　　．一塊錢都要省，為了賺錢要努力存存存，拚命記帳。 　　．想到有負債，我頭就好痛，還是想辦法趕快

還光光。 　　．我只要做好多元化、長期投資，從此再也不擔心投資風險。 　　．我想住好房子，為了盡早買房，要盡量貸好貸滿，打造夢幻的窩。 　　然而，這些觀念真的適合活在現代的你嗎？ 　　繼續抱持這些想法，然後每天看著新聞上貴婦明星如何炫富，這就是我們的命運嗎？ 　　不！別以為不可能有富有的祕訣，世界上最受歡迎的財務專欄作家告訴你， 　　反直覺行動，才能期待富有的未來。 　　舊觀念一：想換新衣服、新包包，但是好罪惡！我得存錢才行，不然萬一變成卡奴怎麼辦？ 　　不！其實你真的不用當省錢一哥或一姐。 　　變富的作法： 　　你可以聽從專門研究瀕臨破產家族的哈佛教授伊莉莎白．華倫（Elizabet

h Warren）的建議， 　　使用50／30／20預算制度，將你的稅後所得分成三塊── 　　50%是必須的東西，包含住房支出、水電瓦斯交通費等哩哩摳摳的必要費用。 　　30%是想要的東西，包含度假、禮物、娛樂、服飾、外食和其他支出。 　　20%是儲蓄和償還債務。 　　有這個預算制度，你就能在合理範圍內，購買你喜歡的東西，不必再承擔罪惡感！ 　　舊觀念二：信用卡好危險！我絕對不要隨便貸款，免得不小心花太多錢就死定了！ 　　不！信用卡不是洪水猛獸， 　　它不但很方便，而且在必要時，還可能救你一命。 　　大家都知道未雨綢繆是個好觀念，所以很多人都會想要盡可能多存錢， 　　看到存摺裡的數字越來越

多，就感覺好安心。 　　然而，人總有倒楣的時候， 　　假如哪天我們突然出了車禍、家人急需動手術，或是遭遇火災，財產付之一炬…… 　　急需用錢的時候，不管以前存到再多錢，都有可能會無法支應這些急難。 　　變富的作法： 　　過去曾合理借款很有用！ 　　這時候，平常就有合理運用信用借款服務的人， 　　因為有良好的信貸紀錄，就有可能向銀行借到大筆金額，幫助我們度過難關！ 　　舊觀念三：買房子是人生大事，也是最好的投資！我一定要努力省錢買到最棒的房子，即使貸款再沉重也甘之如飴。 　　不！別硬要打腫臉充胖子， 　　你或許以為，無論如何就是要有房子，最好趁年輕先買個小物件，等要成家立業時再買進自己的理

想美窩，從此人生就大勝利了。 　　變富的作法： 　　事實上，買房必須留意這幾件事，才能讓你甜蜜的窩，不要變成家庭最沉重的負擔── 　　房子不是投資。房價若上漲，確實可以幫你累積資產，但計算所有的成本後，這筆投資的真正報酬卻可能很少。切記，不動產從來就不是非常可靠的投資。 　　購買比你能負擔金額更便宜的房子。將房貸月繳金額限制在你的淨收入的 25%，這樣當經濟環境不好時，你才有調整的空間。 　　房屋是長期的。你有可能需要等很久，房屋增值的幅度才足以抵銷出售和搬家的費用。所以，要買房的時候，必須好好思考，盡量讓自己減少搬家次數，避免頻繁換房。 　　舊觀念四：保險買越多越好，這樣萬一出事了我才有

理賠金可以拿，為了不時之需，我寧願把錢都拿去付保險金。 　　不！你不必買太多保險， 　　雖然你家長輩可能會聽信親朋好友的話（可能那些親朋好友自己就是保險員，You Know）， 　　幫你買各種拉哩拉紮的保險，結果大部分的保險都用不到，還害你白花錢。 　　變富的作法： 　　要記住：大部分的保險本來就應該用不到。 　　要把保險當成是，在發生真正的財務災難時提供保障的緊急需求，而不是在一般日常遭遇小問題時的緩衝工具。 　　更多理財迷思，請見本書精彩內容！ 　　一夕致富是幻覺，但學會機智理財，踏實做好10件事，就真能讓自己變富有。 　　本書沒有一套通用的正確答案，但你一定能在其中找到最適合自己的

翔實建議， 　　而且重點是，這些建議很實際，是每個人都能做得到的。 　　現在就跟著NO.1的理財作家一起實踐富有的祕訣吧， 　　你會親眼見證自己的錢包變得愈來愈豐滿，實現真正的財務健全。 專業推薦 　　小資女升職記版主 / Angela 　　Ａ大的理財心得分享版主 / ameryu 　　理財學伴Podcast主持人 / Cindy & Shirley 　　「淺談保險觀念」粉專版主 / 大仁 　　（依姓氏筆畫排序） 各界讚譽 　　「這是一本很棒的個人理財書，提供很多反直覺的想法，即使已經對個人理財有概念的人，也會想讀下去。」—《紐約時報》 　　「《富有的祕訣》是一本必讀的個人

理財入門書。威斯頓用一如既往的穩健，和時而幽默的寫作風格，撰寫這類主題，這本書不只是一本優良的個人理財書籍，更是我會推薦的好讀物。」—TheSimpleDollar.com網站 　　「在《富有的祕訣》中，威斯頓根據她對實際情況與消費者的觀察，列出細緻入微的理財生活新規範。其他理財作家搞錯的地方，威斯頓都說對了。沒有人能像她那樣深入解析資料。」—伊莉莎白．利密（Elisabeth Leamy），ABC News   　　「這本書是天賜的財務精神食糧，而莉茲．威斯頓是這個時代的財務智者。她修正老舊的財務觀念，並提供聰明、及時的建議，包括償還負債、投資退休、為未來多年設定實際可用的預算，而且還有更

多。我願意跟隨她的腳步！」—貝絲．科布利納（Beth Kobliner），《財務規劃生活》（Get a Financial Life）作者 　　「理財專欄作家威斯頓在恐懼與無效之間，提供可行又令人愉快的方法。對於財務紊亂、困惑或焦慮的人來說，有如天上掉下來的禮物。」—《出版者周刊》 　　「在眾多個人理財書籍、二十四小時不停放送的理財實境節目，以及自吹自擂的股票小道消息中，《富有的祕訣》脫穎而出。這是在真實世界中很好的個人理財教育，對非專業人士來說又輕鬆易讀。本書猶如一本指南，幫助你達到財務健全，沒有過於簡化的解決方案，也沒有一套通用的公式。本書沒有長篇大論的叨念，就讓我們瞭解應該從大衰退和

市場崩盤學到的教訓。」—巴伯．維利斯（Bob Veres），《內線消息》（Inside Information）的編輯兼出版人

應用深度學習神經網路方法於信用卡客戶違約之分類問題

為了解決房貸信用評分的問題，作者劉沛慈 這樣論述：

偵測信用欺詐交易是金融機構和銀行的一項關鍵任務和挑戰。本研究使用 DL 「深度學習」 (deep learning) 技術，以 LSTM 「長短期記憶」模型用於辨識信用卡客戶違約（一個不平衡的資料集）。為了評估 LSTM 「長短期記憶」模型之基於梯度方法的優化器性能，本研究採用三種優化器，分別是 Adam 「適應性動差估計」 (adaptive moment estimation) 、 Sgdm 「具有動量的隨機梯度遞降」 (stochastic gradient descent with momentum) 與 Rmsprop 「均方根傳遞」 (root mean square propa

gation) 算法。本研究採用十摺交互驗證 (10-fold cross-validation) 。此外，本研究比較使用 LSTM 「長短期記憶」模型分類器與使用監督式機器學習 (machine learning) 方法所獲得的最佳結果，像是 BPNN-GDA 「倒傳遞神經網路—梯度遞降算法」 (back propagation neural network- gradient descent algorithm) 、 BPNN-SCGA 「倒傳遞神經網路—共軛梯度算法」 (back propagation neural network-scaled conjugate gradient a

lgorithm) 、 KNN 「K 近鄰」 (K nearest neighbor) 分類器與 SVM 「支持向量機」 (support vector machine) 分類器。實驗結果指出， LSTM-Adam 「長短期記憶—適應性動差估計」與 BPNN-GDA 「倒傳遞神經網路—梯度遞降算法」的結果相似，並優於 LSTM-Sgdm 「長短期記憶—具有動量的隨機梯度遞降」、 LSTM-Rmsprop 「長短期記憶—均方根傳遞」與 KNN 「K 近鄰」分類器和 SVM 「支持向量機」分類器；實驗結果亦指出選擇一個適當的分類門檻值 (classification threshold value

) 對於類別標籤不均勻的資料集是重要的。根據實驗結果， LSTM-Adam 「長短期記憶—適應性動差估計」可以被考量應用於處理信用評分這類的二元分類問題。本研究提出兩項管理意涵，分別是善用 DL 「深度學習」方法具有擷取資料集特徵之能力與應用 DL 「深度學習」方法進行巨量資料分析。