自用住宅購屋借款利息查詢的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

雙卡因素與房貸風險評估關係之研究

為了解決自用住宅購屋借款利息查詢的問題，作者楊庭芳 這樣論述：

國內歷經雙卡風暴，房屋貸款是否為下一波金融風暴，已成為關注之焦點。傳統上銀行對房貸授信審核大部分依靠的是授信人員個人的經驗與主觀的判斷，尤其是著重擔保品價值做為決定授信的條件。但隨著新巴塞爾協定預定實施行程，「個人房貸評分」已是目前金融業正在著手推行的重點。 過去研究者對有關金融授信風險評量的文獻，所研究的變數皆以表內變數為主，而忽略借款戶是否具有運用所得以攤還借款之意願，故本次除了延續過去的研究變數，並增列了聯合徵信中心查詢之信用卡及現金卡使用情況為表外變數做增額分析，探討雙卡因素與房貸逾期之關係；並以近年來深受各領域學者所重視，並可模擬專家系統的倒傳遞類神經網路模型為研究方法，期望

能準確及客觀的評量申請人信用風險程度，從而能降低房屋貸款違約的風險及降低呆帳率，增進經營績效。 本次研究樣本以國內某大行庫2004 ∼ 2005年提供不動產為擔保品之房貸戶為研究之對象，抽取正常還款的正常戶138件、逾期三個月以上的逾期戶44件，合計182件，做為建立授信評量模式的樣本。並就授信申請書表選出表內變數，包含：年齡、婚姻狀況、職業、戶籍、服務年資、家庭年收入、貸款金額、貸款成數、保證人、過去往來情形等十種。再由財團法人金融聯合徵信中心查詢資料選出表外變數，包含：信用卡張數、現金卡張數、是否使用循還利息、是否動用現金卡等四項，共計十四項做變數分析。 在進行倒傳遞類神經網路

模型測試前，為了讓樣本有良好的收斂效果，首先將樣本資料進行交叉分析，藉此選出表內及表外顯著變數，再以顯著表內變數測試模型Ⅰ；其次再加入表外變數做增額測試模型II。研究結果顯示：本次建立的倒傳遞類神經網路模型Ⅱ比模型I對授信風險判別評估上，辨識能力更能夠接近100%判決精確度，顯示加入雙卡因素後確實能增進房貸授信風險之評估，故此網路模式Ⅱ已具備預測房貸風險評估之能力，可作為房貸事前授信決策與事後預警管理之參考。