Metody uczenia maszynowego w prognozowaniu niewypłacalności

• Authors: Paliński Andrzej

Title variants

EN

Machine learning methods in bankruptcy prediction

• Languages of publication: PL

Abstracts

PL

W artykule zastosowano wybrane algorytmy uczenia maszynowego na zbiorach danych zawierających wskaźniki finansowe w celu sprawdzenia skuteczności prognozowania upadłości. Trafność prognoz upadłości na zbiorach niezbilansowanych o przeważającym udziale firm prowadzących działalności nad upadłymi wyniosła jedynie 37%. Trafność prognozowania upadłości na zbiorach zbilansowanych wyniosła 60%. Dla porównania, uproszczone podejście eksperckie wyłoniło 76% spośród upadłych podmiotów, ale znacząco zawyżyło zbiór firm zagrożonych upadłością. Metody uczenia maszynowego okazują się skuteczne dla dużych zbiorów danych, które są zbyt liczne do analizy przez człowieka.

EN

The article uses selected machine learning algorithms on datasets containing financial ratios to check the effectiveness of bankruptcy prediction. The accuracy of bankruptcy forecasts for unbalanced dataset with the prevalence of companies still operating over bankrupts was only 37%. The accuracy of bankruptcy forecasting on a balanced dataset was 60%. The simplified expert approach selected 76% of bankrupt entities, but significantly overstated the set of companies exposed on bankruptcy. Machine learning methods are effective for large data sets that are too numerous for human analysis.

Keywords

PL

Drzewo klasyfikacyjne; Prognozowanie; Uczenie maszynowe; Upadłość

EN

Bankruptcy; Decision tree; Forecasting; Machine learning

• Publisher: Uniwersytet Ekonomiczny w Katowicach
• Journal: Studia Ekonomiczne
• Year: 2018
• Volume: 358
• Pages: 173-181

Contributors

author

Paliński Andrzej

• AGH w Krakowie. Wydział Zarządzania. Katedra Informatyki Stosowanej

References

• Altman E.I. (1968), Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, „The Journal of Finance”, Vol. 23, No. 4, s. 589-609.
• Beaver W.H. (1966), Financial Ratios as Predictors of Failure, „Journal of Accounting Research”, Vol. 4, s. 71-111.
• Geng R., Bose I., Chen X. (2015), Prediction of Financial Distress: An Empirical Study of Listed Chinese Companies Using Data Mining, „European Journal of Operational Research”, Vol. 241, Iss. 1, s. 236-247.
• Gissel J., Giacomino D., Akers M. (2007), A Review of Bankruptcy Prediction Studies: 1930-Present, „Journal of Financial Education”, Vol. 33, s. 1-42.
• Laitinen E.K. (1991), Financial Ratios and Different Failure Processes, „Journal of Business Finance & Accounting”, Vol. 18, s. 649-673.
• Li M.Y.L., Miu P. (2010), A Hybrid Bankruptcy Prediction Model with Dynamic Loadings on Accounting-ratio-based and Market-based Information: A Binary Quantile Regression Approach, „Journal of Empirical Finance”, Vol. 17, s. 818-833.
• Mączyńska E. (1994), Ocena kondycji przedsiębiorstwa (Uproszczona metoda), „Życie Gospodarcze”, nr 38.
• Paliński A. (1998), Efektywność procesu restrukturyzacji trudnych kredytów bankowych, praca doktorska, Akademia Ekonomiczna im. K. Adamieckiego w Katowicach.
• Pociecha J., red. (2014), Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Fundacja Uniwersytetu Ekonomicznego w Krakowie, Kraków.
• Serrano-Cinca S. (1996), Selforganizing Neural Networks for Financial Diagnosis, „Decision Support Systems”, Vol. 17, Iss. 3, s. 227-238.
• Wędzki D. (2005), A Bankruptcy Logit Model for the Polish Economy, „Argumenta Oeconomica Cracoviensia”, No .3, s. 49-70.
• Wilcox J.W. (1973), A Prediction of Business Failure Using Accounting Data, „Journal of Accounting Research”, Vol. 11, s. 163-179.
• Zięba M., Tomczak S., Tomczak J. (2016), Ensemble Boosted Trees with Synthetic Features Generation in Application to Bankruptcy Prediction, „Expert Systems with Applications”, Vol. 58, s. 93-101.
• Zmijewski M.E. (1984), Methodological Issues Related to the Estimation of Financial Distress Prediction Models, „Journal of Accounting Research”, Vol. 22, s. 59-82.
• [www1] http://archive.ics.uci.edu/ml/datasets/Polish+companies+bankruptcy+data (dostęp: 10.04.2018).

Identifiers

ISSN

2083-8611