Zastosowanie metody svm do oceny ryzyka bankructwa i prognozowania upadłości przedsiębiorstw

• Authors: Damian Gąska

Title variants

EN

Application of svm method for bankruptcy risk assessment and bankruptcy prediction

• Languages of publication: PL

Abstracts

EN

The purpose of the article is to present Support Vector Machines (SVM) as a potentially useful tool in evaluation of bankruptcy risk and bankruptcy prediction. Invented by Vapnik, SVM method can be seen as a generalization of the classification by discriminant hyperplanes. In recent years, this method has gained high popularity in a number of applications where the problem of data classification is considered, including the task of bankruptcy prediction. Due to its good theoretical properties and high performance, this method has been applied in a number of problems where data classification is considered, including the task of bankruptcy prediction. In particular Platt's method can be used to obtain estimation of probability of bankruptcy. In the article we will present empirical results leading to the analysis of financial indicators of some companies.

Keywords

EN

bankruptcy prediction; classification; Sector Vector Machines (SVM)

• Publisher: Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
• Journal: Śląski Przegląd Statystyczny
• Year: 2013
• Issue: 11(17)
• Pages: 289-310

Dates

published

2013

Contributors

author

Damian Gąska

• Uniwersytet Ekonomiczny we Wrocławiu

References

• Altman E.I., Finacnial ratios, discrimant analysis asnd the prediction of corporate bankrupcty, “The Journal of Science” 1968, vol. 23.
• Beaver W.H., Financial ratios as predictors of failure, “Journal of Accounting Research” 1966, No. 4, s. . 71-102.
• Ćwik J., Koronacki J., Statystyczne systemy uczące się, EXIT, Warszawa 2008.
• Efron B., Estimating the error rate of a prediction rule: Improvement on cross-validation, J. Amer. Statist. Assoc., 1983, No. 78, s. 316-331.
• Engelmann B., Hayden E., Tasche D., Testing rating accuracy, “RISK”, 2003.
• Gajdka J., Stos D., Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw, [w:] R. Borowiecki (red.), Restrukturyzacja w procesie rozwoju i przekształceń przedsiębiorstw, Wydawnictowo Akademii Ekonomicznej w Krakowie, Kraków 1996.
• Gruszczyński M., Financial distress of companies in Poland, “International Advances in Economic Research” 2004, No. 10.
• Härdle W.K., Hoffmann L., Moro R., Learning machines supporting bankruptcy prediction, [w:] Statistical Tools for Finance and Insurance, Springer, 2011, s. 225-250.
• Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer, 2009.
• A. Hołda, Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej ZH, „Rachunkowość” 2001, No. 5.
• Janiga-Ćmiel A. i in., Metody i modele analiz ilościowych w ekonomii i zarządzaniu część 1, Wydawnictwo Akademii Ekonomicznej w Katowicach, Katowice 2009.
• Kohavi R., A study of cross-validation and bootstrap for accuracy, [w:] 14th Intl. Joint Conf. Art. Int., 1995, s. 1137-1143.
• Korol T., Multi-criteria early warning system multi-criteria early warning system, “International Research Journal of Finance and Economics” 2011, No. 61.
• Korol T., Prognozowanie upadłości firm przy wykorzystaniu miękkich technik obliczeniowych, Finansowy Kwartalnik Internetowy „e-Finanse”2010, No. 1.
• Korol T., Prusak B., Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji. CeDeWu, Warszawa 2009.
• Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Systemy uczące się, WNT, Warszawa 2008.
• Ohlson J.A., Financial ratios and the probabilistic prediction of bankruptcy, “Journal of Accounting Research” 1980, Vol. 18, No. 1.
• Platt J.C., Probabilistic outputs for support vector machines and comparisons to regularized likelihood method, “Advances In Large Margin Classifiers” 1999, s. 61-74.
• Pociecha J., Modele prognozowania bankructwa w systemie wczesnego ostrzegania przedsiębiorstw, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu nr 165, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław 2011.
• Prusak B., Nowoczesne metody prognozowania zagrożenia finansowego przesiębiorstw, Difin, Warszawa 2005.
• Rosenblatt F., The perceptron: a probabilistic model for information, “Psychological Review” 1958.
• Shin K., Lee K.J., Kim H., Support vector machines approach to pattern detection in bankruptcy prediction and its contingency, [w:] Neural Information Processing, 11th International Conference, ICONIP 2004, Calcutta, India, November 22-25, 2004, Proceedings, 2004.
• Siedlecka U., Prognozowanie ostrzegawcze w gospodarce, PWE, Warszawa 1996.
• Trzęsiok M., Metoda wektorów nośnych na tle innych metod wielowymiarowej analizy danych, Taksonomia nr 13, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław 2006.
• Trzęsiok M., Symulacyjne porównanie jakości modeli otrzymanych metodą wektorów nośnych z innymi modelami regresji, Prace Naukowe Akademii Ekonomicznej we Wrocławiu nr 1189, Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu, Wrocław 2007.
• Vapnik V.V., The Nature of Statistical Learning Theory, Nowy Jork 1995.
• Vapnik V.V., Chervonenkis A.Y., On the uniform convergence of relative frequencies of events to their probabilities, 1971, No. 16, s. 264-280.
• Vapnik V.V., Chervonenkis A.Y., Theory of pattern recognition, “Nauka” 1974, nr 107.
• Walesiak M., Gatnar E., Statystyczna analiza danych z wykorzystaniem programu R, PWN, Warszawa 2009.

Identifiers

ISSN

1644-6739