EN
Insolvency prediction is one of the crucial abilities in corporate finance and financial management. It is critical in accounts receivable management, capital budgeting decisions, financial analysis, capital structure management, going concern assessment and co-operation with other companies. The purpose of this paper is to compare the efficiency of selected deep learning and machine learning algorithms trained on a representative sample of Polish companies for the period 2008–2017. In particular, the paper tested the following popular machine learning algorithms: discriminant analysis (DA), logit (L), support vector machines (SVM), random forest (RF), gradient boosting decision trees (GB), neural network with one hidden layer (NN), convolutional neural network (CNN), and naïve Bayes (NB). The research hypotheses evaluated in the paper state that if one has access to a large sample of companies, the most accurate algorithm (first choice) in bankruptcy prediction will be gradient boosting decision trees (H1), random forest (H2) and neural networks (H3) (deep learning) algorithms. The initial hypotheses were formulated based on the practitioners’ opinions regarding the usefulness of various machine learning and artificial intelligence algorithms in bankruptcy prediction. As the results of the research suggest, both deep learning and machine learning algorithms proved to have very comparable efficiency. The new factor introduced in the paper was that the training of the models was carried out on a representative sample of companies (for years 2008–2013) and also the testing phase used a significant number of bankrupt and active companies (validation included a completely different set of companies than those used in the training phase: data were taken from a different time period, 2014–2017, and companies in both sets were also completely different).
PL
Poprawne przewidywanie niewypłacalności przedsiębiorstw jest niezwykle istotne z perspektywy zarządzania finansami przedsiębiorstw, gdyż ma ono kluczowe znaczenie w zarządzaniu należnościami, ocenie projektów inwestycyjnych, zarządzaniu kapitałem obrotowym, oceną zdolności do kontynuowania działania, podejmowaniu współpracy i podpisywaniu umów z innymi przedsiębiorstwami. Celem artykułu jest porównanie skuteczności wybranych algorytmów uczenia maszynowego i deep learningu, które zostały zastosowane na reprezentatywnej próbie polskich przedsiębiorstw z wykorzystaniem danych za lata 2008–2018. W artykule podjęto próbę porównania skuteczności następujących algorytmów machine learning (uczenia maszynowego): analizy dyskryminacyjnej (DA), funkcji logitowej (L), support vector machines (SVM), random forest (RF), gradient boosting decision trees (GB), sieci neuronowych z jedną warstwą ukrytą (NN), konwolucyjnych sieci neuronowych (CNN) oraz metody naïve Bayes (NB). Zgodnie z hipotezami badawczymi jeśli ma się dostęp do dużej próby firm, najskuteczniejszym algorytmem (pierwszym wyborem) w prognozie bankructwa są algorytmy: gradient boosting decision trees (H1), random forest (H2) i nierekurencyjne wielowarstwowe sieci neuronowe (H3). Wstępne hipotezy zostały sformułowane na podstawie opinii praktyków dotyczących przydatności różnych algorytmów uczenia maszynowego i algorytmów sztucznej inteligencji w prognozowaniu upadłości przedsiębiorstw. W artykule wykorzystano do uczenia algorytmów bardzo dużą (reprezentatywną) grupę przedsiębiorstw komercyjnych (dane za lata 2008–2013), a do walidacji skuteczności algorytmów również bardzo dużą populację przedsiębiorstw (dane za okres 2014–2018); obydwie populacje obejmowały zupełnie inne podmioty gospodarcze i inne okresy, co pozwoliło na rzetelne porównanie skuteczności badanych algorytmów.