Porównanie wykorzystania sieci neuronowych i analizy dyskryminacyjnej w ocenie niewypłacalności

• Authors: Aleksandra Wójcicka
• Languages of publication: EN

Abstracts

EN

The paper investigates the use of different structure of NN and DA in the process of establishing the possibility of default. The results of those different methods are juxtaposed and their performance is compared.

PL

W artykule opisano wykorzystanie i użyteczność różnych typów sieci neuronowych i modeli analizy dyskryminacyjnej w procesie określania potencjalnej niewypłacalności dłużnika. Następnie wyniki poszczególnych metod, uzyskane na podstawie danych finansowych przedsiębiorstw pochodzących z różnych sektorów gospodarki, zostały porównane i na tej podstawie określono przydatność badanych metod w procesie oceny ryzyka kredytowego.

Keywords

EN

credit risk; default; neural networks; discriminant analysis; financial indices

PL

ryzyko kredytowe; sieci neuronowe; analiza dyskryminacyjna; analiza finansowa

• Publisher: Wydawnictwo Uniwersytetu Marii Curie-Skłodowskiej
• Journal: Annales Universitatis Mariae Curie-Skłodowska, sectio H – Oeconomia
• Year: 2017
• Volume: 51
• Issue: 5

Dates

published

2017

online

2017-12-22

Contributors

author

Aleksandra Wójcicka

References

• Altman E., Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, “Journal of Finance” 1968, Vol. 23, DOI: https://doi.org/10.1111/j.1540-6261.1968.tb00843.x.
• Angelini E., di Tollo G., Roli A., A Neural Network Approach for Credit Risk Evaluation, “The Quarterly Review of Economics and Finance” 2008, Vol. 48,
• Appenzeller D., Szarzec K., Prognozowanie zagrożenia upadłością polskich spółek publicznych, „Rynek Terminowy” 2004, nr 1.
• Atiya A.F., Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results, “IEEE Transactions on Neural Networks” 2001, Vol. 12(4).
• Baesens B., Setiono R., Mues C., Vanthienen J., Using Neural Network Rule Extraction and Decision Tables for Credit-Risk Evaluation, “Management Science” 2003, Vol. 49(3).
• Gajdka J., Stos D., Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw, [in:] R. Borowiecki (red.), Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, Wydawnictwo AE w Krakowie, Kraków 1996.
• Gaudart J., Giusiano B., Huiart L., Comparsion of the Performance of Multi-Layer Perceptron and Linear Regression for Epidemiological Data, “Computional Statistics & Data Analysis” 2004, Vol. 44.
• Hadasik D., Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, Wydawnictwo AE w Poznaniu, Poznań 1998.
• Hamrol M., Czajka B., Piechocki M., Upadłość przedsiębiorstwa – model analizy dyskryminacyjnej, „Przegląd Organizacji” 2004, nr 6.
• Haykin S., Neural Networks and Learning Machines, 3rd ed., PHI Learning Private Limited, New Delhi 2011.
• Hołda A., Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej, „Rachunkowość” 2001, nr 5.
• Huang Z., Chen H., Hsu C.J., Chen W.H., Wu S., Credit Rating Analysis with Support Vector Machines and Neural Networks: A Market Comparative Study, “Decision Support Systems” 2004, Vol. 37, DOI: https://doi.org/10.1016/S0167-9236(03)00086-1.
• Karaa A., Krichene A., Credit-risk Assessment Using Support Vectors Machine and Multilayer Neural Network Models: A Comparative Study Case of a Tunisian Bank, “Accounting and Management Information Systems” 2012, Vol. 11(4).
• Khemakhem S., Boujelbènea Y., Credit Risk Prediction: A Comparative Study Between Discriminant Analysis And The Neural Network Approach, “Accounting and Management Information Systems” 2015, Vol. 14(1).
• Kowalski P.A., An Evolutionary Strategy for Fuzzy Flip-Flop Neural Networks Learning, XIII Krajowa Konferencja „Algorytmy Ewolucyjne i Optymalizacja Globalna”, (KAEiOG 2011), Warszawa, 21–22 września 2011.
• Linder R., Geier J., Kölliker M.J., Artificial neural networks, classification trees and regression: Which method for which customer?, “Database Marketing & Customer Strategy Management” 2004, Vol. 11.
• Ogwueleka F.N., Misra S., Colomo-Palacios R., Fernández-Sanz L., Neural Network and Classification Approach in Identifying Customer Behaviour in the Banking Sector: A Case Study of an International Bank, “Human Factors and Ergonomics in Manufacturing & Service Industries” 2015, Vol. 25(1).
• Oreski S., Oreski D., Oreski G., Hybrid system with genetic algorithm and artificial neural networks and its application to retail credit risk assessment, “Expert Systems with Application” 2012, Vol. 39(16).
• Nigrin A., Neural Networks for Pattern Recognition, Massachusetts Institute of Technology 1993.
• Pacelli V., Azzollini M., An Artificial Neural Network Approach for Credit Risk Management, “Journal of Intelligent Learning Systems and Applications” 2011.
• Prusak B., Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw, Difin, Warszawa 2005.
• Statistica Help, http://documentation.statsoft.com [access: 10.04.2017].
• Stępień P., Strąk T., Wielowymiarowe modele logitowe oceny zagrożenia bankructwem polskich przedsiębiorstw, [in:] D. Zarzecki (red.), Zarządzanie finansami. Finansowanie przedsiębiorstw w UE, t. 1, Wydział Nauk Ekonomicznych Uniwersytetu Szczecińskiego, Szczecin 2004.
• Tollo G., Credit Risk: A Neural Net Approach, 2006, http://tmancini.di.uniroma1.it/rcra/workshops/RCRA-2006/files/ditollo.pdf [access: 10.04.2017].
• Wędzki D., Wielowymiarowa analiza bankructwa na przykładzie budownictwa, „Badania Operacyjne i Decyzje” 2005, nr 2.
• Wierzba D., Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie wskaźników finansowych – teoria i badania empiryczne, „Zeszyty Naukowe Wyższej Szkoły Ekonomiczno-Informacyjnej w Warszawie” 2000, nr 9.
• Wójcicka A., Classification of trade sector entities in credibility assessment using neural networks, referat wygłoszony na konferencji „Metody i Zastosowania Badań Operacyjnych”, Czerniejewo, 16–18 października 2016a.
• Wójcicka A., Credit-risk decision process using neural networks in industrial sectors, referat wygłoszony na konferencji “International Conference on Accounting, Finance and Financial Institutions. Theory Meets Practice”, Poznań, 19–21 października 2016b.
• Wójcicka A., Neural networks in credit risk evaluation of construction sector, referat wygłoszony na “Econometric Research in Finance Workshop” w Warszawie, 2016c.

Identifiers

DOI

10.17951/h.2017.51.5.339