Prognozowanie bankructwa za pomocą klasyfikatorów rozmytych realizujących ideę maksymalnego marginesu

• Authors: Gąska Damian

Title variants

EN

Bankruptcy prediction with Maximum Margin Fuzzy Classifiers

• Languages of publication: PL EN

Abstracts

EN

The paper is devoted to the bankruptcy prediction problem. Analyzed concept is the usage of Maximum Margin Fuzzy Classifiers. The article gives a brief overview of approaches used for the purpose of bankruptcy prediction. The most important theoretical aspects of MMFC method are presented. The final part contains results and conclusions of a study on real-world data regarding Warsaw Stock Exchange companies.

Keywords

EN

bankruptcy prediction; supervised learning; maximum-margin fuzzy classifiers

• Publisher: Wydawnictwo Uniwersytetu Ekonomicznego we Wrocławiu
• Journal: Śląski Przegląd Statystyczny
• Year: 2015
• Issue: 13 (19)

Contributors

author

Gąska Damian

References

• Abe S., Kernel-based methods, [w:] Support Vector Machines for Pattern Classification. Springer, 2010a, rozdz. 6.
• Abe S., Maximum-Margin Fuzzy Classifiers, [w:] Support Vector Machines for Pattern Classification. Springer, 2010b, rozdz. 10.
• Agresti A., Categorical Data Analysis. John Wiley & Sons, 2002.
• Beaver H. W., Financial Ratios As Predictors of Failure, „Journal of Accounting Research” 1966, s. 71-102..
• Breiman L., Random Forests, Machine Learning, 2001.
• Burges C., A tutorial on support vector machines for pattern recognition, Data Mining and Knowledge Discovery, February 1998, s. 121-167.
• Ćwik J., Koronacki J., Statystyczne systemy uczące się, EXIT, Warszawa 2008.
• Devulapalli K.C., Vadlamani R., Feature selection and fuzzy rule-based classifier applied to bankruptcy prediction in bank, „Int. J. of Information and Decision Sciences” 2009, nr 1, s. 343-365.
• Gąska D., Zastosowanie metody SVM do oceny ryzyka bankructwa i prognozowania upadłości przedsiębiorstw, „Śląski Przegląd Statystyczny” 2013, nr 11, s. 289-310.
• Hastie T., Tibshirani R., Friedman J., The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer, 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.
• Korol T., Nowe podejście do analizy wskaźnikowej w przedsiębiorstwie, Wolters Kluwer Polska Warszawa, Polska, 2013.
• Korol T., Prognozowanie upadłości firm przy wykorzystaniu miękkich technik obli- czeniowych, Finansowy Kwartalnik Internetowy „e-Finanse” 2010.
• Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Systemy uczące się, WNT War-szawa 2008.
• Nogueira R., Vieira M. S., Sousa M. C. J., The prediction of bankruptcy using fuzzy classifiers, [w:] 2005 ICSC Congres, 2005.
• Ostasiewicz W., Certainty And Uncertainty Versus Precision And Vagueness, „Badania Operacyjne i Decyzje” 2003, s. 139-148.
• Ostasiewicz W., Myślenie statystyczne. Wolters Kluwer Polska, 2012.
• Prusak B., Nowoczesne metody prognozowania zagrożenia finansowego przesiębiorstw, Difin Warszawa 2005.
• Rutkowski L., Metody rozpoznawania wiedzy z wykorzystaniem zbiorów rozmytych typu 1, [w:] tegoż, Metody i techniki sztucznej inteligencji, PWN Warszawa, 2005, rozdz. 4, s. 52-131.
• Vapnik V. V., The Nature of Statistical Learning Theory, New York, 1995.