Title (eng)
Effectiveness of machine learning algorithms in predicting insolvencies
Parallel title (deu)
Effektivität von Machine Learning Algorithmen in der Prädiktion von Insolvenzen
Parallel title (eng)
Effectiveness of machine learning algorithms in predicting insolvencies
Author
Hubert Cyryl Tchorzewski
Advisor
Gyöngyi Lóránth
Assessor
Gyöngyi Lóránth
Abstract (deu)
Die Aufgabe, Insolvenzen vorherzusagen ist sehr wichtig sowohl für politische Entscheidungsträger als auch für Unternehmen selbst. Es existieren umfangreiche Studien auf diesem Gebiet, die sich auf auf das Erstellen von Modellen fokussieren, die solche Firmen voraus identifizieren können und die Wahrscheinlichkeit einer Insolvenz untersuchen. Es besteht auch ein wachsendes Interesse an Klassifikationsverfahren, die auf Machine Learning-Algorithmen aufgebaut sind, die als potenzielle Hilfsmittel für zukünftige Entwicklung in diesem Bereich dienen könnten. Diese Studie benutzt den Compustat-Datensatz, um die Effektivität von beiden Ansätzen auf Basis ihrer entsprechenden Anpassungsgüte, Sensitivität und Spezifität vergleicht. Die Methoden der logistischen Regression, Entscheidungsbäumen, Random Forests, Bayes-Klassifikatoren, Nächste-Nachbarn-Klassifikationen und Support Vector Machines werden angewendet. Diese Studie hat herausgestellt, dass jede Methode sehr effektiv ist und verschiedene Stärken aufweist.
Abstract (eng)
The task of predicting insolvencies is important for both policy makers and companies alike. There exists substantial research in this area focused on creating models that could identify troubled firms ahead of time or analyze the changes in default probabilities. There also exists a growing interest in machine learning classifiers that could potential help future development in this area. This study uses the Compustat database to compare the effectiveness of both approaches by investigating their corresponding goodness of fit statistics, specificity and sensitivity rates. Discussed are the logistic regression, decision trees, random forests, naive Bayes, k nearest neighbors and support vector machines. The research has found that each method is highly effective and has different strengths.
Keywords (eng)
logistic regressionmachine learningdecision treerandom forestnaive Bayesnearest neighborsupport vector machinescorporate insolvency
Keywords (deu)
Logistische RegressionMachine LearningEntscheidungsbaumRandom ForestBayes-KlassifikatorNächste-Nachbarn-KlassifikationSupport Vector MachinesInsolvenz
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Extent (deu)
VI, 82 S. : graph. Darst.
Number of pages
89
Association (deu)
Title (eng)
Effectiveness of machine learning algorithms in predicting insolvencies
Parallel title (deu)
Effektivität von Machine Learning Algorithmen in der Prädiktion von Insolvenzen
Parallel title (eng)
Effectiveness of machine learning algorithms in predicting insolvencies
Author
Hubert Cyryl Tchorzewski
Abstract (deu)
Die Aufgabe, Insolvenzen vorherzusagen ist sehr wichtig sowohl für politische Entscheidungsträger als auch für Unternehmen selbst. Es existieren umfangreiche Studien auf diesem Gebiet, die sich auf auf das Erstellen von Modellen fokussieren, die solche Firmen voraus identifizieren können und die Wahrscheinlichkeit einer Insolvenz untersuchen. Es besteht auch ein wachsendes Interesse an Klassifikationsverfahren, die auf Machine Learning-Algorithmen aufgebaut sind, die als potenzielle Hilfsmittel für zukünftige Entwicklung in diesem Bereich dienen könnten. Diese Studie benutzt den Compustat-Datensatz, um die Effektivität von beiden Ansätzen auf Basis ihrer entsprechenden Anpassungsgüte, Sensitivität und Spezifität vergleicht. Die Methoden der logistischen Regression, Entscheidungsbäumen, Random Forests, Bayes-Klassifikatoren, Nächste-Nachbarn-Klassifikationen und Support Vector Machines werden angewendet. Diese Studie hat herausgestellt, dass jede Methode sehr effektiv ist und verschiedene Stärken aufweist.
Abstract (eng)
The task of predicting insolvencies is important for both policy makers and companies alike. There exists substantial research in this area focused on creating models that could identify troubled firms ahead of time or analyze the changes in default probabilities. There also exists a growing interest in machine learning classifiers that could potential help future development in this area. This study uses the Compustat database to compare the effectiveness of both approaches by investigating their corresponding goodness of fit statistics, specificity and sensitivity rates. Discussed are the logistic regression, decision trees, random forests, naive Bayes, k nearest neighbors and support vector machines. The research has found that each method is highly effective and has different strengths.
Keywords (eng)
logistic regressionmachine learningdecision treerandom forestnaive Bayesnearest neighborsupport vector machinescorporate insolvency
Keywords (deu)
Logistische RegressionMachine LearningEntscheidungsbaumRandom ForestBayes-KlassifikatorNächste-Nachbarn-KlassifikationSupport Vector MachinesInsolvenz
Subject (deu)
Subject (deu)
Subject (deu)
Type (deu)
Persistent identifier
Number of pages
89
Association (deu)
License
- Citable links
- Other links
- Managed by
- DetailsObject typeContainerCreated29.10.2021 11:04:14 UTC
- Usage statistics-
- Metadata
- Export formats