Detailansicht
Effectiveness of machine learning algorithms in predicting insolvencies
Hubert Cyryl Tchorzewski
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Wirtschaftswissenschaften
Betreuer*in
Gyöngyi Lóránth
DOI
10.25365/thesis.33306
URN
urn:nbn:at:at-ubw:1-29188.78574.127769-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
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
(Englisch)
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.
Schlagwörter
Schlagwörter
(Englisch)
logistic regression machine learning decision tree random forest naive Bayes nearest neighbor support vector machines corporate insolvency
Schlagwörter
(Deutsch)
Logistische Regression Machine Learning Entscheidungsbaum Random Forest Bayes-Klassifikator Nächste-Nachbarn-Klassifikation Support Vector Machines Insolvenz
Autor*innen
Hubert Cyryl Tchorzewski
Haupttitel (Englisch)
Effectiveness of machine learning algorithms in predicting insolvencies
Paralleltitel (Deutsch)
Effektivität von Machine Learning Algorithmen in der Prädiktion von Insolvenzen
Paralleltitel (Englisch)
Effectiveness of machine learning algorithms in predicting insolvencies
Publikationsjahr
2014
Umfangsangabe
VI, 82 S. : graph. Darst.
Sprache
Englisch
Beurteiler*in
Gyöngyi Lóránth
AC Nummer
AC11818898
Utheses ID
29584
Studienkennzahl
UA | 066 | 920 | |