Application of machine learning methods for financial distress detection
Šioje disertacijoje sukurta finansinių sunkumų nustatymo metodika, panaudojanti mašininio mokymosi metodus. Ši metodika leidžia pradėti nuo bet kokio kintamųjų rinkinio ir sukurti perspektyvų finansinių sunkumų aptikimo modelį, derinant skirtingas dimensijų mažinimo, kintamųjų konstravimo, klasių balansavimo ir mašininio mokymosi metodų technikas tarpusavyje. Pasiūlyti nauji, duomenimis pagrįsti, finansinių sunkumų apibrėžimai. Šie prisitaikantys apibrėžimai leidžia nustatyti skirtingus naudos gavėjo rizikos tolerancijos lygius. Pasiūlyta metodika gali būti naudojama finansinių sunkumų identifikatoriui sukurti. Šis finansinių sunkumų identifikatorius galėtų būti naudojamas kaip atskira priemonė mažose ir vidutinėse įmonėse patiriamiems finansiniams sunkumams įvertinti. Be to, metodologijoje siūlomi finansinių sunkumų požymiai gali būti keičiami atsižvelgiant į naudos gavėjo finansinės rizikos tolerancijos lygį. Siūloma metodika analizuoja finansinius sunkumus iš blogiausio scenarijaus perspektyvos. Tačiau šią sąlygą galima pritaikyti prie naudos gavėjo reikalavimų, o permokytas modelis gali būti naudojamas pakoreguotam finansinių sunkumų nustatymui. Taigi, sukurta metodika yra lengvai adaptuojama skirtingiems finansinių sunkumų ar bankroto duomenų rinkiniams bei leidžia vystyti ir analizuoti kiekvieną tyrimo sritį atskirai.
In this dissertation, a methodology for financial distress detection using machine learning methods was created. This methodology allows to start from any feature set and to build a viable financial distress detection model, by combining different dimensionality reduction, feature construction, class balancing, and machine learning, methods. A novel data-based definition of financial distress was proposed. These adaptive definitions allow the assessment of beneficiaries' different levels of risk tolerance. The provided methodology in this dissertation can be used for creating a financial distress identifier. This financial distress identifier could be used as a stand-alone tool for evaluating distress in the small-medium size enterprises. Moreover, the suggested financial distress conditions in the methodology could be modified according to the beneficiary's risk tolerance level. The proposed methodology analyzes financial distress from the worst-case scenario perspective. However, this condition can be adjusted to the beneficiary's requirements, and the retrained model then could be used for adjusted financial distress identification. Additionally, the suggested methodology is simple to adopt for different financial distress or bankruptcy datasets.