Įmonių bankroto prognozavimas taikant klasifikavimo metodus
Siekiant užtikrinti veiklos stabilumą ir tęstinumą bei išvengti krizių, kiekvienai įmonei yra svarbu stebėti savo finansinius rodiklius. Finansinių rodiklių sekimas gali padėti išvengti bankroto, todėl norint objektyviai įvertinti bankroto grėsmę, svarbu tinkamai pasirinkti kokius finansinius rodiklius stebėti. Šiame darbe, remiantis penkerių metų įmonių duomenimis (finansiniais santykiniais rodikliais), kuriami bankroto prognozavimo modeliai. Tyrimo metu analizuotas logistinės regresijos, krovimo (angl. bagging) ir pildymo (angl. boosting) algoritmų taikymas bankroto prognozavimui. Atlikus modelių testavimą paaiškėjo, jog sprendimų medžiais paremti modeliai pasiekia didesnį tikslumą nei logistinės regresijos modeliai, bankrutavusias įmones geriausiai atpažįsta krovimo algoritmas, o didžiausią bendrą visų įrašų klasifikavimo tikslumą pasiekia pildymo algoritmas.
Financial ratios can be used as a powerful tool to assess a company's financial status as well as identify risks in their early stages. Therefore, in order to objectively evaluate the threat of bankruptcy, it is essential to determine the most relevant ratios. This work analysis the possibility to use both statistical approaches and machine learning techniques for corporate bankruptcy prediction. Using a large number of financial ratios, we tried to develop models classifying companies into low or high risk of bankruptcy. Three classification techniques, including ensemble learning methods and logistic regression, were considered. Results revealed that decision tree-based models outperform logistic regression approaches. Moreover, the highest accuracy for bankrupted companies is obtained using Bagging algorithm while the Boosting technique achieves the highest overall classification accuracy.