Please use this identifier to cite or link to this item:https://hdl.handle.net/20.500.12259/107364
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorUžupytė, Rūta-
dc.contributor.authorZdanavičiūtė, Monika-
dc.date.accessioned2020-06-08T13:35:34Z-
dc.date.available2020-06-08T13:35:34Z-
dc.date.issued2020-06-19-
dc.identifier.urihttps://hdl.handle.net/20.500.12259/107364-
dc.description.abstractSiekiant 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.lt
dc.description.abstractFinancial 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.en
dc.description.sponsorshipInformatikos fakultetaslt
dc.description.sponsorshipMatematikos ir statistikos katedralt
dc.format.extent50 p.-
dc.language.isoltlt
dc.rightsETD darbas viešai neprieinamas / No access-
dc.subjectBankrotaslt
dc.subjectPrognozavimaslt
dc.subjectKlasifikavimo metodailt
dc.subjectBankruptcyen
dc.subjectPredictionen
dc.subjectClassification methodsen
dc.subject.otherMatematika / Mathematics (N001)-
dc.titleĮmonių bankroto prognozavimas taikant klasifikavimo metoduslt
dc.title.alternativeBankruptcy prediction using classification methodsen
dc.typebachelor thesis-
item.grantfulltextrestricted-
item.fulltextWith Fulltext-
crisitem.author.deptInformatikos fakultetas-
Appears in Collections:2020 m. (IF bak.)
Files in This Item:
monika_zdanaviciute_bd.pdf2.28 MBAdobe PDF   Restricted AccessView/Open
Show simple item record
Export via OAI-PMH Interface in XML Formats
Export to Other Non-XML Formats


CORE Recommender

Page view(s)

74
checked on May 1, 2021

Download(s)

50
checked on May 1, 2021

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.