Bankroto prognozavimas yra svarbus kreditų rizikos vertinimo uždavinys. Įmonių bankroto prognozavimui gali būti taikomi įvairūs modeliai, paremti statistiniais ir mašininio mokymo metodais, tačiau jų pritaikymas Lietuvos rinkai nėra aukštas. Šiame darbe pristatomas tyrimas, kurio metu buvo suformuluota nauja nemokumo sąvoka, kurios pagrindu buvo atlikti eksperimentai lyginantys: įvairius statistinius ir mašininio mokymo metodus, kintamųjų rinkinius (pradinis požymių rinkinys vs. koreliacija pagrįstas požymių atrinkimas) ir mokymo strategijas (modeliai apmokyti naudojant konkrečios veiklos srities ir visų veiklos sričių įmonių duomenis).
Bankruptcy prediction is an important task having a significant impact in credit risk management. Both statistical approaches and computational intelligence techniques have been proposed for corporate bankruptcies prediction, but their application in Lithuanian market is not straightforward and common. This thesis presents a new concept of corporate insolvency and a framework that evaluates several models, by comparing different algorithms (statistical and artificial intelligence models), feature selection (full feature set vs. correlation-based feature selection) and training strategies (training set consisting of companies from the same sector vs. companies from different sectors).