edoc-Server der Humboldt-Universität zu Berlin

Masterarbeit

Autor(en): Ceren Önder
Titel: Bankruptcy prediction with support vector machines – an application for German companies
Gutachter: Wolfgang Härdle; Linda Hoffmann
Erscheinungsdatum: 30.09.2010
Volltext: pdf (urn:nbn:de:kobv:11-100179560)
Fachgebiet(e): Statistik ; Wirtschaft
Schlagwörter (ger): Finanziellen Kennzahlen, Insolvenzhervorsagen, Support Vektor Machines, Logistische Regression
Schlagwörter (eng): Financial Ratio, Default Probability Prediction, Support Vector Machines, Logistic Regression
Einrichtung: Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät
Lizenz: Namensnennung - Keine kommerzielle Nutzung - Weitergabe unter gleichen Bedingungen (CC BY NC SA)
Zitationshinweis: Önder, Ceren: Bankruptcy prediction with support vector machines – an application for German companies; Masterarbeit, Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät , publiziert am 30.09.2010, urn:nbn:de:kobv:11-100179560
Metadatenexport: Um den gesamten Metadatensatz im Endnote- oder Bibtex-Format zu speichern, klicken Sie bitte auf den entsprechenden Link. Endnote   Bibtex  
print on demand: Wenn Sie auf dieses Icon klicken, können Sie ein Druckexemplar dieser Publikation bestellen.

Abstract (ger):
Diese Arbeit untersucht die Anwendung von Support Vektor Machines (SVMs) zur Vorhersage der Insolvenz von deutschen Unternehmen. Die Vorhersage basiert auf 24 finanziellen Kennzahlen, die in vier Kategorien unterteilt sind: Profitabilität, Fremdfinanzierung, Liquidität und Aktivität. SVMs ,eine der effizientesten geordneten Lernmethoden, können zur Klassifikation oder zur Regression dienen. In unserem Fall, werden wir SVMs als Klassifikator benutzen, um solvente und insolvente Unternehmen zu diskriminieren. Um das geeignetste Model, das aus den aussagekräftigsten finanziellen Kennzahlen zusammengesetzt ist, auszuwählen, werden sowohl vorwärts, als auch ruckwärts schrittweise Selektionstechniken verwendet, und die hergeleiteten Resultate werden durch ihre Genauigkeitsquote. Des Weiteren nutzen wir die gleichen finanziellen Kennzahlen, um die Insolvenzwahrscheinlichkeit der Unternehmen mit einer logistischen Regression vorherzusagen. Die Wahl des Regressionsmodels basiert auf Akaikes Informationskriterium. Die jeweils besten Resultate der SVM und des logistischen Models werden anhand der Lorenzkurve verglichen, um herauszufinden, welches Model erfolgreicher darin ist, wesentliche Informationen für Insolvenzhervorsagen aus den finanziellen Kennzahlen zu ziehen. Die Resultate des SVM-Models übertreffen diejenigen der logistischen Regression.
Abstract (eng):
This work investigates the application of support vector machines (SVMs) for prediction of German companies'' failure that is based on 24 financial ratios being grouped into four categories, namely profitability, leverage, liquidity and activity. SVMs, one of the efficient supervised learning methods, can be applied to classification or regression. In our framework, we will use SVMs as a classifier to discriminate solvent and insolvent companies. To select the appropriate model composed of the most powerful financial ratios in classification both forward and backward stepwise selection techniques are utilized and the derived results are compared through their accuracy ratios. Furthermore, with the use of the same financial ratio data we predict companies'' probability of default via logistic regression. The selection of the regression model is based on Akaike''s information criterion. Then, the best established results of the SVM and logistic models are assessed via their Lorenz curves to figure out which model is more successful method to extract useful information from financial ratios for default prediction. The results release that the SVM model outperforms logistic regression.
Zugriffsstatistik: Die Daten für die Zugriffsstatistik der einzelnen Dokumente wurden aus den durch AWStats aggregierten Webserver-Logs erstellt. Sie beziehen sich auf den monatlichen Zugriff auf den Volltext sowie auf die Startseite. Die Zugriffsstatistik wird nicht standardisiert erfasst und kann maschinelle Zugriffe enthalten.
 
Bei Formatversionen eines Dokuments, die aus mehreren Dateien bestehen (insbesondere HTML), wird jeweils der monatlich höchste Zugriffswert auf eine der Dateien (Kapitel) des Dokuments angezeigt.
 
Um die detaillierten Zugriffszahlen zu sehen, fahren Sie bitte mit dem Mauszeiger über die einzelnen Balken des Diagramms.
Startseite: 6 Zugriffe PDF: 11 Zugriffe Startseite: 2 Zugriffe PDF: 17 Zugriffe Startseite: 2 Zugriffe PDF: 13 Zugriffe Startseite: 6 Zugriffe PDF: 21 Zugriffe Startseite: 3 Zugriffe PDF: 19 Zugriffe Startseite: 8 Zugriffe PDF: 31 Zugriffe Startseite: 7 Zugriffe PDF: 23 Zugriffe Startseite: 8 Zugriffe PDF: 29 Zugriffe Startseite: 2 Zugriffe PDF: 9 Zugriffe Startseite: 3 Zugriffe PDF: 24 Zugriffe Startseite: 2 Zugriffe PDF: 20 Zugriffe Startseite: 4 Zugriffe PDF: 9 Zugriffe Startseite: 2 Zugriffe PDF: 18 Zugriffe Startseite: 4 Zugriffe PDF: 54 Zugriffe Startseite: 5 Zugriffe PDF: 35 Zugriffe Startseite: 2 Zugriffe PDF: 23 Zugriffe Startseite: 4 Zugriffe PDF: 28 Zugriffe Startseite: 2 Zugriffe PDF: 37 Zugriffe Startseite: 3 Zugriffe PDF: 38 Zugriffe Startseite: 3 Zugriffe PDF: 43 Zugriffe Startseite: 1 Zugriffe PDF: 42 Zugriffe Startseite: 1 Zugriffe PDF: 25 Zugriffe Startseite: 2 Zugriffe PDF: 32 Zugriffe PDF: 19 Zugriffe Startseite: 1 Zugriffe PDF: 21 Zugriffe Startseite: 4 Zugriffe PDF: 51 Zugriffe Startseite: 1 Zugriffe PDF: 30 Zugriffe PDF: 23 Zugriffe Startseite: 2 Zugriffe PDF: 57 Zugriffe PDF: 46 Zugriffe Startseite: 1 Zugriffe PDF: 27 Zugriffe Startseite: 1 Zugriffe PDF: 39 Zugriffe Startseite: 2 Zugriffe PDF: 48 Zugriffe Startseite: 1 Zugriffe PDF: 50 Zugriffe Startseite: 3 Zugriffe PDF: 34 Zugriffe Startseite: 3 Zugriffe PDF: 67 Zugriffe PDF: 39 Zugriffe Startseite: 2 Zugriffe PDF: 70 Zugriffe
Jul
11
Aug
11
Sep
11
Oct
11
Nov
11
Dec
11
Jan
12
Feb
12
Apr
12
May
12
Jun
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Apr
14
May
14
Jun
14
Jul
14
Aug
14
Sep
14
Oct
14
Monat Jul
11
Aug
11
Sep
11
Oct
11
Nov
11
Dec
11
Jan
12
Feb
12
Apr
12
May
12
Jun
12
Aug
12
Sep
12
Oct
12
Nov
12
Dec
12
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Apr
14
May
14
Jun
14
Jul
14
Aug
14
Sep
14
Oct
14
Startseite 6 2 2 6 3 8 7 8 2 3 2 4 2 4 5 2 4 2 3 3 1 1 2   1 4 1   2   1 1 2 1 3 3   2
PDF 11 17 13 21 19 31 23 29 9 24 20 9 18 54 35 23 28 37 38 43 42 25 32 19 21 51 30 23 57 46 27 39 48 50 34 67 39 70

Gesamtzahl der Zugriffe seit Jul 2011:

  • Startseite – 103 (2.71 pro Monat)
  • PDF – 1222 (32.16 pro Monat)
 
 
Generiert am 27.11.2014, 15:27:04