| 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: |
|
| 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.
|
|
| Diese Seite taggen:
Diese
Icons führen auf so genannte Social-Bookmark-Systeme, auf denen Sie
Lesezeichen anlegen, persönliche Tags vergeben und Lesezeichen anderer Nutzer
ansehen können.
|
|
| 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.
|
  | | | | | | | | | | | | | | | | | | | May
11 | Jun
11 | 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 | Apr
13 |
| Monat | May
11 | Jun
11 | 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 | | Startseite | 11 | 4 | 6 | 2 | 2 | 6 | 3 | 8 | 7 | 8 | 2 | 3 | 2 | 4 | 2 | 4 | 5 | 2 | | PDF | 26 | 41 | 11 | 17 | 13 | 21 | 19 | 31 | 23 | 29 | 9 | 24 | 20 | 9 | 18 | 54 | 35 | 23 |
Gesamtzahl der Zugriffe seit May 2011: - Startseite – 81 (4.26 pro Monat)
- PDF – 423 (22.26 pro Monat)
|
