Logo der Humboldt-Universität zu BerlinLogo der Humboldt-Universität zu Berlin
edoc-Server
Open-Access-Publikationsserver der Humboldt-Universität
de|en
Banner: Fassade der Humboldt-Universität zu Berlin
Publikation anzeigen 
  • edoc-Server Startseite
  • Schriftenreihen und Sammelbände
  • Fakultäten und Institute der HU
  • Wirtschaftswissenschaftliche Fakultät
  • Sonderforschungsbereich 649: Ökonomisches Risiko
  • Publikation anzeigen
  • edoc-Server Startseite
  • Schriftenreihen und Sammelbände
  • Fakultäten und Institute der HU
  • Wirtschaftswissenschaftliche Fakultät
  • Sonderforschungsbereich 649: Ökonomisches Risiko
  • Publikation anzeigen
JavaScript is disabled for your browser. Some features of this site may not work without it.
Gesamter edoc-ServerBereiche & SammlungenTitelAutorSchlagwortDiese SammlungTitelAutorSchlagwort
PublizierenEinloggenRegistrierenHilfe
StatistikNutzungsstatistik
Gesamter edoc-ServerBereiche & SammlungenTitelAutorSchlagwortDiese SammlungTitelAutorSchlagwort
PublizierenEinloggenRegistrierenHilfe
StatistikNutzungsstatistik
Publikation anzeigen 
  • edoc-Server Startseite
  • Schriftenreihen und Sammelbände
  • Fakultäten und Institute der HU
  • Wirtschaftswissenschaftliche Fakultät
  • Sonderforschungsbereich 649: Ökonomisches Risiko
  • Publikation anzeigen
  • edoc-Server Startseite
  • Schriftenreihen und Sammelbände
  • Fakultäten und Institute der HU
  • Wirtschaftswissenschaftliche Fakultät
  • Sonderforschungsbereich 649: Ökonomisches Risiko
  • Publikation anzeigen
2007-08-01Buch DOI: 10.18452/4063
Ein Vergleich des binären Logit-Modells mit künstlichen neuronalen Netzen zur Insolvenzprognose anhand relativer Bilanzkennzahlen
Franken, Ronald
Die Prognose der Insolvenzgefährdung von Unternehmen anhand statistischer Methodik war und ist eine bedeutende Aufgabe empirischer Forschung. Eine Möglichkeit der Beurteilung der finanziellen bzw. wirtschaftlichen Verfassung von Unternehmen stellt die sog. externe Bilanzanalyse anhand verschiedener relativer Kennzahlen(-systeme) dar, welche aus den veröffentlichten Jahresabschlüssen von Kapitalgesellschaften abgeleitet werden können. In der aktuellen Praxis der empirischen Insolvenz- und Risikoforschung ist nach wie vor die klassische parametrische Methode der binären logistischen Regression weit verbreitet. In der jüngeren Vergangenheit haben jedoch neue Methoden der statistischen Lerntheorie, die aus den Methoden des maschinellen Lernens hervorgegangen sind, zunehmend an Bedeutung erlangt. In der vorliegenden Arbeit wird ein künstliches neuronales Netz zur Insolvenzklassifikation anhand relativer Bilanzkennzahlen entwickelt und mit den Ergebnissen der logistischen Regressionsanalyse verglichen und evaluiert.
Dateien zu dieser Publikation
Thumbnail
44.pdf — PDF — 615.4 Kb
MD5: 7a09d1455fe56fc15a6709107f972ec8
Referenzen
Is Part Of Series: Sonderforschungsbereich 649: Ökonomisches Risiko - 44, SFB 649 Papers, ISSN:1860-5664
Zitieren
BibTeX
EndNote
RIS
Keine Lizenzangabe
Zur Langanzeige
ImpressumLeitlinienKontakt
Ein Service der Universitätsbibliothek und des Computer- und Medienservice
© Humboldt-Universität zu Berlin
 
DOI
10.18452/4063
Permanent URL
http://dx.doi.org/10.18452/4063
HTML
<a href="http://dx.doi.org/10.18452/4063">http://dx.doi.org/10.18452/4063</a>