Financial Distress Prediction: Zmijewski (1984) vs. Data Mining

D 2020

Financial Distress Prediction: Zmijewski (1984) vs. Data Mining

ŠTĚRBA, Martin a Ladislav ŠIŠKA

Základní údaje

Originální název

Financial Distress Prediction: Zmijewski (1984) vs. Data Mining

Autoři

ŠTĚRBA, Martin a Ladislav ŠIŠKA

Vydání

Brno, Proceedings of the International Scientific Conference of Business Economics Management and Marketing 2019, od s. 200-208, 9 s. 2020

Nakladatel

Ekonomicko-správní fakulta MU

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

50204 Business and management

Stát vydavatele

Česká republika

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

elektronická verze "online"

Odkazy

URL

Označené pro přenos do RIV

Ano

Kód RIV

RIV/00216224:14560/20:00115274

Organizační jednotka

Ekonomicko-správní fakulta

ISBN

978-80-210-9565-6

Klíčová slova česky

finanční tíseň; úpadek; konkurz; dat mining; neuronové sítě

Klíčová slova anglicky

financial distress; data mining; neural networks; bankruptcy

Příznaky

Mezinárodní význam, Recenzováno

Změněno: 6. 3. 2021 10:51, Ing. Ladislav Šiška, Ph.D.

Anotace

V originále

The study re-estimates the Zmijewski's (1984) prediction model of financial distress with techniques offered by data miners. Namely logistic regression, neural network and decision tree models are applied to the training dataset consisting of approx. 130 thousand annual observations of financial ratios from non-financial companies residing in Czechia. Area under ROC curve (AUC) computed from similarly large independent testing set served as a measure of the predictive power of each alternative model. Our findings reveal the potential of neural networks to slightly, but statistically significantly increase the prediction power of the model. But this benefit goes in expense of complexity and lower interpretability of neural networks.

Návaznosti

MUNI/A/1156/2018, interní kód MU

Název: Komparace výkonnosti podniků s využitím nejen finančních dat (Akronym: KVPVND)

Investor: Masarykova univerzita, Komparace výkonnosti podniků s využitím nejen finančních dat, DO R. 2020_Kategorie A - Specifický výzkum - Studentské výzkumné projekty

Citovat

ŠTĚRBA, Martin a Ladislav ŠIŠKA. Financial Distress Prediction: Zmijewski (1984) vs. Data Mining. Online. In Ing. Petr Mikuš, Ph.D. Proceedings of the International Scientific Conference of Business Economics Management and Marketing 2019. Brno: Ekonomicko-správní fakulta MU, 2020, s. 200-208. ISBN 978-80-210-9565-6.

@inproceedings{1614657,
   author = {Štěrba, Martin and Šiška, Ladislav},
   address = {Brno},
   booktitle = {Proceedings of the International Scientific Conference of Business Economics Management and Marketing 2019},
   editor = {Ing. Petr Mikuš, Ph.D.},
   keywords = {financial distress; data mining; neural networks; bankruptcy},
   howpublished = {elektronická verze "online"},
   language = {eng},
   location = {Brno},
   isbn = {978-80-210-9565-6},
   pages = {200-208},
   publisher = {Ekonomicko-správní fakulta MU},
   title = {Financial Distress Prediction: Zmijewski (1984) vs. Data Mining},
   url = {https://webcentrum.muni.cz/media/3220002/sbornik-2019-105-converted.pdf},
   year = {2020}
}

TY  - CONF
ID  - 1614657
AU  - Štěrba, Martin - Šiška, Ladislav
PY  - 2020
TI  - Financial Distress Prediction: Zmijewski (1984) vs. Data Mining
PB  - Ekonomicko-správní fakulta MU
CY  - Brno
SN  - 9788021095656
KW  - financial distress
KW  - data mining
KW  - neural networks
KW  - bankruptcy
UR  - https://webcentrum.muni.cz/media/3220002/sbornik-2019-105-converted.pdf
L2  - https://webcentrum.muni.cz/media/3220002/sbornik-2019-105-converted.pdf
N2  - The study re-estimates the Zmijewski's (1984) prediction model of financial distress with techniques offered by data miners. Namely logistic regression, neural network and decision tree models are applied to the training dataset consisting of approx. 130 thousand annual observations of financial ratios from non-financial companies residing in Czechia. Area under ROC curve (AUC) computed from similarly large independent testing set served as a measure of the predictive power of each alternative model. Our findings reveal the potential of neural networks to slightly, but statistically significantly increase the prediction power of the model. But this benefit goes in expense of complexity and lower interpretability of neural networks.
ER  -

ŠTĚRBA, Martin a Ladislav ŠIŠKA. Financial Distress Prediction: Zmijewski (1984) vs. Data Mining. Online. In Ing. Petr Mikuš, Ph.D. \textit{Proceedings of the International Scientific Conference of Business Economics Management and Marketing 2019}. Brno: Ekonomicko-správní fakulta MU, 2020, s.~200-208. ISBN~978-80-210-9565-6.

Přehled o publikaci