MASARYKOVA UNIVERZITA E K O N O M I C K O - S P R Á V N Í F A K U L T A Moderní metody vyhodnocování kreditního rizika Diplomová práce T O B I Á Š I V Á N E K Vedoucí práce: Ing. Dagmar Vágnerová Linnertová, Ph.D. Katedra financí Program Finance Brno 2025 IUI Ul\l I ECON MODERNÍ METODY VYHODNOCOVÁNÍ KREDITNÍHO RIZIKA MUNI ECON yasmiTiouii U H I U E H Z I T * E I D I D U i r i n - s p R r i u i i F Í I U L T Í LiPDUd t m , E D S na BEIID It. ••?1 E ? ? ^ • 1 C C I E D E 1 E E E 4 Z A D Á N Í D I P L O M O V É P R Á C E Akademický rok: 2 0 í i 2 0 í ; Shidertl: Bc. Tobias hínek ^rutjran-: Finance Specializace: Finaníníimy. nsr. [jce a ksdwnlDgie N.IJi.-. PI,-.Li' McderniinťĽ.jy iryhodnoeo Model přidal proměnnou: ROA (p=0.00) -> Model přidal proměnnou: Logaritmus celkových aktiv (p=0.000055) -> Model přidal proměnnou: Nerozdělený zisk/Celková aktiva (p=0.014786) -> Model přidal proměnnou: Čistý pracovní kapitál/Celková aktiva (p=0.076225) -> Model přidal proměnnou: Current ratio (p=0.067134) -> Model přidal proměnnou: Quickratio (p=0.060127) Model přidal proměnnou: Obrat aktiv (p=0.045351) Konec algoritmu Algoritmus tedy použil jen přidávání proměnných, přičemž žádnou proměnnou na základě p-hodnot neodebral. Níže je tedy přehledný seznam proměnných ve finálním modelu: 97 VÝSLEDKY 9 8 Proměnná p-hodnota při vstupu do modelu Zadluženost 0.00000 Rentabilita aktiv 0.00000 Logaritmus Celkových aktiv 0.00005 Nerozdělený zisk/ Celková aktiva 0.01478 Čistý pracovní kapitál/Celková aktiva 0.07622 Current ratio 0.06713 Quickratio 0.06012 Obrat aktiv 0.045351 Tabulka 5: Finální proměnné v modelu s eliminací proměnných, Zdroj: Vlastní zpracování Přesnost tohoto modelu byla 79,07 %. Hodnota metriky Recall pro tento model byla slušných 82,86 %, což je v kontextu predikce bankrotu s takovýmto časovým rámcem velmi slušná hodnota. Precision byl u tohoto modelu roven 41,63 %. Níže bude prezentována matice záměn, která definuje výsledky tohoto modelu přehledně v absolutních číslech: Předpověď Nebankrotující Bankrotující Skutečnost Nebankrotující Bankrotující 442 122 18 87 Tabulka 6: Matice záměn forward-backward elimination, Zdroj: Vlastní zpraco­ vání Tento model byl schopný správně predikovat 87 ze 105 případů, kdy společnost zbankrotovala, a 442 z 564, kdy byla společnost schopná dostát svým závazkům. 98 VÝSLEDKY Z matice záměn můžeme pozorovat trade-off mezi úspěšností u zbankrotovaných a nezbankrotovaných společností, spojený s vysokou disbalancí tříd v datovém vzorku a vysokým časovým odstupem predikované události. Pro účely modelu je však spíše vhodnější lepší schopnost předpovědět bankrot na úkor přesnosti u finančně zdravých společ­ ností. Precision-Recall křivka pro Forw-backw eli Logit 0 3 PR krivka Forwbackw eli logitíAUC = 0.632) Baseline = 0.16 itíAUC = 0.632) 0.0 0.2 0.4 0.6 0.8 1.0 Recall Obrázek 3: PR křivka forward-beckward elimination, Zdroj: Vlastní zpracování v programovacím jazyce Python Z grafu PR křivky a hodnoty velikosti plochy pod křivkou můžeme vidět, že je opět model vzhledem k časovému rámci velice solidní, a dokonce se přehoupla přes hodnotu 0.63 9 9 VÝSLEDKY 100 6.2.4 LASSO - logCV (alpha se sama optimalizuje) Model penalizované logistické regrese LASSO se ukázal jako nejefektivnější v predikci bankrotu, kdy dosáhl recallu 83,81 %, což jinými slovy znamená, že byl schopen s tříletým předstihem predikovat téměř 84 % všech společností, které v tomto časovém horizontu zbankrotují. Celková přesnost modelu byla 79,22 % a model dosáhnul hodnoty precision 41,9 %. Algoritmus modelu žádnou z vysvětlujících proměnných nevyřadil, tzn. všechny mají nenulové koeficienty, a jen upravil váhy jednotlivých koeficientů tak, aby měly největší slovo ty, které byly považovány za nej užitečnější. Níže se podíváme na matici záměn predikce modelu penalizované logistické regrese: Předpověď Nebankrotující Bankrotující Skutečnost Nebankrotující Bankrotující 4 4 2 1 2 2 1 7 8 8 Tabulka 7: Matice záměn LASSO logit, Zdroj: Vlastní zpracování 100 VÝSLEDKY Z matice můžeme vidět, že tento model dosáhnul velmi podobných výsledku jako model, který proměnné vyřazoval podle p-hodnot, kdy dosáhnul stejné úspěšnosti u predikce nebankrotujících společností, avšak dokázal predikovat správně o jednu bankrotující společnost více. Model tedy správně predikoval 88 ze 105 zbankrotovaných společností a 442 z 564 nezbankrotovaných společností. PR křivka pro model LASSO logit 0.0 J — i 1 , , , (- 0.0 0.2 0.4 0.6 0.8 1.0 Falše Positive Rate Obrázek 4: PR Křivka LASSO logit, Zdroj: Vlastní zpracování v programovacím jazyce Python Také PR křivka ukazuje, že je model kvalitnější, kdy hodnota velikosti plochy pod křivkou dosáhla 0,635 a je tedy o 0,475 vyšší než baseline - model, který by predikce vybíral náhodně. 6.2.5 Logit 101 VÝSLEDKY 102 Model obyčejné logistické regrese dosáhl lepších výsledků, než modely stromového typu a vykázal velmi slušnou schopnost predikovat bankrot společností, avšak nedosáhl na úroveň ostatních modelů logistické re­ grese. Přesnost tohoto modelu činila 79,07 %, přičemž Recall u tohoto modelu dosáhnul solidní hodnoty 81,90 %. Precision se zde rovnal 41,55 %. Tyto hodnoty na první pohled nevypadají až tak oslnivě, avšak je opět nutno připomenout, že při zohlednění časového rámce se jedná o solidní hodnoty. Níže si na matici záměn ukážeme, jak model rozřadil pozorování do kategorií: Předpověď Nebankrotující Bankrotující Nebankrotující 443 121 Skutečnost Bankrotující 19 86 Tabulka 8: Matice záměn pro model Logit, Zdroj: Vlastní zpracování 102 VÝSLEDKY Model byl schopný předpovědět správně 86 ze 105 bankrotujících společností a 443 z 564 nezbankrotovaných společností. Oproti modelům stromového typu tak narostla schopnost předpovídat bankrot, avšak za cenu slabší prediktivní schopnosti u nebankrotujících společností. 1.0 u Precision-Recall křivka pro Logit PR krivka LogitfAUC = 0.629} Baseline = 0.16 0.4 0.6 Recall r 1.0 Obrázek 5: PR křivka Logit, Zdroj: Vlastní zpracování v programovacím jazyce Python Z PR křivky můžeme vidět, že kvalita modelu je vyšší než ta modelů založených na rozhodovacích stromech. V porovnání s ostatními modely založenými na logistické regresi je však tento model mírně slabší. 103 VÝSLEDKY 104 6.3 Výsledná celková evaluace modelů a porovnání Z výsledků je evidentní, že modely nejsou schopné sloužit jako jednoznačný element rozhodující o bonite subjektu a o udělení či zamítnutí úvěru či jiného způsobu vstupu do obchodního vztahu. To by však ani vzhledem k časovému rámci nebylo možné požadovat. Není možné s tříletým předstihem jen na základě tvrdých dat dokonale předpovědět, zda zkoumaný subjekt zbankrotuje, či bude schopný dostát svým závazkům. Pro takovou evaluaci je nutno vzít v potaz mnoho dalších faktorů, jako je ekonomické prostředí, business plán (případně plán restrukturalizace), vývoj podniku v čase a další podobné prvky. Modely vytvořené v rámci práce však mohou posloužit, vzhledem ke své poměrně vysoké hodnotě Recall, jako jedna z prvních úrovní tzv. Early warning systému, který je v bankách a podobných institucích používán k předběžnému vymezení subjektů, u kterých hrozí bankrot, neschopnost splácet, nebo jiná negativní událost. Z dat a výsledků je evidentní, že modely byly schopné navýšit svou schopnost predikovat bankrot jen za cenu určitého trade-off s poklesem úspěšnosti predikce nebankrotujících společností. Byly by tedy vhodné pro vytvoření prvotní skupiny podniků, které se podle modelů jeví jako bankrotující, ty by pak měly být vyhodnocovány pomocí dalších metod, ukazatelů a technik tak, aby byly skutečně definovány jako bankrotující jen společnosti, které k tomuto stavu směřují. Z natrénovaných modelů se jako nejkvalitnější jevil model penalizované logistické regrese, který dosáhnul nejvyššího recallu a také nejvyšší hodnoty velikosti plochy pod křivkou PR. Obecně se také dá říct, že modely založené na logistické regresi se v tomto prostředí s tímto datasetem jevily jako účinnější, kdy všechny modely logistické regrese předčily oba modely stromového typu jak v metrice Recall, tak v metrice velikosti plochy pod křivkou PR. Níže je přiložena tabulka s metrikami pro přehlednější porovnání modelů: 104 VÝSLEDKY Model Metrika Accuracy Recall Precision A U C Decision tree 0.82286 0.75714 0.46086 0.48 Random forest 0.80568 0.8 0.43523 0.608 Logit 0.79073 0.81904 0.41545 0.629 Forw-backw logit 0.79073 0.82857 0.41626 0.632 LASSO Logit 0.79222 0.83809 0.41904 0.635 Tabulka 9: Porovnání všech modelů, Zdroj: Vlastní zpracování Překvapivým výsledkem oproti očekáváním na základě rozboru odborné literatury byla významná ztráta modelů stromových typů. Tyto modely se často v odborné literatuře umísťují na předních příčkách co se efektivity týče. Je však nutno podotknout, že v textech odborné literatury jsou takovéto modely často modifikovány do různých ensemble metod, nebo je jejich výkonnost posílena speciálními algoritmy. Důvodem by také mohlo být to, že byly pro tuto diplomovou práci zvoleny klasifikační stromové modely. Nedostatky modelů a možné vylepšení do budoucna Za nedostatek všech modelů se dá považovat to, že pracovaly jen s účetními daty, tzn. nebylo bráno v potaz například socioekonomické a politické prostředí, makroekonomická situace, nebo faktory kvalitativního typu, jako je odvětví, kvalita byznys plánu a tak dále. Je to však pochopitelné vzhledem k časovému horizontu, kdy takovéto ukazatele nemusí mít vždy až tak zásadní roli při determinaci finančního zdraví společnosti v delších časových horizontech, jelikož mohou být poměrně citlivé na celkové dění ve světě a v průběhu periody mezi okamžikem, který chceme predikovat a okamžikem predikce se mohou výrazně měnit. Pro posouzení schopnosti dostát svým závazkům by tak bylo vhodné ještě společnosti vystoupivší z modelů posoudit z pohledu jejich citlivosti na makroekonomický vývoj, socioekonomické a politické prostředí a vyhodnotit smysl jejich účelu fungování a potenciál jejich směřování do bu­ doucna. Dalším nedostatkem spojeným s používáním účetních dat je jejich statický charakter, kdy se jedná o průřezová data k jednomu dni, která 105 VÝSLEDKY 106 nemusí maximálně věrohodně zachycovat vývoj ve společnosti. Pokud by tedy měly být výsledky modelů dále používány pro vyhodnocení kreditního rizika, bylo by vhodné u společností sledovat také vývoj v čase. Modely by se jednoznačně daly vylepšit lepší filtrací datového vzorku a pečlivější kontrolou společností, které do dat vstupují. K přípravě diplomové práce bohužel není dostatek času pro posuzování finančního zdraví každé společnosti individuálně a je tak možné, že se v datasetu vyskytuje také minoritní část společností, které jsou klasifikovány jako finančně zdravé, protože v požadovaném horizontu nevykázaly neschopnost splácet nebo bankrot, ale mohou být na hraně této schopnosti, a tak můžou pro modely vysílat nepřesné signály o některých ukazatelích. Pro plnohodnotný vývoj modelu vhodného pro použití v praxi by bylo vhodné alespoň stručně posoudit finanční zdraví každé společnosti vstupující do modelu ručně tak, aby bylo opravdu zajištěno, že všechny modely s jistotou patří do své kategorie. 106 ZÁVĚR 7 Závěr V této práci byla představena problematika řízení kreditního rizika v kontextu prostředí, metodiky, regulací a z pohledu odborné literatury. V první části práce bylo kreditní riziko představeno v rámci systému řízení rizik ve finanční instituci a uvedeny některá doporučení pro kvalitní systém řízení kreditního rizika. V druhé části práce pak bylo představeno regulační prostředí v oblasti bankovnictví, modelování kreditního rizika a doporučení pro práci s moderními metodami modelování kreditního rizika. Ve třetí části této práce byly představeny metody modelování kreditního rizika v kontextu odborné literatury, přičemž byla také na základě literatury porovnána jejich očekávaná efektivita. Cílem práce bylo na základě analýzy teoretické a odborné literatury zvolit vhodné metody, vytvořit model úvěruschopnosti a vyhodnotit jeho efektivitu. Ve finální části práce byly vytvořeny modely podle pěti metod v praxi používaných k evaluaci kreditního rizika protistrany. Tyto modely byly porovnány na základě vhodných metrik a byl vybrán jeden, který ostatní převyšoval. V závěrečné diskusi pak byly k těmto modelům prezentovány možné důvody nedostatků a doporučení pro budoucí práci. Z metrik vypovídajících o sestavených modelech vyplývá, že modely mohou být solidní v upozorňování s dostatečným předstihem tří let na potenciálně bankrotující společnosti, díky vysoké hodnotě Recall. Tyto modely však nejsou vhodné pro finální porovnávání úvěruschopnosti a jsou použitelné jen jako komplementární k dalším metodám a lidskému úsudku. Na základě syntézy všech poznatků dosažených v rámci této diplomové práce lze konstatovat, že řízení kreditního rizika, včetně modelování bankrotu, představuje komplexní oblast, která vyžaduje pečlivý a systematický přístup. Efektivní řízení kreditního rizika spočívá nejen v optimalizaci interních procesů, ale také v zajištění souladu s platnými regulacemi a požadavky dohledových institucí. 107 ZÁVĚR 108 Použité zdroje 1. ELHOSENY, Mohamed; METAWA, Noura; SZTANO, Gabor a IBRAHIM M. EL-HASNONY. Deep Learning-Based Model for Financial Distress Prediction. Online. Annals of Operations Research. 2022, vol. 345, no. 2-3, s. 885-907. ISSN 0254-5330. Dostupne z: https://doi.org/10.1007/sl0479-022-04766-5. [cit. 2025-12-13]. 2. LI, Yueqin; MAHJOUBFAR, Ata; CLAIRE LIFAN CHEN; KAYVAN REZA NIAZI; PEI, Li etal. Deep Cytometry: Deep learning with Realtime Inference in Cell Sorting and Flow Cytometry. Online. Scientific Reports. 2019, vol. 9, no. 1, s. 11088-11088. ISSN 2045-2322. Dostupne z: https://doi.org/10.1038/s41598-019-47193-6. [cit. 2025-12-13]. 3. BARBOZA, Flavio; KIMURA, Herbert a EDWARD I. ALTMAN. Machine learning models and bankruptcy prediction. Online. Expert Systems with Applications. 2017, vol. 83, s. 405-417. ISSN 0957- 4174. Dostupne z: https://doi.Org/10.1016/j.eswa.2017.04.006. [cit. 2025-12-13]. 4. AAE'IAAE, ATTOCTTOAOC, a RIGANI, Anna. Machine learning techniques in bankruptcy prediction: A systematic literature review. Online. Expert Systems with Applications. 2024, vol. 255, s. 124761- 124761. ISSN 0957-4174. Dostupne z: https://doi.Org/10.1016/j.eswa.2024.124761. [cit. 2025-12-13]. 5. WILLIAM H. BEAVER. The Information Content of Annual Earnings Announcements. Online. Journal of Accounting Research. 1968, vol. 6, s. 67-67. ISSN 0021-8456. Dostupne z: https://doi.org/10.2307/2490070. [cit. 2025-12-13]. 6. EDWARD I. ALTMAN. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Online. The Journal of Finance. 1968, vol. 23, no. 4, s. 589-589. ISSN 0022-1082. Dostupne z: https://doi.org/10.2307/2978933. [cit. 2025-12-13]. 7. BRO, Rasmus a AGE K. SMILDE. Principal component analysis. Online. Analytical Methods. 2014, vol. 6, no. 9, s. 2812-2831. ISSN 108 ZÁVĚR 1759-9660. Dostupné z: https://doi.org/10.1039/c3ay41907j. [cit. 2025-12-13]. 8. LOHMANN, Christian; MÖLLENHOFF, Steffen a OHLIGER, Thorsten. Nonlinear relationships in bankruptcy prediction and their effect on the profitability of bankruptcy prediction models. Online. Journal of Business Economics. 2022, vol. 93, no. 9, s. 1661- 1690. ISSN 0044-2372. Dostupné z: https://doi.org/10.1007/sll573-022-01130-8. [cit. 2025-12- 13]. 9. IPARRAGUIRRE-VILLANUEVA, Orlando a CABANILLAS-CARBONELL, Michael. Predicting business bankruptcy: A comparative analysis with machine learning models. Online. Journal of Open Innovation Technology Market and Complexity. 2024, vol. 10, no. 3, s. 100375-100375. ISSN 2199-8531. Dostupné z: https://doi.Org/10.1016/j.joitmc.2024.100375. [cit. 2025-12- 13]. 10. RÖNNQVIST, Samuel a SARLIN, Peter. Bank distress in the news: Describing events through deep learning. Online. ArXiv (Cornell University). 2016. Dostupné z: https://doi.org/10.48550/arxiv.1603.05670. [cit. 2025-12-14]. 11. LAHMIRI, Salim a BEKIROS, Stelios. Can machine learning approaches predict corporate bankruptcy? Evidence from a qualitative experimental design. Online. Quantitative Finance. 2019, vol. 19, no. 9, s. 1569-1577. ISSN 1469-7688. Dostupné z: https://doi.org/10.1080/14697688.2019.1588468. [cit. 2025- 12-14]. 12. HOSAKA, Tadaaki. Bankruptcy prediction using imaged financial ratios and convolutional neural networks. Online. Expert Systems with Applications. 2018, vol. 117, s. 287-299. ISSN 0957- 4174. Dostupné z: https://doi.Org/10.1016/i.eswa.2018.09.039. [cit. 2025-12-14]. 13. GISSEL, J. A Review of Bankruptcy Prediction Studies: 1930-Present, Gissel, Don Giacomino, Michael D. Akers. Journal of Financial Education, 33 (2007), 1-42. Autor tohoto dokumentu, Jodi L. Gissel, v době publikace zveřejnil(a) článek pod jménem Jodi L. Bellovary. 14. PARK, Hyeoun-Ae. An Introduction to Logistic Regression: From Basic Concepts to Interpretation with Particular Attention to Nursing Domain. Online. Journal of Korean Academy of Nursing. 109 ZÁVĚR 110 2013, vol. 43, no. 2, s. 154-154. ISSN 2005-3673. Dostupne z: https://doi.Org/10.4040/ikan.2013.43.2.154. [cit. 2025-12-14]. 15. J. R. QUINLAN. Induction of decision trees. Online. Machine Learning. 1986, vol. 1, no. 1, s. 81-106. ISSN 0885-6125. Dostupne z: https://doi.org/10.1007/bf00116251. [cit. 2025-12-14]. 16. CHEN, Xiang; WANG, Minghui a ZHANG, Heping. The use of classification trees for bioinformatics. Online. Wiley Interdisciplinary Reviews Data Mining and Knowledge Discovery. 2011, vol. 1, no. 1, s. 55-63. ISSN 1942-4787. Dostupne z: https://doi.org/10.1002/widm.14. [cit. 2025-12-14]. 17. ROKACH, Lior a MAIMON, Oded. Classification Trees. Online. In: . 2009, s. 149-174. Dostupne z: https://doi.org/10.1007/978-0-387-09823-4 9. [cit. 2025-12- 14]. 18. BREIMAN, Leo. Random Forests. Online. Machine Learning. 2001, vol. 45, no. 1, s. 5-32. ISSN 0885-6125. Dostupne z: https://doi.Org/10.1023/a:1010933404324. [cit. 2025-12-14]. 19. AMIT, Yali a GEMAN, Donald. Shape Quantization and Recognition with Randomized Trees. Online. Neural Computation. 1997, vol. 9, no. 7, s. 1545-1588. ISSN 0899-7667. Dostupne z: https://doi.Org/10.1162/neco.1997.9.7.1545. [cit. 2025-12-14]. 20. PARMAR, Aakash; KATARIYA, Rakesh a PATEL, Vatsal. A Review on Random Forest: An Ensemble Classifier. Online. Lecture notes on data engineering and communications technologies. 2018, s. 758-763. ISSN 2367-4512. Dostupne z: https://doi.org/10.1007/978-3-030-03146-6 86. [cit. 2025-12- 14]. 21. ALAKA, Hafiz; LUKUMON 0. OYEDELE; HAKEEM A. OWOLABI; KUMAR, Vikas; AJAYI, Saheed et al. Systematic review of bankruptcy prediction models: Towards a framework for tool selection. Online. Expert Systems with Applications. 2017, vol. 94, s. 164-184. ISSN 0957-4174. Dostupne z: https://doi.Org/10.1016/j.eswa.2017.10.040. [cit. 2025-12-14]. 22. S. M. Sadatrasoul, M.R. Gholamian, M. Siami, Z. Hajimohammadi, Credit scoring in banks and financial institutions via data mining techniques: A literature review, Journal of AI and Data Mining 110 ZÁVĚR 2013, vol. 1, č.2, s. 119-129., dostupné z: https://doi.org/10.22044/jadm.2013.124 23. Bank for International Settlements (2010) Basel III: A global regulatory framework for more resilient banks and banking systems. Basel: BIS 24. European Union (2013) Regulation (EU) No 575/2013 of the European Parliament and of the Council of 26 June 2013 on prudential requirements for credit institutions and investment firms. Official Journal of the European Union, L 176 25. International Accounting Standards Board (IASB) (2023) International Financial Reporting Standards (IFRS). London: IFRS Foundation 26. Ministerstvo financí České republiky (2023) České účetní standardy pro podnikatele. Praha: Ministerstvo financí ČR 27. Česká republika (1992) Zákon č. 21/1992 Sb., o bankách. Sbírka zákonů České republiky 28. European Banking Authority (2021) Machine learning for IRB models. Paris: EBA 29. European Banking Authority (2023) Follow-up report to the discussion paper on machine learning for IRB models. Paris: EBA 30. European Banking Authority (2020) Guidelines on loan origination and monitoring (EBA/GL/2020/06). Paris: EBA 31. European Union (2024) Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act). Official Journal of the European Union 32. European Central Bank (2019) Guide to internal models. Frankfurt am Main: ECB 33. Česká republika (2014) Vyhláška č. 163/2014 Sb., o výkonu činnosti bank, spořitelních a úvěrních družstev. Sbírka zákonů České republiky 34. Basel Committee on Banking Supervision (2024) Guidelines for counterparty credit risk management. Basel: Bank for International Settlements 35. KPMG (2024) Setting the ground rules: the EU AI Act. KPMG Insights, Květen 2024. Dostupné z: https://kpmg.com/xx/en/our-insights/ecb-office/setting-the- ground-rules-the-eu-ai-act.html 111 ZÁVĚR 112 36. European Parliament and Council of the European Union (2002) Nařízení Evropského parlamentu a Rady (ES) č. 1606/2002 ze dne 19. července 2002 o uplatňování mezinárodních účetních standardů. Úřední věstník Evropských společenství, L 243, s. 1-4 37. Ministerstvo financí České republiky (2002) Vyhláška č. 501/2002 Sb., kterou se provádějí některá ustanovení zákona č. 563/1991 Sb., o účetnictví, ve znění pozdějších předpisů, pro účetní jednotky, které jsou bankami a jinými finančními institucemi. Sbírka zákonů České republiky 38. European Parliament and Council of the European Union (2013) Směrnice Evropského parlamentu a Rady 2013/36/EUze dne 26. června 2013 o přístupu k činnosti úvěrových institucí a obezřetnostním dohledu nad úvěrovými institucemi a investičními podniky. Úřední věstník Evropské unie 39. SHI, Yin a LI, Xiaoni. An overview of bankruptcy prediction models for corporate firms: A Systematic literature review. Online. Intangible Capital. 2019, vol. 15, no. 2, s. 114-114. ISSN 1697- 9818. Dostupné z: https://doi.org/10.3926/ic.1354. [cit. 2025-12- 15]. 40. AZIZ, Saqib; DOWLING, Michael; HAMMAMI, Helmi a PIEPENBRINK, Anke. Machine learning in finance: A topic modeling approach. Online. European Financial Management. 2021, vol. 28, no. 3, s. 744-770. ISSN 1354-7798. Dostupné z: https://doi.org/10.llll/eufm.12326. [cit. 2025-12-15]. 112 ZÁVĚR Příloha A Seznam ukazatelů ze studie Bellovary et al (2007), vstupujících do modelu 113 ZÁVĚR 114 Ukazatel Počet studil, ve kterých se objevuje Čistý zisk / Celková aktiva 54 Běžná likvidita (current ratio) 51 Pracovní kapitál / Celková aktiva 45 Nerozdělený zisk / Celková aktiva 42 EBIT / Celková aktiva 35 Tržby / Celková aktiva 32 Pohotová likvidita (quick ratio) 30 Celkový dluh / Celková aktiva 27 Oběžná aktiva / Celková aktiva 26 23 Celkové závazky / Celková aktiva 19 Peněžní prostředky / Celková aktiva 18 Tržní hodnota vl. Kapitálu / dluh 16 Operační cash-flow / Celková aktiva 15 Operační cash-flow / Celkové závazky 14 Krátkodobé závazky / Celková aktiva 13 Operační cashflow / dluh 12 Likvidní aktiva / Celková aktiva 11 Oběžná aktiva / Tržby 10 EBIT / Nákladové úroky 10 Zásoby / Tržby 10 Provozní zisk / Celková aktiva 10 Provozní cash-flow / Tržby 9 114 ZÁVĚR Čistý zisk / Tržby 9 Dlouhodobé dluhy / Celková aktiva 8 Čisté jmění / Celková aktiva 8 Celkový dluh / Čisté jmění 8 Celkové závazky / Čisté jmění 8 Peněžní prostředky / Oběžná aktiva 7 Provozní cash-flow / 7 Krátkodobé závazky 7 Pracovní kapitál / Tržby 7 Kapitál / Aktiva 6 Čisté tržby / Celková aktiva 6 Čisté jmění / Celkové závazky 6 No-credit interval 6 Logaritmus celkových aktiv 6 Cash-flow / dluh 5 Provozní cash-flow 5 Provozní náklady / provozní zisk 5 Likvidní aktiva / Tržby 5 Tržby / Zásoby 5 Pracovní kapitál / Čisté jmění 5 115