Predikce bankrotu firem s využitím machine learning

Adam Racl

Master's thesis

Company bankruptcy prediction with machine learning

Abstract:

Využití metod strojového učení při vytváření spolehlivých modelů pro předpovídání úpadku podniků je zásadní v dnešním náročném ekonomickém prostředí. Výzkum, zaměřený na data ze zdravotnického průmyslu, ukázal, že složitější metody strojového učení jsou pro predikci úpadku vhodné. Komplexní algoritmy přinášejí lepší výsledky v dynamickém, vícefaktorovém prostředí finančního modelování. Metody gradient boosting a náhodný les předčily tradiční modely Altmanova Z-skóre a Ohlsonova O-skóre. Model gradient boosting se vyznačuje nejvyššími hodnotami klíčových metrik jako jsou přesnost, úplnost a F1 skóre, čímž efektivně rozlišuje mezi solventními a nesolventními společnostmi. Výsledky naznačují, že finanční zdraví firmy je ovlivněno klíčovými faktory jako likvidita, efektivita a struktura kapitálu.

Abstract:

The use of machine learning methods to create reliable models for predicting business failure is essential in today's challenging economic environment. Research focusing on data from the healthcare industry has shown that more complex machine learning methods are suitable for bankruptcy prediction. Complex algorithms provide better results in a dynamic, multi-factor financial modeling environment. Gradient boosting and random forest methods outperformed traditional Altman Z-score and Ohlson O-score models. The gradient boosting model features the highest values for key metrics such as accuracy, completeness and F1 score, effectively distinguishing between solvent and insolvent companies. The results suggest that a firm's financial health is affected by key factors such as liquidity, efficiency and capital structure.

Keywords

Strojové učení, Python, finanční analýza, bankrotní model, CRISP-DM

Keywords

financial analysis, CRISP-DM, Machine Learning, bankruptcy prediction, Python

Language used: Czech

Date on which the thesis was submitted / produced: 7. 1. 2024

Thesis defence

• Date of defence: 29. 1. 2024
• Supervisor: Van Quang Tran
• Reader: Milan Fičura

Vysoká škola ekonomická v Praze

Master programme:
Finance