Bankruptcy prediction using fuzzy methods

In this thesis, a classi cation problem in predicting credit worthiness of a customer is tackled. This is done by proposing a reliable classi cation procedure on a given data set. The aim of this thesis is to design a model that gives the best classi cation accuracy to e ectively predict bankruptcy. FRPCA techniques proposed by Yang and Wang have been preferred since they are tolerant to certain type of noise in the data. These include FRPCA1, FRPCA2 and FRPCA3 from which the best method is chosen. Two di erent approaches are used at the classi cation stage: Similarity classi er and FKNN classi er. Algorithms are tested with Australian credit card screening data set. Results obtained indicate a mean classi cation accuracy of 83.22% using FRPCA1 with similarity classi- er. The FKNN approach yields a mean classi cation accuracy of 85.93% when used with FRPCA2, making it a better method for the suitable choices of the number of nearest neighbors and fuzziness parameters. Details on the calibration of the fuzziness parameter and other parameters associated with the similarity classi er are discussed.

Using a Bayesian model for bankruptcy prediction : a comparative approach

The purpose of this study is to examine the impact of the choice of cut-off points, sampling procedures, and the business cycle on the accuracy of bankruptcy prediction models. Misclassification can result in erroneous predictions leading to prohibitive costs to firms, investors and the economy. To test the impact of the choice of cut-off points and sampling procedures, three bankruptcy prediction models are assessed- Bayesian, Hazard and Mixed Logit. A salient feature of the study is that the analysis includes both parametric and nonparametric bankruptcy prediction models. A sample of firms from Lynn M. LoPucki Bankruptcy Research Database in the U. S. was used to evaluate the relative performance of the three models. The choice of a cut-off point and sampling procedures were found to affect the rankings of the various models. In general, the results indicate that the empirical cut-off point estimated from the training sample resulted in the lowest misclassification costs for all three models. Although the Hazard and Mixed Logit models resulted in lower costs of misclassification in the randomly selected samples, the Mixed Logit model did not perform as well across varying business-cycles. In general, the Hazard model has the highest predictive power. However, the higher predictive power of the Bayesian model, when the ratio of the cost of Type I errors to the cost of Type II errors is high, is relatively consistent across all sampling methods. Such an advantage of the Bayesian model may make it more attractive in the current economic environment. This study extends recent research comparing the performance of bankruptcy prediction models by identifying under what conditions a model performs better. It also allays a range of user groups, including auditors, shareholders, employees, suppliers, rating agencies, and creditors' concerns with respect to assessing failure risk.

Neural Networks in Bankruptcy Prediction - A Comparative Study on the Basis of the First Hungarian Bankruptcy Model

The article attempts to answer the question whether or not the latest bankruptcy prediction techniques are more reliable than traditional mathematical–statistical ones in Hungary. Simulation experiments carried out on the database of the first Hungarian bankruptcy prediction model clearly prove that bankruptcy models built using artificial neural networks have higher classification accuracy than models created in the 1990s based on discriminant analysis and logistic regression analysis. The article presents the main results, analyses the reasons for the differences and presents constructive proposals concerning the further development of Hungarian bankruptcy prediction.

A comprehensive study of bankruptcy prediction: Accounting ratios, market variables, and microstructure

Bankruptcy prediction has been a fruitful area of research. Univariate analysis and discriminant analysis were the first methodologies used. While they perform relatively well at correctly classifying bankrupt and nonbankrupt firms, their predictive ability has come into question over time. Univariate analysis lacks the big picture that financial distress entails. Multivariate discriminant analysis requires stringent assumptions that are violated when dealing with accounting ratios and market variables. This has led to the use of more complex models such as neural networks. While the accuracy of the predictions has improved with the use of more technical models, there is still an important point missing. Accounting ratios are the usual discriminating variables used in bankruptcy prediction. However, accounting ratios are backward-looking variables. At best, they are a current snapshot of the firm. Market variables are forward-looking variables. They are determined by discounting future outcomes. Microstructure variables, such as the bid-ask spread, also contain important information. Insiders are privy to more information that the retail investor, so if any financial distress is looming, the insiders should know before the general public. Therefore, any model in bankruptcy prediction should include market and microstructure variables. That is the focus of this dissertation. The traditional models and the newer, more technical models were tested and compared to the previous literature by employing accounting ratios, market variables, and microstructure variables. Our findings suggest that the more technical models are preferable, and that a mix of accounting and market variables are best at correctly classifying and predicting bankrupt firms. Multi-layer perceptron appears to be the most accurate model following the results. The set of best discriminating variables includes price, standard deviation of price, the bid-ask spread, net income to sale, working capital to total assets, and current liabilities to total assets.

Comparative analysis between statistical and artificial intelligence models in business failure prediction

A growing number of predicting corporate failure models has emerged since 60s. Economic and social consequences of business failure can be dramatic, thus it is not surprise that the issue has been of growing interest in academic research as well as in business context. The main purpose of this study is to compare the predictive ability of five developed models based on three statistical techniques (Discriminant Analysis, Logit and Probit) and two models based on Artificial Intelligence (Neural Networks and Rough Sets). The five models were employed to a dataset of 420 non-bankrupt firms and 125 bankrupt firms belonging to the textile and clothing industry, over the period 2003–09. Results show that all the models performed well, with an overall correct classification level higher than 90%, and a type II error always less than 2%. The type I error increases as we move away from the year prior to failure. Our models contribute to the discussion of corporate financial distress causes. Moreover it can be used to assist decisions of creditors, investors and auditors. Additionally, this research can be of great contribution to devisers of national economic policies that aim to reduce industrial unemployment.

Comparative Analysis between Statistical and Artificial Intelligence Models in Business Failure Prediction

A growing number of predicting corporate failure models has emerged since 60s. Economic and social consequences of business failure can be dramatic, thus it is not surprise that the issue has been of growing interest in academic research as well as in business context. The main purpose of this study is to compare the predictive ability of five developed models based on three statistical techniques (Discriminant Analysis, Logit and Probit) and two models based on Artificial Intelligence (Neural Networks and Rough Sets). The five models were employed to a dataset of 420 non-bankrupt firms and 125 bankrupt firms belonging to the textile and clothing industry, over the period 2003–09. Results show that all the models performed well, with an overall correct classification level higher than 90%, and a type II error always less than 2%. The type I error increases as we move away from the year prior to failure. Our models contribute to the discussion of corporate financial distress causes. Moreover it can be used to assist decisions of creditors, investors and auditors. Additionally, this research can be of great contribution to devisers of national economic policies that aim to reduce industrial unemployment.

Predicting bankruptcy of Finnish limited liability companies from historical financial statements

This master’s thesis studies the probability of bankruptcy of Finnish limited liability companies as a part of credit risk assessment. The main idea of this thesis is to build and test bankruptcy prediction models for Finnish limited liability companies that can be utilized in credit decision making. The data used in this thesis consists of historical financial statements from 2112 Finnish limited liability companies, half of which have filed for bankruptcy. A total of four models are developed, two with logistic regression and two with multivariate discriminant analysis (MDA). The time horizon of the models varies from 1 to 2 years prior to the bankruptcy, and 14 different financial variables are used in the model formation. The results show that the prediction accuracy of the models ranges between 81.7% and 88.9%, and the best prediction accuracy is achieved with the one year prior the bankruptcy logistic regression model. However the difference between the best logistic model and the best MDA model is minimal. Overall based on the results of this thesis it can be concluded that predicting bankruptcy is possible to some extent, but naturally the results are not perfect.

Bankruptcy Situation Model in Small Business: The Case of Restaurant Firms

The purpose of this paper is to describe and discuss the current bankruptcy prediction models. This is done in the context of pros and cons of proposed models to determine the appropriate factors of failure phenomenon in cases involving restaurants that have filed for bankruptcy under Chapter 11. A sample of 11 restaurant companies that filed for bankruptcy between 1993 and 2003 were identified from the Form 8-K reported to the Securities and Exchange Commission (SEC). By applying financial ratios retrieved from the annual reports which contain, income statements, balance sheets, statements of cash flows, and statements of stockholders’ equity (or deficit) to the Atlman’s mode, Springate model, and Fulmer’s model. The study found that Atlman’s model for the non-manufacturing industry provided the most accurate bankruptcy predictions.

Survival Analysis Employed in Predicting Corporate Failure: A Forecasting Model Proposal

In face of the current economic and financial environment, predicting corporate bankruptcy is arguably a phenomenon of increasing interest to investors, creditors, borrowing firms, and governments alike. Within the strand of literature focused on bankruptcy forecasting we can find diverse types of research employing a wide variety of techniques, but only a few researchers have used survival analysis for the examination of this issue. We propose a model for the prediction of corporate bankruptcy based on survival analysis, a technique which stands on its own merits. In this research, the hazard rate is the probability of ‘‘bankruptcy’’ as of time t, conditional upon having survived until time t. Many hazard models are applied in a context where the running of time naturally affects the hazard rate. The model employed in this paper uses the time of survival or the hazard risk as dependent variable, considering the unsuccessful companies as censured observations.

Previsão da vulnerabilidade financeira no setor sem fins lucrativos

Dissertação de Mestrado em Ciências Económicas e Empresariais

Konkurssin ennustaminen ja makrotaloudelliset muuttujat: rakennusalan pk-yritykset

Tämän tutkimuksen tavoitteena on selvittää kannattaako makrotaloudellisia muuttujia käyttää tunnuslukujen lisäksi yrityksen konkurssin ennustamisessa. Perinteiset konkurssinennustamismallit hyödyntävät pelkästään tilinpäätöksestä saatavia tunnuslukuja eivätkä huomioi yrityksen toimintaympäristöä ja sen muutoksia. Aiemmissa tutkimuksissa makrotaloudellisilla muuttujilla on pystytty parantamaan perinteisiä ennustamismalleja. Tutkimus toteutetaan luomalla kolme erilaista konkurssinennustamismallia logistista regressioanalyysiä hyödyntäen ja vertailemalla niiden paremmuutta. Tutkimustulokset osoittavat, että rakennusalan pk-yritysten konkursseja pystytään ennustamaan kolmen tunnusluvun mallilla. Taloudellisen ajanjakson, jolta yrityksen tiedot ovat peräisin, huomioiminen ei tuo malliin lisäarvoa eikä paranna ennustamiskykyä merkittävästi.

Konkurssin ennustaminen ja makrotaloudelliset muuttujat: rakennusalan pk-yritykset

Tämän tutkimuksen tavoitteena on selvittää kannattaako makrotaloudellisia muuttujia käyttää tunnuslukujen lisäksi yrityksen konkurssin ennustamisessa. Perinteiset konkurssinennustamismallit hyödyntävät pelkästään tilinpäätöksestä saatavia tunnuslukuja eivätkä huomioi yrityksen toimintaympäristöä ja sen muutoksia. Aiemmissa tutkimuksissa makrotaloudellisilla muuttujilla on pystytty parantamaan perinteisiä ennustamismalleja. Tutkimus toteutetaan luomalla kolme erilaista konkurssinennustamismallia logistista regressioanalyysiä hyödyntäen ja vertailemalla niiden paremmuutta. Tutkimustulokset osoittavat, että rakennusalan pk-yritysten konkursseja pystytään ennustamaan kolmen tunnusluvun mallilla. Taloudellisen ajanjakson, jolta yrityksen tiedot ovat peräisin, huomioiminen ei tuo malliin lisäarvoa eikä paranna ennustamiskykyä merkittävästi.

Suomalaisten pienten ja keskisuurten osakeyhtiöiden konkurssin ennustaminen tilinpäätöstietojen avulla

Tämän tutkimuksen tavoitteena on selvittää, voidaanko yritysten tilinpäätöstiedoista löytää sellaisia muuttujia, jotka pystyvät ennustamaan yritysten konkursseja ja onko yrityksen kannattavuudella, vakavaraisuudella ja maksuvalmiudella kaikilla yhtä suuri merkitys konkurssin ennustamisessa. Lisäksi tavoitteena on verrata mitkä eri muuttujat selittävät konkurssia eri vuosina. Tutkimus toteutetaan luomalla viidelle vuodelle ennen konkurssia ennustusmallit käyttäen logistista regressiota. Tutkimus on rajattu koskemaan suomalaisia pieniä ja keskisuuria osakeyhtiöitä. Tutkimuksessa käytetty aineisto koostuu vuonna 2012 konkurssiin menneistä yrityksistä ja näille satunnaisotannalla valituista toimivista vertailuyrityksistä. Tutkimuksesta on rajattu pois nuoret, alle neljä vuotta toimineet yritykset, koska näiden konkurssiprosessit eroavat jo pidemmän aikaa toimineiden yritysten konkursseista.

Onko yrityksen taloudellisella tilalla vaikutusta Tekes-rahoitusta saaneen yrityksen menestymiseen

Tämän tutkielman tavoite on yrityksen tulevan menestymisen tai epäonnistumisen ennustaminen. Tutkimuksen kohteena ovat tutkimus ja kehitys rahoitusta vuosina 2007- 2012 Tekesiltä saaneet mikro- ja pk yritykset. Ennustusta pyrittiin tekemään näille yrityksille niiden rahoitusprojektien alkuhetkeltä (hakemushetki). Tutkimus toteutettiin toimeksiantona Tekesille ja se jatkaa aikaisempaa tutkielmaa, ”Onko projektin henkilöriskitasolla tai talousriskitasolla yhteyttä t&k- projektin onnistumiseen?”. Tämän tutkimuksen johtopäätös oli, ettei varsinkaan talousriskillä ja projektin onnistumisella ole yhteyttä ja sen vuoksi niistä tarvittiin lisää tietoa. Teoreettisessa osuudessa käsitellään yrityksen kasvua ja onnistumisen tai epäonnistumisen ennakointia. Teoria pohjautuu aiheen aikaisempaan kirjallisuuteen ja sen tarkoitus on pohjustaa tutkielmassa tehtyjä valintoja yrityksien menestymisen ennustamiseksi. Tutkimus on toteutettu kvantitatiivisena tutkimuksena. Aineisto koostuu 430 Tekesin t&k- rahoitusta saaneista mikro- ja pk yrityksistä. Empiirisen osuuden tarkoitus oli selvittää, voidaanko koko yrityksen, menestystä ennustaa, jotta rahoitus voidaan kohdistaa paremmin, eli selvittää minkälaisia yrityksiä tulisi rahoittaa, jotta rahoitus kohdistuisi menestyjille. Tämän lisäksi tutkimuksessa haluttiin löytää oikeat muuttujat, joiden avulla yrityksen menestymisen ennustaminen on mahdollista. Menestymisen haluttiin kuvaavan koko yrityksen liiketoiminnan menestymistä. Menestymisen mittariksi valittiin liikevaihdon kasvu ja tarkasteltavaksi ajanjaksoksi aika yrityksen t&k- projektin hakemusvaiheesta, kolmen vuoden päähän projektin päättymisestä. Yritykset jaettiin menestyjiin liikevaihdon kasvun mukaan, ja niistä luotiin neljä koria: “Huiput”, “Kasvut”, “Hiipujat” ja “Konkurssit” ja koreja lähdettiin tutkimaan erilaisten mittarien avulla. Valitut mittarit olivat Tekesin riskiarvio (talousriski, henkilöriski, kehitysriski ja markkinariski), tilinpäätöksen tunnusluvuista kannattavuuden, maksuvalmiuden ja vakavaraisuuden tunnusluvut (liikevoittoprosentti ja sijoitetun pääoman tuottoprosentti, quick ratio ja omavaraisuusaste), projektin omarahoitus (yrityksen hakemusvaiheessa ilmoittama muun rahoituksen lähde, joka voi olla vieraanpääoman ehtoista, oman pääomanehtoista tai tulorahoitusta), sekä muut mittarit (uutuusarvo, jalostusarvo, tuottavuus ja lainojen perimättäjättöhakemukset). Riippumattomuutta testattiin ristiintaulukoinnilla, khiin neliötestillä ja kontingenssikerroin C:n avulla omavaraisuusasteen tunnusluvun osalta yhdistämällä ”Huiput”, ”Kasvut” ja ”Hiipujat” yhteen kotiin ja vertaamalla niitä konkurssiin menneisiin yrityksiin. Lopuksi konkurssiennusteista testattiin pienille yrityksille tarkoitettua Laitisen yhdistelmälukua. Tutkimuksessa havaittiin seuraavaa. Parhaiten yrityksen tulevan kasvun tai konkurssin ennakoivat havainnot seuraavissa muuttujissa: onko hanke rahoitettu lainalla vai avustuksella sekä mikä yrityksen hakemusvaiheen omavaraisuusaste, omarahoitusosuus tai tuottavuus on. Yrityksen hyvä rahatilanne projektin hakemusvaiheessa ei ennusta yrityksen liikevaihdon kasvua. Täydellistä ennustetta kasvulle ei voida tehdä. Laitisen yhdistelmäluku koettiin heikoksi tunnusluvuksi konkurssia ennustettaessa. Tämän takia, sitä muokattiin eri tavoin parhaan mahdollisemman ennusteen saamiseksi. Paras lopputulos saatiin muuttamalla tunnusluvun kriittistä arvoa pienemmäksi.