Predicting Bankruptcy at Polish Companies: A Comparison of Selected Machine Learning and Deep Learning Algorithms

Journal Title: Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie - Year 2018, Vol 0, Issue 6

Abstract

Insolvency prediction is one of the crucial abilities in corporate finance and financial management. It is critical in accounts receivable management, capital budgeting decisions, financial analysis, capital structure management, going concern assessment and co-operation with other companies. The purpose of this paper is to compare the efficiency of selected deep learning and machine learning algorithms trained on a representative sample of Polish companies for the period 2008–2017. In particular, the paper tested the following popular machine learning algorithms: discriminant analysis (DA), logit (L), support vector machines (SVM), random forest (RF), gradient boosting decision trees (GB), neural network with one hidden layer (NN), convolutional neural network (CNN), and naïve Bayes (NB). The research hypotheses evaluated in the paper state that if one has access to a large sample of companies, the most accurate algorithm (first choice) in bankruptcy prediction will be gradient boosting decision trees (H1), random forest (H2) and neural networks (H3) (deep learning) algorithms. The initial hypotheses were formulated based on the practitioners’ opinions regarding the usefulness of various machine learning and artificial intelligence algorithms in bankruptcy prediction. As the results of the research suggest, both deep learning and machine learning algorithms proved to have very comparable efficiency. The new factor introduced in the paper was that the training of the models was carried out on a representative sample of companies (for years 2008–2013) and also the testing phase used a significant number of bankrupt and active companies (validation included a completely different set of companies than those used in the training phase: data were taken from a different time period, 2014–2017, and companies in both sets were also completely different).

Authors and Affiliations

Joanna Wyrobek

Keywords

Related Articles

Doświadczenie jako przedmiot wymiany rynkowej – refleksje teoretyczne i metodologiczne na przykładzie turystyki sportowej

Celem artykułu jest ustalenie, czy wypracowane w naukach ekonomicznych podejścia i metody mogą być stosowane do określenia sposobu oceniania przez konsumentów produktów o charakterze doświadczenia – produktów mających do...

Płynność finansowa jako istotne kryterium oceny przedsiębiorstwa

Artykuł dotyczy płynności finansowej rozważanej jako istotny miernik oceny działania przedsiębiorstwa. Płynność finansowa jest konsekwencją kształtowania właściwych relacji wpływów do wydatków w procesie zarządzania. Jej...

Dyfuzja wiedzy w warunkach przedsiębiorstwa komunalnego – studium przypadku

Punktem wyjścia analiz przedstawionych w artykule jest prezentacja podstaw teoretycznych, na jakich opiera się koncepcja dyfuzji wiedzy, oraz ukazanie specyfiki funkcjonowania przedsiębiorstw komunalnych. Podstawowym pro...

Uwarunkowania lojalności klientów biur podróży

W artykule przedstawiono wyniki badań własnych, które pozwoliły na zidentyfikowanie kluczowych czynników warunkujących wystąpienie lojalności behawioralnej klientów biur podróży oraz opracowanie profilu lojalnego nabywcy...

Koncepcja dobrej praktyki informatycznej dla sądów powszechnych w zakresie kontroli zabezpieczeń stanowisk i urządzeń komputerowych

W artykule przedstawiono koncepcję dobrej praktyki IT z zakresu kontroli zabezpieczeń stanowisk i urządzeń komputerowych za pomocą list audytowych. Koncepcja dobrej praktyki powstała podczas realizacji projektu „PWP Eduk...

Download PDF file
  • EP ID EP535783
  • DOI 10.15678/ZNUEK.2018.0978.0603
  • Views 91
  • Downloads 0

How To Cite

Joanna Wyrobek (2018). Predicting Bankruptcy at Polish Companies: A Comparison of Selected Machine Learning and Deep Learning Algorithms. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, 0(6), 41-60. https://europub.co.uk/articles/-A-535783