ARTICLE
ABSTRACT
The author of this article decided to investigate the efficiency of using classifier combination and selection methods at the prediction of corporate bankruptcy in Poland. The study allowed us to compare the predictions from 4 individual classifiers: linear discriminant analysis, logistic regression, artificial neural network and random forest with the predictions from 9 classifier combination and selection methods. Moreover, the author analyzed the influence of the number of variables in models on performances of the correct classification for all considered methods.
KEYWORDS
corporate bankruptcy prediction, classification methods, classifier combination and selection methods
REFERENCES
Altman E. I., (1968), Financial Ratios, Discriminant Analysis and Prediction of Corporate Bankruptcy, The Journal of Finance, 23 (4), 589–609.
Altman E. I., Roggi O., (2013), Managing and Measuring Risk. Emerging Global Standards and Regulations After Financial Crisis, World Scientific Press.
Altman E. I., Caouette J. B., Narayanan P., Nimmo R., (2008), Managing Credit Risk: The Great Challenge for Global Financial Markets, Wiley Finance.
Bell T. B., Ribar G. S., Verchio J., (1990), Neural Nets Versus Logistic Regression: A comparison of Each Model`s Ability to Predict Commercial Bank Failures, Proceedings of the 1990 Deloitte and Touche/University of Kansas Symposium on Auditing Problems, 29–53.
Czerwiński Z., (2002), Moje zmagania z ekonomią, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań.
Dasarathy B. V., Sheela B. V., (1979), A Composite Classifier System Design: Concepts and Methodology, Proceedings of the IEEE (Special Issue on Pattern Recognition and Image Processing), 67 (5), 708–713.
Fisher R. A., (1936), The Use of Multiple Measurements in Taxonomic Problems, Annals of Eugenics, 7(2), 179–188.
Hadasik D., (1998), Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, Zeszyty Naukowe – seria II, Prace habilitacyjne, Zeszyt 153, Akademia Ekonomiczna w Poznaniu, Poznań.
Hołda A., (2000), Optymalizacja i model zastosowania procedur analitycznych w rewizji sprawozdań finansowych, praca doktorska, Akademia Ekonomiczna w Krakowie, Kraków.
Hołda A., (2001), Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej ZH, Rachunkowość, 5, 306–310.
Hołda A., (2006), Zasada kontynuacji działalności i prognozowanie upadłości w polskich realiach gospodarczych, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
Korol T., (2010), Systemy ostrzegania przedsiębiorstw przed ryzykiem upadłości, Wolters Kluwer, Warszawa.
Korol T., Prusak B., (2005), Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji, CeDeWu, Warszawa.
Krzyśko M., Wołyński W., Górecki T., Skorzybut M., (2008), Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, Wydawnictwo Naukowo-Techniczne w Warszawie, Warszawa.
Kuncheva L. I., (2000), Cluster-and-Selection Method for Classifier Combination, 4th International Conference on Knowledge-Based Intelligent Engineering Systems & Allied Technologies, Brighton, UK.
Kuncheva L. I., (2004), Combining Pattern Classifiers: Methods and Algorithms, Wisley.
Mączyńska E., (1994), Ocena kondycji przedsiębiorstwa (Uproszczone metody), Życie gospodarcze, 38, 42–45.
Mączyńska E., Zawadzki M., (2006), Dyskryminacyjne modele predykcji bankructwa przedsiębiorstw, Ekonomista, 2, 205–235.
Mossman C. E., Bell G. G., Swartz L. M., Turtle H., (1998), An Empirical Comparison of Bankruptcy Models, The Financial Review, 33 (2), 35–54.
Ohlson J. A., (1980), Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research, 18 (1), 109–131.
Pociecha J., Pawełek B., Baryła M., Augustyn S., (2014), Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Fundacja Uniwersytetu Ekonomicznego w Krakowie, Kraków.
Wędzki D., (2005), Bankruptcy Logit Model for Polish Economy, Argumenta Oeconomica Cracoviensia, 3, 49–70.
Woods K., Kegelmeyer W. P., Bowyer K., (1997), Combination of Multiple Classifiers Using Local Accuracy Estimates, IEEE Transactions on Pattern Analysis and Machine Intelligence, 19 (4), 405–410.
