Assessment of financial condition of companies using neural networks

• Autorzy: Kurek J. , Świderski B. , Osowski S.

Warianty tytułu

PL

Szacowanie kondycji finansowej przedsiębiorstw przy pomocy sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The paper presents the new automatic method of assessment of the financial condition of companies using neural networks. The aim of this assessment is to determine the insolvency risk of company. This information is important for worldwide transactions at which the insurance institution must assess the level of insurance risk of the import-export transaction. On the basis of this assessment the insurer can determine the insolvency of each side of transaction and decide of the height of the insurance. The paper will present an automatic method of such assessment by applying neural networks as the classifiers. The important part of this task is the optimal selection of the diagnostic features, on the basis of which the neural network will undertake the final decision and final classification of the company to the proper group. This is done by the neural classifiers.

PL

Praca poświęcona jest opracowaniu metody oceniającej w sposób automatyczny kondycję finansową firmy za pomocą sieci neuronowych. Szacowanie kondycji finansowej firm pozwala na określenie ryzyka niewypłacalności firmy (jedna ze stron transakcji) czy też na decyzje ubezpieczyciela transakcji, czy taka transakcja warta jest ubezpieczenia oraz na jaką kwotę (instytucja ubezpieczająca transakcje międzynarodowe import-eksport). Istotny zatem jest przydział ryzyka niewypłacalności firmy do jednej z kilku klas, określającej stopień aktualnej kondycji finansowej firmy. W pracy zaproponowano system komputerowy, w którym na podstawie wielu cech diagnostycznych (nie tylko finansowych) klasyfikator neuronowy ocenia automatycznie poziom ryzyka związany z klasą.

Słowa kluczowe

EN

financial condition assessment; insolvency risk; neural networks

PL

szacowanie kondycji finansowej; ryzyko niewypłacalności; sieci neuronowe

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2011
• Tom: R. 87, nr 5
• Strony: 88--91
• Opis fizyczny: Bibliogr. 11 poz., tab.

Twórcy

autor

Kurek J.

autor

Świderski B.

autor

Osowski S.

• University of Life Sciences (1), Warsaw University of Technology and Military University of Technology(2),

Bibliografia

• [1] Altman E., Managing Credit Risk, N.Y.: Wiley, 2008
• [2] Gately E., Neural networks for financial forecasting. Wiley, New York, 1996
• [3] Guyon I., Elisseeff A., An introduction to variable and feature selection. Journal of Machine Learning Research. 3, 2003, 1158 – 1182,
• [4] Huang Z., Chen H., Hsu C.J, Chen W.H., Wu S., Credit rating analysis with SVM and neural networks: a market comparative study. Decision Support Systems, 2004, vol. 37, pp. 543-558.
• [5] Keller J.M., Gray M.R., Givens J.A., A fuzzy k-nearest neighbour algorithm, IEEE Trans. Systems, Man and Cybernetics, vol. 15, no. 4, 580-585, 1985
• [6] Lee K.C, Han I., Kwon Y., Hybrid Neural Network models for bankruptcy prediction. Decision Support Systems, 1996, vol. 18, pp. 63-72.
• [7] Malhorta R., Malhorta D.K., Evaluating consumer loans using neural networks. Omega, 2003, vol. 31, pp. 83-96.
• [8] Matlab user manual, MathWorks, Natick, 1999
• [9] Platt, L. Fast training of SVM using sequential optimization, (in Scholkopf, B., Burges, B.,& Smola, A., Eds. Advances in kernel methods – support vector learning. Cambridge: MIT Press), 1998. pp. 185-208
• [10] Schölkopf B., Smola A., Learning with Kernels, Cambridge, MA, MIT Press, 2002
• [11] Vapnik V., Statistical Learning Theory, N.Y.: Wiley, 1998.