Identyfikowanie sytuacji finansowej przedsiębiorstw tworzących mWIG40 za pomocą sieci neuronowych

• Autorzy: Henryk Marjak

Warianty tytułu

Financial Identification of Companies Make Mwig40 By Neural Networks

• Języki publikacji: PL

Abstrakty

Rozwój technologii informacyjno-komunikacyjnych (ICT) umożliwił elastyczniejsze budowanie modeli prognozowania sytuacji finansowej przedsiębiorstw. (...) Celem artykułu jest skonstruowanie takiego modelu, który umożliwia trafną ocenę sytuacji finansowej przedsiębiorstwa, a w rezultacie podjęcie optymalnych decyzji inwestycyjnych i dotyczących współpracy z ocenianym przedsiębiorstwem. (fragment tekstu)

EN

In the paper were presented researches constructing of model to estimating financial distress of enterprises based on artificial neural nets. Parameters of neural nets were optimized by scaled conjugate gradient and resilient backpropagation algorithms. The tested models have enabled the correct classification of more than 80% of the elements. In proposed models financial distress was developed based on information from yearly reports of medium enterprises quoted on WGPW (Warsaw Stock Exchange). (original abstract)

Słowa kluczowe

PL

Finanse przedsiębiorstwa; Bankructwo; Klasyfikacja; Sieci neuronowe; Uczenie sieci neuronowych

EN

Enterprise finance; Bankruptcy; Classification; Neural networks; Learning of neural networks

• Czasopismo: Folia Pomeranae Universitatis Technologiae Stetinensis. Oeconomica
• Rocznik: 2011
• Numer: nr 65
• Strony: 103-111

Twórcy

autor

Henryk Marjak

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Bibliografia

• Altman I.E. 1968. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. J. Finance 23 (4), 589-609.
• Altman E.I., Haldeman E., Narayanan P. 1977. Zeta analysis: a new model to identify bankruptcy risk of corporations. J. Banking and Finance 1, 29-54.
• Altman E.I., Marco G., Varetto F. 1994. Corporate distress diagnosis: comparison using linear discriminant analysis and neural networks (the Italian Experience). J. Banking and Finance 18, 505-529.
• Balcaen S., Ooghe H. 2004. Alternative methodologies in studies on business failure: do they produce better results than the classic statistical methods? Working Paper Series 16. Gent, Vlerick Leuven Gent Management School.
• Beaver W.H. 1968. Alternative accounting measures as predictor of failure. The Accounting Rev., Autumn, 112-22.
• Becerra V.M., Galvão R.K.H., Abou-Seada M. 2005. Neural and Wavelet Network Models for Financial Distress Classification. Data Mining and Knowledge Discovery 11, 35-55.
• Garcia D., Arques A., Calvo-Flores A. 1997. Un modelo discriminante para evaluar elriesgo bancario en los creditos a empresas. Revista Espanola de Financiacion y Contabilidad 24 (82), 175-200.
• Liou F.M., Yang C.H. 2008. Predicting business failure under the existence of fraudulent financial reporting. International J. Accounting and Information Management 16 (1), 74-86.
• Moller M.F. 1993. A scaled conjugate gradient algorithm for fast supervised learning. Neural Networks 6, 525-533.
• Riedmiller M., Braun H. 1992. A fast adaptive learning algorithm. Technical Report. Germany, University Karslruhe.
• West D. 2000. Neural Network Credit Scoring Models. Computers & Operations Research 27, 1131-1152.