Company bankruptcy prediction with machine learning
| Thesis title: | Predikce bankrotu firem s využitím machine learning |
|---|---|
| Author: | Racl, Adam |
| Thesis type: | Diplomová práce |
| Supervisor: | Tran, Van Quang |
| Opponents: | Fičura, Milan |
| Thesis language: | Česky |
| Abstract: | Využití metod strojového učení při vytváření spolehlivých modelů pro předpovídání úpadku podniků je zásadní v dnešním náročném ekonomickém prostředí. Výzkum, zaměřený na data ze zdravotnického průmyslu, ukázal, že složitější metody strojového učení jsou pro predikci úpadku vhodné. Komplexní algoritmy přinášejí lepší výsledky v dynamickém, vícefaktorovém prostředí finančního modelování. Metody gradient boosting a náhodný les předčily tradiční modely Altmanova Z-skóre a Ohlsonova O-skóre. Model gradient boosting se vyznačuje nejvyššími hodnotami klíčových metrik jako jsou přesnost, úplnost a F1 skóre, čímž efektivně rozlišuje mezi solventními a nesolventními společnostmi. Výsledky naznačují, že finanční zdraví firmy je ovlivněno klíčovými faktory jako likvidita, efektivita a struktura kapitálu. |
| Keywords: | Strojové učení; Python; finanční analýza; bankrotní model; CRISP-DM |
| Thesis title: | Company bankruptcy prediction with machine learning |
|---|---|
| Author: | Racl, Adam |
| Thesis type: | Diploma thesis |
| Supervisor: | Tran, Van Quang |
| Opponents: | Fičura, Milan |
| Thesis language: | Česky |
| Abstract: | The use of machine learning methods to create reliable models for predicting business failure is essential in today's challenging economic environment. Research focusing on data from the healthcare industry has shown that more complex machine learning methods are suitable for bankruptcy prediction. Complex algorithms provide better results in a dynamic, multi-factor financial modeling environment. Gradient boosting and random forest methods outperformed traditional Altman Z-score and Ohlson O-score models. The gradient boosting model features the highest values for key metrics such as accuracy, completeness and F1 score, effectively distinguishing between solvent and insolvent companies. The results suggest that a firm's financial health is affected by key factors such as liquidity, efficiency and capital structure. |
| Keywords: | financial analysis; CRISP-DM; Machine Learning; bankruptcy prediction; Python |
Information about study
| Study programme: | Finance |
|---|---|
| Type of study programme: | Magisterský studijní program |
| Assigned degree: | Ing. |
| Institutions assigning academic degree: | Vysoká škola ekonomická v Praze |
| Faculty: | Faculty of Finance and Accounting |
| Department: | Department of Monetary Theory and Policy |
Information on submission and defense
| Date of assignment: | 9. 2. 2022 |
|---|---|
| Date of submission: | 7. 1. 2024 |
| Date of defense: | 29. 1. 2024 |
| Identifier in the InSIS system: | https://insis.vse.cz/zp/79655/podrobnosti |