Szerzői információk:
Virág Miklós: Budapesti Corvinus Egyetem, egyetemi tanár.
Nyitrai Tamás: Budapesti Corvinus Egyetem, doktorjelölt, tudományos segédmunkatárs.
Absztrakt:
A klasszifikációs feladatok megoldására jellemzően egy-egy kiválasztott módszert alkalmaznak a gyakorlatban. Ugyan a legkorszerűbb eljárások kimagasló találati arány elérésére képesek, a nemzetközi kutatási eredmények azt mutatják, hogy a gyengébb klasszifikációs teljesítményt mutató módszerek együttes alkalmazásával (ensemble) hasonlóan magas találati arány érhető el. A cikk fő célja a csődelőrejelzésben leggyakrabban alkalmazott két metamódszer (AdaBoost, bagging) előrejelző képességének összehasonlítása egy 976 hazai vállalkozás adataiból álló mintán. A cikk másik célkitűzése annak a vizsgálata, hogy az egyes pénzügyi mutatóknak a szakágazati átlagtól vett eltéréseire épített csődmodellek találati aránya hogyan viszonyul a nyers pénzügyi mutatókra, illetve az azok dinamikáját is figyelembe vevő változókra épített modellek találati arányához.
Hivatkozás (APA):
Virág, M., & Nyitrai, T. (2014). Metamódszerek alkalmazása a csődelőrejelzésben. Hitelintézeti Szemle, 13(4), 180–195. https://hitelintezetiszemle.mnb.hu/8-virag-nyitrai-2
Rovat:
Lektorált tanulmány
Journal of Economic Literature (JEL) kódok:
C38, C49, G33
Kulcsszavak:
csődelőrejelzés, metamódszerek, iparági átlag, döntési fák
Felhasznált irodalom:
Alfaro, E. – García, N. – Gámez, M. – Elizondo, D. (2008): Bankruptcy forecasting: An empirical comparison of AdaBoost and neural networks. Decision Support Systems, vol. 45, pp. 110–122.
Cao, Y. (2012): MCELCCh: Financial distress prediction with classifier ensembles based on firm life cycle and Choquet integral. Expert Systems with Applications, vol. 39, pp. 7041–7049.
Chen, N. – Riberio, B. – Vieira, A. – Chen, A. (2013): Clustering and visualization of bankruptcy trajectory using self-organizing map. Expert Systems with Applications, vol. 40, pp. 385–393.
Du Jardin, P. (2010): Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing, vol. 73, pp. 2047–2060.
Fedorova, E. – Gilenko, E. – Dovzhenko, S. (2013): Bankruptcy prediction for Russian companies: Application of combined classifiers. Expert Systems with Applications, vol. 40, pp. 7285–7293.
Horta, I. M. – Camanho, A. S. (2013): Company failure prediction in the construction industry. Expert Systems with Applications, vol. 40, pp. 6253–6257.
Kim, M. J. – Kang, D. K. (2012): Classifiers selection in ensembles using genetic algorithms for bankruptcy prediction. Expert Systems with Applications, vol. 39, pp. 9308–9314.
Kristóf, T. (2005): A csődelőrejelzés sokváltozós statisztikai módszerei és empirikus vizsgálata. Statisztikai Szemle, 83. évf. 9. sz. 841–863. o.
Kristóf, T. (2008): A csődelőrejelzés és a nem fizetési valószínűség módszertani kérdéseiről. Közgazdasági Szemle, LV. évf. 5. sz. 441–461. o.
Marqués, A. I. – García, V. – Sánchez, J. S. (2012a): Exploring the behaviour of base classifiers in credit scoring ensembles. Expert Systems with Applications, vol. 39, pp. 10244–10250.
Marqués, A. I. – García, V. – Sánchez, J. S. (2012b): Two-level classifier ensembles for credit risk assessment. Expert Systems with Applications, vol. 39, pp. 10916–10922.
Nyitrai, T. (2014): Validációs eljárások a csődelőrejelző modellek teljesítményének megítélésében. Statisztikai Szemle, 92. évf. 4. sz. 357–377. o.
Oreski, S. – Oreski, D. – Oreski, G. (2012): Hybrid system with genetic algorythm and artificial neural networks and its application to retail credit risk assessment. Expert Systems with Applications, vol. 39, pp. 12605–12617.
Platt, H. D. – Platt, M. B. (1990): Development of a class of stable predictive variables: The case of bankruptcy prediction. Journal of Business Finance and Accounting, vol. 17, No. 1, pp. 31–44.
Quinlan, J. R. (1993): C4.5: Programs for Machine Learning. San Mateo, California, Morgan Kaufmann.
Sánchez-Lasheras, F. – De Andrés, J. – Lorca, P. – De Cos Juez, F. J. (2012): A hybrid device for the solution of sampling bias problems in the forecasting of firms’ bankruptcy. Systems with Applications, vol. 39, pp. 7512–7523.
Virág, M. – Hajdu, O. (1996): Pénzügyi mutatószámokon alapul csődmodell-számítások. Bankszemle, 40. évf. 4. sz. 42–53. o.
Virág, M. – Kristóf, T. – Fiáth, A. – varsányi, J. (2013): Pénzügyi elemzés, csődelőrejelzés, vállalati válságkezelés. Budapest, Kossuth Kiadó.
Wang, G. – Ma, J. – Yang, S. (2014): An improved boosting based on feature selection for corporate bankruptcy prediction. Expert Systems with Applications, vol. 41, pp. 2353–2361.