Metody uczenia maszynowego w prognozowaniu niewypłacalności

W artykule zastosowano wybrane algorytmy uczenia maszynowego na zbiorach danych zawierających wskaźniki finansowe w celu sprawdzenia skuteczności prognozowania upadłości. Trafność prognoz upadłości na zbiorach niezbilansowanych o przeważającym udziale firm prowadzących działalności nad upadłymi wyniosła jedynie 37%. Trafność prognozowania upadłości na zbiorach zbilansowanych wyniosła 60%. Dla porównania, uproszczone podejście eksperckie wyłoniło 76% spośród upadłych podmiotów, ale znacząco zawyżyło zbiór firm zagrożonych upadłością. Metody uczenia maszynowego okazują się skuteczne dla dużych zbiorów danych, które są zbyt liczne do analizy przez człowieka.

The article uses selected machine learning algorithms on datasets containing financial ratios to check the effectiveness of bankruptcy prediction. The accuracy of bankruptcy forecasts for unbalanced dataset with the prevalence of companies still operating over bankrupts was only 37%. The accuracy of bankruptcy forecasting on a balanced dataset was 60%. The simplified expert approach selected 76% of bankrupt entities, but significantly overstated the set of companies exposed on bankruptcy. Machine learning methods are effective for large data sets that are too numerous for human analysis.