Bankruptcy prediction with support vector machines

Diese Arbeit untersucht die Anwendung von Support Vektor Machines (SVMs) zur Vorhersage der Insolvenz von deutschen Unternehmen. Die Vorhersage basiert auf 24 finanziellen Kennzahlen, die in vier Kategorien unterteilt sind: Profitabilität, Fremdfinanzierung, Liquidität und Aktivität. SVMs ,eine der effizientesten geordneten Lernmethoden, können zur Klassifikation oder zur Regression dienen. In unserem Fall, werden wir SVMs als Klassifikator benutzen, um solvente und insolvente Unternehmen zu diskriminieren. Um das geeignetste Model, das aus den aussagekräftigsten finanziellen Kennzahlen zusammengesetzt ist, auszuwählen, werden sowohl vorwärts, als auch ruckwärts schrittweise Selektionstechniken verwendet, und die hergeleiteten Resultate werden durch ihre Genauigkeitsquote. Des Weiteren nutzen wir die gleichen finanziellen Kennzahlen, um die Insolvenzwahrscheinlichkeit der Unternehmen mit einer logistischen Regression vorherzusagen. Die Wahl des Regressionsmodels basiert auf Akaikes Informationskriterium. Die jeweils besten Resultate der SVM und des logistischen Models werden anhand der Lorenzkurve verglichen, um herauszufinden, welches Model erfolgreicher darin ist, wesentliche Informationen für Insolvenzhervorsagen aus den finanziellen Kennzahlen zu ziehen. Die Resultate des SVM-Models übertreffen diejenigen der logistischen Regression.