Konkursprediksjon med ubehandlede regnskapsdata – En kvantitativ studie av prediksjonsevnen til nevrale nettverk basert på data fra norske aksjeselskaper

Abstract

Temaet i denne oppgaven er konkursprediksjon. Formålet er å undersøke hvordan valg av uavhengige variabler kan påvirke prediksjonsevnen til nevrale nettverk innenfor konkursprediksjon. I denne oppgaven blir det undersøkt hvorvidt bruk av ubehandlede regnskapsdata kan gi bedre prediksjoner enn variabelsett som er benyttet i tidligere forskning. Det finnes ingen universell konsensus på hvilke uavhengige variabler som bør brukes til konkursprediksjon, men det er flere variabler som går igjen i den tidligere forskningen på området. Oppgaven presenterer fire ulike variabelsett bestående av ubehandlede regnskapsdata hvor to av disse også inneholder finansielle nøkkeltall fra tidligere forskning. Variabelsett som er basert på Altmans Z-score modell og Norges Banks SEBRA-modell brukes som sammenlikning for disse fire variabelsettene. Det settes opp modeller med nevrale nettverk for hvert variabelsett og disse vurderes opp mot hverandre. Det lages også referansemodeller med logistisk regresjon for hvert variabelsett. Datagrunnlaget som benyttes i denne oppgaven er en samling av alle norske ikke-finansielle årsregnskaper i perioden 2006–2019, og inneholder til sammen 3 876 923 ikke-konsoliderte norske årsregnskaper.

Problemstillingen i denne oppgaven er som følger: I hvilken grad kan ubehandlede regnskapsdata forbedre konkursprediksjon med dyplæringsmodeller?

Oppgaven konkluderer med at det er nyttig å bruke ubehandlede regnskapsdata i nevrale nettverk, siden resultatene tyder på at finansielle nøkkeltall i slike modeller kan erstattes av regnskapstall. Dette begrunnes med at slike modeller med dagens datakraft er i stand til å finne sammenhengene i regnskapstallene som disse finansielle nøkkeltallene er skapt for å illustrere.

The subject of this thesis is bankruptcy prediction. The purpose is to explore how the choice of independent variables can affect the predictive power of neural networks within bankruptcy prediction. The thesis examines whether the use of unprocessed accounting data can provide better predictions than variable sets used in previous research. There is no universal consensus on which independent variables should be used for bankruptcy prediction, but there are several variables that recur in relevant research. The thesis presents four different models constructed with unprocessed accounting data, two of which contain financial ratios found in earlier research. Altman's Z-score model and Norges Bank's SEBRA model are used as a comparison for these four models. Models with neural networks are set up for each variable set and evaluated against each other. Reference models are created with logistic regression for each variable set. The data used in this thesis is a collection of all Norwegian 3 876 923 non-financial annual accountings in the period 2006–2019.

The research question is the following: To what extent can unprocessed accounting data improve bankruptcy prediction with deep learning models?

The thesis concludes that unprocessed accounting data can replace financial ratios in neural networks. Models with sufficient computing power are found to make connections in accounting items similar to those of financial ratios.