Konkursprediksjon for norske selskaper – en analyse ved maskinlæringsteknikker og tradisjonelle statistiske metoder
Master thesis
Permanent lenke
http://hdl.handle.net/11250/2409760Utgivelsesdato
2016-09-22Metadata
Vis full innførselSamlinger
- NTNU Handelshøyskolen [1780]
Sammendrag
Temaet for denne oppgaven er konkursprediksjon. Formålet er å undersøke hvorvidt
statistiske modellers evne til å predikere selskapskonkurs kan forbedres. Det blir undersøkt
om modellers uavhengige variabler har innvirkning på prediksjonsevne ved å estimere
modeller med tre ulike variabelsett: et basert på Norges Banks SEBRA-modell, et basert på
Altmans Z-score-modell og et egenutviklet. Det blir også undersøkt om
maskinlæringsteknikker kan estimere modeller for konkursprediksjon bedre enn tradisjonelle
statistiske metoder. De tradisjonelle metodene er representert ved generell additiv modell,
generell lineær modell og diskriminantanalyse; mens nyere maskinlæringsteknikker er
representert ved støttevektormaskiner, nevrale nettverk, k-nærmeste naboer og
klassifiseringstrær. Modellene i denne oppgaven estimeres og testes ved å benytte samtlige
årsregnskaper fra norske aksje- og allmennaksjeselskaper i perioden fra 2005 til 2012, noe
som tilsvarer totalt 1 127 850 årsregnskaper fra over 470 000 selskaper. I lys av dette er det
satt opp to problemstillinger:
1. I hvilken grad kan det implementeres et variabelsett som predikerer konkurs bedre enn
variabelsettet benyttet i Norges Banks SEBRA-modell?
2. Ved estimering av Norges Banks SEBRA-modell er den tradisjonelle statistiske
metoden GAM (generell additiv modell) benyttet. I hvilken grad er det mulig å
forbedre modellen ved å heller benytte maskinlæringsteknikker?
Oppgaven konkluderer med at det er mulig å implementere en modell som er bedre enn
Norges Banks SEBRA-modell, ved å benytte et nytt og egenutviklet variabelsett. I tillegg
konkluderer oppgaven med at modeller estimert ved GAM oppnår best prediksjonsevne, men
at maskinlæringsteknikker ikke er signifikant dårligere.