Konkursprediksjon for norske selskaper – en analyse ved maskinlæringsteknikker og tradisjonelle statistiske metoder

Abstract

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.