Bankrupcy Prediction for BDO Norway

Abstract

Konkursprediksjon er et fagfelt som vekker mye interesse på grunn av dets mange bruksområder. I dette prosjektet har det blitt tatt en praktisk tilnærming til konkursprediksjon, der funn fra litteraturen har blitt brukt til å foreslå et system for konkursprediksjon, for ulike senarioer. Det foreslåtte systemet er et rammeverk for å lage et datasett ut fra finansiell rå-data, velge passende maskinlæringsmodeller og øke prediksjonskvaliteten ved hjelp av modellspesifikke maskinlæringsteknikker. Dette rammeverket har blitt implementert, noe som har resultert i et datasett laget av ekte finansiell data som kan brukes til trening av maskinlæringsmodeller. Videre, ble «Support Vector Machine», «Decision Tree», «Random Forest» og «Neural Network» valgt som passende modeller for konkursprediksjon. Eksperimenter ble så brukt til å øke prediksjonskvaliteten til modellene ytterligere, i et kontrollert miljø.

Bankruptcy prediction is a prominent field of study due to its value in many real-world use cases. In this project, a practical approach to bankruptcy prediction has been taken, utilizing findings in the literature to propose a system for predicting bankruptcy in different scenarios. The proposed system is a framework for aggregating raw financial data into a dataset, selecting suitable machine learning models and increase prediction performance using model-specific machine learning techniques. This framework was implemented, leading to a dataset suitable for training machine learning models using real-world financial data. Furthermore, Support Vector Machine, Decision Tree, Random Forest, and Neural Network were selected as suitable models for bankruptcy prediction. Experiments were then conducted to increase the prediction quality of the models further, in a controlled environment.