• norsk
    • English
  • English 
    • norsk
    • English
  • Login
View Item 
  •   Home
  • Fakultet for økonomi (ØK)
  • Institutt for industriell økonomi og teknologiledelse
  • View Item
  •   Home
  • Fakultet for økonomi (ØK)
  • Institutt for industriell økonomi og teknologiledelse
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Financial Distress Prediction Using Machine Learning and XAI: Developing an Early Warning Model for Listed Nordic Corporations

Nylén-Forthun, Emil; Møller, Mats; Abrahamsen, Nils-Gunnar Birkeland
Master thesis
Thumbnail
View/Open
no.ntnu:inspera:116271940:116280629.pdf (13.49Mb)
URI
https://hdl.handle.net/11250/3023757
Date
2022
Metadata
Show full item record
Collections
  • Institutt for industriell økonomi og teknologiledelse [3391]
Abstract
Denne oppgaven lanserer en forklarbar modell for tidlig varsling av økonomisk vanskeligstilthet

hos børsnoterte selskaper som er generaliserbar på tvers av landegrenser i Norden. En Light

Gradient Boosting Machine (LightGBM) og et kunstig nevralt nettverk måles opp mot en logistisk

regresjonsmodell som referanse på et datasett bestående av kvartalsvis regnskapsdata, informasjon

fra finansmarkedene og makroøkonomiske indikatorer. Etter datavask omfatter datasettet totalt

639 børsnoterte nordiske selskaper i perioden Q1 2001 til Q2 2022. LightGBM utkonkurrerer

de andre modellene, og med en ROC-AUC-poengsum på 0.93 og F1-poengsum på 0.63, overgår

referansemodellen med en betydelig margin.

Vi fremlegger også et ende-til-ende-rammeverk for innsamling og prosessering av data som kan

gjenskapes for både akademiske og industrielle formål. Vi bruker en proxybasert definisjon på økonomisk vanskeligstilthet som er i tråd med finansiell intuisjon og bransjepraksis. Denne proxyen er

basert på forholdstall for solvens (rentedekningsgrad) og likviditet (likviditetsgrad 1), og i samsvar

med standard måltall for obligasjons- og låneforpliktelser.

Valg av inputvariabler og modellforklaring gjøres ved bruk av SHAP, et rammeverk for forklarbar kunstig intelligens, og resultatene viser tydelig at variabler relatert til likviditet, solvens og

selskapsstørrelse er av stor betydning for modellens output. Analysen avdekker også at inkludering av sesongmessighet, samt makro- og markedsinformasjon viser seg å være fordelaktig grunnet

interaksjonseffekter med andre variabler.

Kombinasjonen av følgende elementer skiller denne oppgaven fra tilsvarende arbeid: (i) Observasjon av sesongmessig variasjon på kvartalsbasis, noe som sjeldent belyses i relatert litteratur, (ii)

det geografiske fokusområdet (Norden), (iii) inkludering av makro- og markedsvariabler som fanger

selskapets omgivelser. I tillegg sammenlikner denne oppgaven to toppmoderne maskinlæringsmodeller og en anerkjent referansemodell, noe som bidrar til den komparative litteraturen.
 
This paper proposes an explicable early warning model for financial distress which generalizes

across listed Nordic corporations. A Light Gradient Boosting Machine (LightGBM), an Artificial

Neural Network (ANN) and a benchmark Logistic Regression (LR) model are applied to a dataset

consisting of quarterly accounting data, information from financial markets, and indicators of

macroeconomic trends. After cleaning, the dataset includes 639 listed Nordic companies in the

period Q1 2001 to Q2 2022. LightGBM proves to be the superior model, achieving a ROC-AUC

score of 0.93 and an F1 score of 0.63, surpassing the benchmark model by a significant margin.

In addition, we propose an end-to-end framework for data collection and pre-processing, providing a transparent data treatment procedure which is replicable for both academic and industrial

purposes. We apply a proxy-based definition of financial distress in line with financial intuition

and industry practices. This proxy is based on measures of solvency (Interest Coverage Ratio) and

liquidity (Current Ratio), in accordance with standard bond and loan covenants.

Feature selection and model explanation are performed using the explainable AI framework SHAP.

Results clearly show that features related to liquidity, solvency, and size are highly important to

the output. The analysis also uncovers that including seasonality, macro and market information

proves advantageous due to interaction effects with other variables.

The combination of the following aspects sets this paper apart: (i) employing quarterly data,

allowing us to study the problem on a finer scale and capture seasonality effects, which has rarely

been recorded in related literature before, (ii) the geographical area of study (the Nordics), and

(iii) the inclusion of macro and market variables which capture the environment surrounding the

company. In addition, this paper offers a comparison of state-of-the art machine learning models

and a renowned benchmark model, contributing to the body of comparative literature.
 
Publisher
NTNU

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit
 

 

Browse

ArchiveCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsDocument TypesJournalsThis CollectionBy Issue DateAuthorsTitlesSubjectsDocument TypesJournals

My Account

Login

Statistics

View Usage Statistics

Contact Us | Send Feedback

Privacy policy
DSpace software copyright © 2002-2019  DuraSpace

Service from  Unit