Пример готовой дипломной работы по предмету: Экономика
Содержание
Оглавление
Введение 3
Глава
1. Обзор литературы 5
1.1 Ранние исследования и развитие методологии 5
1.2 Исследования с использованием одного метода моделирования 8
1.3 Исследования сравнивающие различные методы предсказания банкротства 11
1.4 Сопоставление статистических методов и искусственных нейронных сетей 14
Глава
2. Эмпирическое исследование 20
2.1 Описание данных 20
2.2 Постановка гипотез 25
2.3 Выбор объясняющих переменных 27
2.4 Построение модели предсказания банкротств на основе логистической регрессии 32
2.5 Построение модели предсказания банкротств c использованием искусственных нейронных сетей 41
2.6 Сравнение построенных моделей 51
Заключение 55
Список использованной литературы 56
Приложения 59
Выдержка из текста
Введение
Моделирование вероятности банкротства является широко применимой практической процедурой, которая необходима любой крупной кредитной организации. Важность оценки потенциальной неплатежеспособности клиентов традиционно возрастает в периоды преобладания негативной экономической конъюнктуры. Традиционные методы построения скоринговых моделей подразумевают использование статистических методов. Альтернативой по отношению к статистическим методам являются модели на основе искусственных нейронных сетей.
По тематике предсказания банкротства преобладают работы по развитыми и крупнейшим развивающимся рынкам. Российские компании в научных работах рассматриваются не часто. Одновременно с этим фактом существуют доказательства невозможности применения моделей, разработанных на данных по развитым странам к компаниям развивающихся стран без значительного падения предсказательной силы. Поэтому для создания качественной модели предсказания банкротства российских компаний необходимо использовать российские данные.
Современная научная литература не содержит однозначного ответа на вопрос о лучшей методологии прогнозирования банкротства. Существуют доказательства в пользу преобладания искусственных нейронных сетей, так и выводы о более высоком качестве статистических моделей. Кроме того, ряд авторов не обнаруживает ощутимой разницы в качестве предсказаний моделей двух видов. Результат сравнения в значительной степени зависит от рассматриваемой выборки.
Цель данной работы заключается в проведении сравнения предсказательной силы моделей предсказания банкротства на основе логистической регрессии и искусственных нейронных сетей для крупных российских акционерных компаний, не торгующихся на фондовых биржах. Выбор экономических субъектов основывается на двух. Во-первых, основным источником финансирования для таких компания выступают банковские кредиты. Во-вторых, эти компании представляют значительную часть национальной экономики и являются важными потребителями банковских продуктов. Даже в условиях кризиса кредитование этих субъектов не прекращается, в отличие от кредитования малых и средних предприятий. Поэтому банкам необходимы скоринговые модели, оценивающие платежеспособность компаний этого сектора.
Исходя из поставленной цели, были выделены следующие задачи:
• Построить модели с использованием логистической регрессии и искусственных нейронных сетей для несбалансированной и сбалансированной выборок;
• Оценить предсказательную силу получившихся моделей и сравнить модели, построенные с использованием разных методов моделирования;
• Выявить наиболее важные объясняющие переменные на основе частоты их появления в различных моделях;
Предметом исследования является влияние значений финансовых коэффициентов на вероятность банкротства компании. Объектом исследования является выборка российских крупных частных акционерных компаний, наблюдаемая за период с 2011 по 2015 год.
Структура работы выглядит следующим образом. В первой главе описаны основные исследования по заданной тематике, приведены их главные характеристики и результаты. Особое внимание уделено исследованиям, сравнивающим предсказательную силу различных моделей. Вторая глава посвящена эмпирическому исследованию по данным российских компаний. В ней описана выборка, принципы отбора объясняющих переменных для моделей, методология построения моделей, а также сравнение моделей между собой. В конце главы сделаны выводы о предсказательной силе различных моделей и наиболее значимых для цели предсказания вероятности банкротства финансовых коэффициентах.
Список использованной литературы
Список использованной литературы
1. Altman E (1968).
Financial ratio, discriminant analysis and prediction of corporate bankruptcy. Journal of Finance, 22, 589– 610.
2. Bandyopadhyay B (2006).
Predicting probability of default of Indian corporate bonds: logistic and Z-score model approaches. The Journal of Risk Finance, 7, 255– 272.
3. Beaver W (1966).
Financial ratios as predictors of failure, empirical research in accounting: Selected studies. Journal of Finance Supplement, 4, 71– 111.
4. Charalambakis E, Garret I (2014).
On the prediction of financial distress in developed and emerging markets: Does the choice of accounting and market information matter? A comparison of UK and Indian firms. Review of Quantitative Finance and Accounting, published online (28 pages).
5. Chen J, Marshall B, Zhang J, Ganesh S (2006).
Financial distress prediction in China. Review of Pacific Basin Financial Markets and Policies, 9, 317– 336.
6. Dong Y-X, Xiao Z, Xiao X (2014).
Default prediction for real estate companies with imbalanced dataset. Journal of Information Processing Systems, 10, 314– 333.
7. Foster B, Zurada J (2013).
Loan defaults and hazard models for bankruptcy prediction. Managerial Auditing Journal, 28, 516– 541.
8. Hamdi M, Mestiri S (2014).
bankruptcy prediction for Tunisian firms: an approach of semi-parametric logistic regression and neural networks approach. Economics Bulletin, 34, 133– 143.
9. Ho C, McCarthy P, Yang Y, Ye Xuan (2013).
Bankruptcy in the pulp and paper industry: market’s reaction and prediction. Empirical Economics, 45, 1205– 1232.
10. Korol T, Korodi A (2010).
Predicting bankruptcy with the use of macroeconomic variables. Economic Computation and Economic Cybernetics Studies and Research, 44, 201– 219.
11. Korol T, Korodi A (2011).
An evaluation of effectiveness of fuzzy logic model in predicting the business bankruptcy. Romanian Journal of Economic Forecasting, 3, 92– 107.
12. Korol T (2013).
Early warning models against bankruptcy risk for Central European and Latin American enterprises. Economic Modeling, 31, 22– 30.
13. Li Z, Crook J, Andreeva G (2014).
Chinese companies distress prediction: an application of data envelopment analysis. Journal of the Operational Research Society, 65, 466– 479.
14. Lin S-M, Ansell J, Andreeva G (2012).
Predicting default of a small business using different definitions of financial distress. Journal of the Operational Research Society, 63, 539– 548.
15. Lugovskaya L (2010).
Predicting default of Russian SMEs on the basis of financial and non-financial variables. Journal of Financial Services Marketing, 14, 301– 313.
16. Martin D (1977).
Early warning of bank failure. Journal of Banking and Finance, 7, 249– 276.
17. McNelis P (2005).
Neural networks in finance: gaining predictive edge in the market. Academic press advanced finance series.
18. Ni J, Kwak W, Cheng X, Gong G (2014).
The determinants of bankruptcy for Chinese firms. Review of Pacific Basin Financial Markets and Policies, 17, 145002 (22 pages).
19. Ohlson J (1980).
Financial ratio and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18, 109– 131.
20. Onofrei M, Lupu D (2015).
The modeling of forecasting the bankruptcy risk in Romania. Economic Computation and Economic Cybernetics Studies and Research, 48, (20 pages).
21. Tinoco M, Wilson N (2013).
Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables. International Review of Financial Analysis, 30, 394– 419.
22. Wilson N, Altanlar A (2014).
Company failure prediction with limited information: newly incorporated companies. Journal of the Operational Research Society, 65, 252– 264.
23. Xu M, Zhang C (2009).
Bankruptcy prediction: the case of Japanese listed companies. Review of Accounting Studies, 14, 534– 558.
24. Демешев Б, Тихонова А (2014a).
Динамика прогнозной силы моделей банкротства для средних и малых российских компаний оптовой и розничной торговли. Журнал «Корпоративные финансы», 3 (31), 4-19.
25. Демешев Б, Тихонова А (2014b).
Прогнозирование банкротства российских компаний: межотраслевое сравнение. Экономический журнал ВШЭ, 3, 359-386.
26. Макеева Е, Бакурова А (2012).
Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей. Журнал «Корпоративные финансы», 3 (23), 22-30.
