The efficiency of bankruptcy predictive models - genetic algorithms approach

Detalhes bibliográficos
Autor(a) principal: Antão, Mário Manuel Neto
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10362/109389
Resumo: Dissertation presented as the partial requirement for obtaining a Master's degree in Information Management, specialization in Knowledge Management and Business Intelligence
id RCAP_20800aec65691c2b8248aa39c6691e06
oai_identifier_str oai:run.unl.pt:10362/109389
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling The efficiency of bankruptcy predictive models - genetic algorithms approachGenetic algorithmLogitBankruptcyMDAZ-ScoreLogistic RegressionAlgoritmos GenéticosFalênciaRegressão LogísticaDissertation presented as the partial requirement for obtaining a Master's degree in Information Management, specialization in Knowledge Management and Business IntelligenceThe present dissertation evaluates the contribution of genetic algorithms to improve the performance of bankruptcy prediction models. The state-of-the-art points to a better performance of MDA (Multiple Discriminant Analysis)-based models, which, since 1968, are the most applied in the field of bankruptcy prediction. These models usually recur to ratios commonly used in financial analysis. From the comparative study of (1) logistic regression-based models with the forward stepwise method for feature selection, (2) Altman's Z-Score model (Edward I. Altman, 1983) based on MDA and (3) logistic regression with the contribution of genetic algorithms for variable selection, a clear predominance of the efficiency revealed by the former models can be observed. These new models were developed using 1887 ratios generated a posteriori from 66 known variables, derived from the accounting, financial, operating, and macroeconomic analysis of firms. New models are thus presented, which are very promising for predicting bankruptcy in the medium to long term, in the context of increasing instability surrounding firms for different countries and sectors.A dissertação realizada avalia a contribuição dos algoritmos genéticos para melhorar a performance dos modelos de previsão de falência. O estado da arte aponta para uma melhor performance dos modelos baseados em MDA (Análise descriminante multivariada) que por isso, desde de 1968, são os mais aplicados no âmbito da previsão de falência. Estes modelos recorrem habitualmente a rácios comumente utlizados em análise financeira. A partir do estudo comparado de modelos baseados em (1) regressão logística com o método forward stepwise para escolha variáveis, (2) o modelo Z-Score de Edward Altman (1983) baseado em MDA e (3) regressão logística com o contributo de algoritmos genéticos para escolha variáveis, observa-se um claro predomínio da eficácia revelada por estes últimos. Estes novos modelos, agora propostos, foram desenvolvidos com recurso a 1887 rácios gerados a posteriori a partir de 66 variáveis conhecidas, oriundas da análise contabilística, financeira, de funcionamento e de enquadramento macroeconómico das empresas. São assim apresentados novos modelos, muito promissores, para a previsão de falência a médio longo prazo em contexto de crescente instabilidade na envolvente das empresas, para diferentes países e sectores.Castelli, MauroRUNAntão, Mário Manuel Neto2020-12-28T16:45:54Z2020-11-192020-11-19T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10362/109389TID:202570495enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2024-03-11T04:53:44Zoai:run.unl.pt:10362/109389Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-20T03:41:26.860135Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv The efficiency of bankruptcy predictive models - genetic algorithms approach
title The efficiency of bankruptcy predictive models - genetic algorithms approach
spellingShingle The efficiency of bankruptcy predictive models - genetic algorithms approach
Antão, Mário Manuel Neto
Genetic algorithm
Logit
Bankruptcy
MDA
Z-Score
Logistic Regression
Algoritmos Genéticos
Falência
Regressão Logística
title_short The efficiency of bankruptcy predictive models - genetic algorithms approach
title_full The efficiency of bankruptcy predictive models - genetic algorithms approach
title_fullStr The efficiency of bankruptcy predictive models - genetic algorithms approach
title_full_unstemmed The efficiency of bankruptcy predictive models - genetic algorithms approach
title_sort The efficiency of bankruptcy predictive models - genetic algorithms approach
author Antão, Mário Manuel Neto
author_facet Antão, Mário Manuel Neto
author_role author
dc.contributor.none.fl_str_mv Castelli, Mauro
RUN
dc.contributor.author.fl_str_mv Antão, Mário Manuel Neto
dc.subject.por.fl_str_mv Genetic algorithm
Logit
Bankruptcy
MDA
Z-Score
Logistic Regression
Algoritmos Genéticos
Falência
Regressão Logística
topic Genetic algorithm
Logit
Bankruptcy
MDA
Z-Score
Logistic Regression
Algoritmos Genéticos
Falência
Regressão Logística
description Dissertation presented as the partial requirement for obtaining a Master's degree in Information Management, specialization in Knowledge Management and Business Intelligence
publishDate 2020
dc.date.none.fl_str_mv 2020-12-28T16:45:54Z
2020-11-19
2020-11-19T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10362/109389
TID:202570495
url http://hdl.handle.net/10362/109389
identifier_str_mv TID:202570495
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799138027633639424

Registros relacionados