search query: @keyword itseorganisoiva kartta / total: 39
results-list
reference: 7 / 39
« previous | next »
Author:Gävert, Hugo
Title:Bankruptcy Prediction and Cluster Analysis of Small and Medium-Sized Enterprises Based on Financial Statements
Pienten ja keskisuurten yritysten konkurssin ennustaminen sekä segmenttianalyysi tilinpäätöstietoja hyväksi käyttäen
Publication type:Master's thesis
Publication year:2004
Pages:(7) + 73      Language:   eng
Department/School:Teknillisen fysiikan ja matematiikan osasto
Main subject:Informaatiotekniikka   (T-61)
Supervisor:Oja, Erkki
Instructor:Kiviluoto, Kimmo
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark Aalto  7138   | Archive
Keywords:bankruptcy prediction
segmentation
self-organizing map
linear discriminant analysis
FastICA
konkurssin ennustaminen
segmentointi
itseorganisoiva kartta
lineaarinen erotteluanalyysi
FastICA
Abstract (eng): The goal of this thesis is to find an accurate and robust model for predicting bankruptcy.
We also construct a segmentation model as a basis for company and bankruptcy analysis.

The bankruptcy prediction models used in this work are based on Self-Organizing Map (SOM).
We evaluate different ways of estimating the bankruptcy probability directly using the SOM as well as using more advanced models such as two-level SOM using trajectories of the first level as the input for the second level, and expert network using one SO M for clustering of the corporations and independent local models for the clusters.
Classical Linear Discriminant Analysis (LDA) is used as a benchmark method.
Principal Component Analysis (PCA) as well as Independent Component Analysis (ICA), using FastICA program, are evaluated for pre-processing and feature selection.
Cluster analysis is also based on the SOM.
The data set was supplied by Finnvera Plc.

Based on this study; the SOM based bankruptcy prediction methods are as good as the industry standard LDA.
As an added benefit, the SOM provides a good basis for clustering and company analysis as well as a good visual tool for studying mechanisms of bankruptcy.
This gives it an advantage in practical cases where the slightly better prediction accuracy of LDA is outweighed by the clustering property and visual understand ability of the Self-Organizing Map.
Abstract (fin): Tämän työn tavoitteena on löytää tarkka ja vankka malli konkurssin ennustamiselle.
Rakennamme myös segmentointimallin yritysanalyysin ja konkurssianalyysin pohjaksi.

Tässä työssä käytetyt konkurssien ennustusmallit perustuvat itseorganisoivaan karttaan (SOM).
Arvioimme erilaisia tapoja estimoida konkurssin todennäköisyyttä sekä suoraan SOM-kartalta että käyttäen edistyksellisempiä menetelmiä kuten kaksitasoista SOM-karttaa, jossa käytetään ensimmäisen tason liikeratoja toisen tason syötteinä, ja asiantuntijaverkkoa, jossa käytetään SOM-karttaa yritysten ryvästämiseen ja itsenäisiä paikallisia malleja eri ryppäille.

Vertailumenetelmänä käytetään klassista lineaarista erotteluanalyysia (LDA).
Arvioimme pääkomponenttianalyysin (PCA) ja FastICA-ohjelmistolla lasketun riippumattomien komponenttien analyysin (ICA) toimivuutta esikäsittelyssä ja piirteiden valinnassa.
Segmenttianalyysi perustuu myös SOM-karttaan.
Käsiteltävät tiedot toimitti Finnvera Oyj.

Tämän tutkimuksen perusteella SOM-karttaan perustuvat konkurssin ennustusmenetelmät ovat yhtä hyviä kuin alalla standardiksi muodostunut LDA.
Lisäksi SOM-kartta tarjoaa hyvän pohjan ryvästämiselle ja yritysanalyysille sekä työkalun konkurssin mekanismien visuaaliselle tarkastelulle.
Käytännön tapauksissa SOM-kartan ryvästämisominaisuus ja visuaalinen ymmärrettavyys on tärkeämpää kuin LDA:n hieman parempi ennustustulos.
ED:2004-11-26
INSSI record number: 26529
+ add basket
« previous | next »
INSSI