haku: @instructor Kiviluoto, Kimmo / yhteensä: 4
viite: 3 / 4
Tekijä: | Gävert, Hugo |
Työn nimi: | 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 | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2004 |
Sivut: | (7) + 73 Kieli: eng |
Koulu/Laitos/Osasto: | Teknillisen fysiikan ja matematiikan osasto |
Oppiaine: | Informaatiotekniikka (T-61) |
Valvoja: | Oja, Erkki |
Ohjaaja: | Kiviluoto, Kimmo |
OEVS: | Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossaOppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa. Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/ Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.
Kirjautuminen asiakaskoneille
Opinnäytteen avaaminen
Opinnäytteen lukeminen
Opinnäytteen tulostus
|
Sijainti: | P1 Ark Aalto 7138 | Arkisto |
Avainsanat: | bankruptcy prediction segmentation self-organizing map linear discriminant analysis FastICA konkurssin ennustaminen segmentointi itseorganisoiva kartta lineaarinen erotteluanalyysi FastICA |
Tiivistelmä (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. |
Tiivistelmä (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. |
ED: | 2004-11-26 |
INSSI tietueen numero: 26529
+ lisää koriin
INSSI