haku: @keyword bankruptcy prediction / yhteensä: 4
hakutulos-lista
viite: 3 / 4
« edellinen | seuraava »
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
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen 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

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
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
« edellinen | seuraava »
INSSI