Bankruptcy prediction with support vector machines

Diese Arbeit untersucht die Anwendung von Support Vektor Machines (SVMs) zur Vorhersage der Insolvenz von deutschen Unternehmen. Die Vorhersage basiert auf 24 finanziellen Kennzahlen, die in vier Kategorien unterteilt sind: Profitabilität, Fremdfinanzierung, Liquidität und Aktivität. SVMs ,eine der effizientesten geordneten Lernmethoden, können zur Klassifikation oder zur Regression dienen. In unserem Fall, werden wir SVMs als Klassifikator benutzen, um solvente und insolvente Unternehmen zu diskriminieren. Um das geeignetste Model, das aus den aussagekräftigsten finanziellen Kennzahlen zusammengesetzt ist, auszuwählen, werden sowohl vorwärts, als auch ruckwärts schrittweise Selektionstechniken verwendet, und die hergeleiteten Resultate werden durch ihre Genauigkeitsquote. Des Weiteren nutzen wir die gleichen finanziellen Kennzahlen, um die Insolvenzwahrscheinlichkeit der Unternehmen mit einer logistischen Regression vorherzusagen. Die Wahl des Regressionsmodels basiert auf Akaikes Informationskriterium. Die jeweils besten Resultate der SVM und des logistischen Models werden anhand der Lorenzkurve verglichen, um herauszufinden, welches Model erfolgreicher darin ist, wesentliche Informationen für Insolvenzhervorsagen aus den finanziellen Kennzahlen zu ziehen. Die Resultate des SVM-Models übertreffen diejenigen der logistischen Regression.This work investigates the application of support vector machines (SVMs) for prediction of German companies'' failure that is based on 24 financial ratios being grouped into four categories, namely profitability, leverage, liquidity and activity. SVMs, one of the efficient supervised learning methods, can be applied to classification or regression. In our framework, we will use SVMs as a classifier to discriminate solvent and insolvent companies. To select the appropriate model composed of the most powerful financial ratios in classification both forward and backward stepwise selection techniques are utilized and the derived results are compared through their accuracy ratios. Furthermore, with the use of the same financial ratio data we predict companies'' probability of default via logistic regression. The selection of the regression model is based on Akaike''s information criterion. Then, the best established results of the SVM and logistic models are assessed via their Lorenz curves to figure out which model is more successful method to extract useful information from financial ratios for default prediction. The results release that the SVM model outperforms logistic regression