Financial distress prediction : the application of machine learning-based algorithms on portuguese small and medium enterprises

Financial distress prediction is an issue of great importance to several financial institutions and companies’ stakeholders. Detecting the early signs of it allows for corrective measures, reducing bankruptcies. This study examines the predictive power of 6 models, establishing a comparison between machine learning (ML) based models and others like Logistic Regression and Linear Discriminant Analysis. There are two main issues that this study strives to confront. The first one is to test if, in the context of Portuguese Small and Medium Enterprises, ML models' use in determent of others proves to be true. The second is to add to recent literature in testing novel statistical approaches to the classification problem by comparing different ensemble techniques. The results show that the Stacking Classifier outperforms both non-ML models but also other ensemble techniques. The results prove that ML models outperform non-ML methods and that Stacking is the best ensemble technique of the three presented in this study. For Portuguese stakeholders and financial institutions, the models presented in this study serve as proof of concept that it’s possible to reliably predict financial distress by implementing these techniques.A previsão de dificuldades financeiras é uma questão de grande importância para várias instituições financeiras e para as partes interessadas das empresas. Detetar os primeiros sinais permite implementar medidas corretivas, reduzindo falências. Este estudo examina o poder preditivo de 6 modelos, estabelecendo uma comparação entre modelos de Machine Learning (ML) e outros como Regressão Logística e a Análise Discriminante Linear. Este estudo procura responder a duas questões centrais. A primeira, testar se no contexto das Pequenas e Médias Empresas portuguesas, a utilização de modelos de ML prevalece sobre outros modelos. A segunda, contribuir para o processo de teste de novas abordagens estatísticas no problema de classificação, comparando diferentes técnicas de conjunto (ensemble techniques). Os resultados mostram que o Stacking Classifier supera os restantes modelos que não se baseiam em ML, mas também outras técnicas de conjunto. Estes resultados provam que os modelos de ML superam técnicas não ML, mas também, que o stacking é a melhor técnica de conjunto das três apresentadas. Para as partes interessadas e instituições financeiras portuguesas, os modelos apresentados neste estudo servem como uma prova de conceito de que é possível prever de forma fiável dificuldades financeiras através da implementação destas técnica