Konkursprediksjon med ubehandlede regnskapsdata – En kvantitativ studie av prediksjonsevnen til nevrale nettverk basert på data fra norske aksjeselskaper

Temaet i denne oppgaven er konkursprediksjon. Formålet er å undersøke hvordan valg av uavhengige variabler kan påvirke prediksjonsevnen til nevrale nettverk innenfor konkursprediksjon. I denne oppgaven blir det undersøkt hvorvidt bruk av ubehandlede regnskapsdata kan gi bedre prediksjoner enn variabelsett som er benyttet i tidligere forskning. Det finnes ingen universell konsensus på hvilke uavhengige variabler som bør brukes til konkursprediksjon, men det er flere variabler som går igjen i den tidligere forskningen på området. Oppgaven presenterer fire ulike variabelsett bestående av ubehandlede regnskapsdata hvor to av disse også inneholder finansielle nøkkeltall fra tidligere forskning. Variabelsett som er basert på Altmans Z-score modell og Norges Banks SEBRA-modell brukes som sammenlikning for disse fire variabelsettene. Det settes opp modeller med nevrale nettverk for hvert variabelsett og disse vurderes opp mot hverandre. Det lages også referansemodeller med logistisk regresjon for hvert variabelsett. Datagrunnlaget som benyttes i denne oppgaven er en samling av alle norske ikke-finansielle årsregnskaper i perioden 2006–2019, og inneholder til sammen 3 876 923 ikke-konsoliderte norske årsregnskaper. Problemstillingen i denne oppgaven er som følger: I hvilken grad kan ubehandlede regnskapsdata forbedre konkursprediksjon med dyplæringsmodeller? Oppgaven konkluderer med at det er nyttig å bruke ubehandlede regnskapsdata i nevrale nettverk, siden resultatene tyder på at finansielle nøkkeltall i slike modeller kan erstattes av regnskapstall. Dette begrunnes med at slike modeller med dagens datakraft er i stand til å finne sammenhengene i regnskapstallene som disse finansielle nøkkeltallene er skapt for å illustrere