Predicting company bankruptcy using artificial neural networks. : Visualization and ranking of key features

This paper presents a deep learning model that challenges what is known in the financial field of company bankruptcy. Specifically, a Multilayer Perceptron (MLP) model for predicting corporate bankruptcies is constructed and analyzed to visualize which input parameters that are most important for the accuracy of the model. The model uses approximately 55,000 rows of data, data cleaning and hyperparameter optimization to achieve an average accuracy of 82.8% and a standard deviation of 0.0678% after 120 epochs and 30 trials, which is an outstanding result. The model outperformed two support vector machine (SVM) models that were compared and showed good generalization ability. However, the non-linear SVM model generated 20.48% false positives and had an accuracy of 71.96% while the MLP model generated 25.1%. So if it is more important to reduce the number of false positives, the SVM model may be preferable despite having a lower accuracy. After analysing the input parameters, it was found that the number of employees, the turnover group and the equity ratio were among the inputs that had the greatest impact on the bankruptcy prediction. This thus resulted in the conclusion that these parameters could potentially be the most important factors to look at when analysing whether a firm will go bankrupt or not.Den här rapporten presenteras en djupinlärningsmodell som utmanar vad som är känt inom det finansiella området för företagskonkurser. Närmare bestämt konstruerades en MLP-modell (Multi-layer Perceptron) för att förutsäga företagskonkurser och denna model analyserades för att visualisera vilka inparametrar som är viktigast för modellens precision. Modellen använde cirka 55 000 rader av data, en omfattande rensning av data och en optimering av hyperparamtrar för att uppnå en genomsnittlig precision på 82,8% och en standardavvikelse på 0,0678% efter 120 epoker och 30 försök, vilket är ett enastående resultat. Modellen överträffade två suport vector machine (SVM) modeller som jämfördes och visade god generaliseringsförmåga. Den icke-linjära SVM-modellen genererade dock 20,48% falskt positiva resultat och hade en precision på 71,96% medan MLP-modellen genererade 25,1%. Så om det är viktigare att minska antalet falska positiva resultat kan SVM-modellen vara att föredra trots att den har en lägre precision. Efter en analys av ingångsparametrarna fann man att antalet anställda, omsättningsgruppen och soliditeten var bland de parametrar som hade störst inverkan på konkursförutsägelsen. Detta resulterade således i slutsatsen att dessa parametrar potentiellt kan vara de viktigaste faktorerna att titta på när man analyserar om ett företag kommer att gå i konkurs eller inte