Журнал «Экономические стратегии», ключевое слово: «случайный лес»


Прогнозирование банкротств контрагентов на основе данных платежной дисциплины

DOI: 10.33917/mic-4.93.2020.47-56

В данной статье исследуется проблема прогнозирования банкротств фирм с использованием данных о платежной дисциплине. Большинство предыдущих исследователей использовали в качестве источника данных бухгалтерский баланс, тогда как данные о платежной дисциплине позволят сократить время до принятия решения по фирме, а также получить оценки благонадежности, основываясь на данных другого типа. Для прогнозирования банкротств фирм была предложена новая методика работы с сильно несбалансированными данными, заключающаяся в обучении классификаторов на специально сформированных подвыборках и усреднении полученных результатов. В роли классификатора на подвыборках выступал случайный лес (Random forest), а для проверки качества модели использовался AUC-score, который показал хорошие результаты.

Источники:

1. Andrjovská A., Bánociová A. Payment discipline in business environment// Procedia Economics and Finance. 2014. Т. 15. С. 1217-1224.

2. Bekkar M., Djemaa H. K., Alitouche T. A. Evaluation measures for models assessment over imbalanced data sets // J Inf Eng Appl. 2013. Т. 3. № 10.

3. 5, class imbalance, and cost sensitivity: why under-sampling beats over-sampling / C. Drummond, R. C. Holte [и др.] // Workshop on learning from imbalanced datasets II. Т. 11. Citeseer. 2003. С. 1-8.

4. Dimensionality reduction for fast similarity search in large time series databases / E. Keogh [и др.] // Knowledge and information Systems. 2001. Т. 3. № 3. С. 263-286.

5. Hu W. Overdue invoice forecasting and datamining: дис….канд./ Hu Weikun. Massachusetts Institute of Technology, 2016.

6. Kiang M.Y. A comparative assessment of classification methods //Decision Support Systems. 2003. Т. 35. № С. 441-454.

7. Kotsiantis S. B., Zaharakis I., Pintelas P. Supervised machine learning: A review of classification techniques// Emerging artificial intelligence applications in computer engineering. 2007. Т. 160. С. 3-24.

8. Kumar P. R., Ravi V. Bankruptcy prediction in banks and firms via statistical and intelligent techniques -A review // European journal of operational research. 2007. Т. 180. № 1. С. 1-28.

9. Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy //Journal of accounting research. 1980. С. 109-131.

10. Predicting financial distress of companies: revisiting the Z-score and ZETA models/ E.I. Altman [и др.] // Stern School of Business, New York University, 2000.