Teoretyczne podstawy drzew decyzyjnych w kontekście prognozowania upadłości

• Autorzy: Artur Hołda

Warianty tytułu

Theory of Decision Trees in Prediction of Bankruptcy

• Języki publikacji: PL

Abstrakty

W niniejszym artykule przedstawiono teorię drzew decyzyjnych, jak również metodologie ich budowy. Wskazano na użyteczność i ograniczenia techniki drzew decyzyjnych. Zalety drzew decyzyjnych były wykorzystywane przez wielu autorów, także w prognozowaniu upadłości przedsiębiorstw. Frydman H., Altman E. I. Kao D byli jednymi z pierwszych autorów wykorzystujących drzewa decyzyjne w prognozie upadłości. W niniejszej pracy przedstawiono również drzewo decyzyjne DHP zbudowane na podstawie danych polskich firm produkcyjnych. W przedstawionym drzewie wykorzystano 3 wskaźniki finansowe (ODCP, SZ, RSK) - wykazało ono wysokie zdolności klasyfikacyjne i prognostyczne.

EN

This paper presents the theory as well as methodology of decision trees. Advantages and disadvantages of using decision trees are presented. At present many authors take advantage of this technique for prediction of bankruptcy. Frydman H., Altman E. L, Kao D. were among the first authors who made use of decision trees for prediction of bankruptcy. Also, in the article a decision tree DHP is presented for Polish manufacturing companies. Decision tree DHP uses three financial ratios (ODCP, SZ, RSK) and has high ability for classifying and predicting.

Słowa kluczowe

PL

Rachunkowość; Decyzje operacyjne; Prognozowanie ostrzegawcze; Drzewo decyzyjne

EN

Accounting; Operational decisions; Warning forecasting; Decision tree

• Czasopismo: Zeszyty Teoretyczne Rachunkowości
• Rocznik: 2007
• Tom: 36
• Numer: nr 92
• Strony: 32--48

Twórcy

autor

Artur Hołda

Bibliografia

• [1] Breiman L., Friedman J. H., Olshen A., Stone C. J., Classification and regression trees, Wadsworth, Belmont, CA, 1984.
• [2] Cherkassky V., Mulier F., Learning from data. Adaptive and learning systems for signal processing, Communications and control, John Wiley & Sons, Inc., New York, 1998.
• [3] Cichosz P, Systemy uczące się, WNT, Warszawa, 2000.
• [4] Frydman H, Altman E. I. Kao D., Introducing Recursive partitioning for Financial Classification: The Case of financial distress,, Journal of Finance", 40(1), 1995.
• [5] Hołda A., Istota drzew decyzyjnych i możliwość ich wykorzystania w prognozowaniu upadłości jednostek produkcyjnych w polskich realiach gospodarczych, „Zarządzanie Finansami, Inwestycje i wycena przedsiębiorstw", t. II, red. D. Zarzecki, Uniwersytet Szczeciński, Szczecin, 2006a.
• [6] Hołda A., Zasada kontynuacji działalności i prognozowanie upadłości w polskich realiach gospodarczych, Zeszyty Naukowe, Seria Specjalna: Monografie nr 174, Wyd. AE w Krakowie, Kraków, 2006b.
• [7] Hunt E. B., Marin J., Stone P. T., Experiments in Induction, Academic Press, New York, 1966. [8] Lasek M., Data Mining, Zastosowania w analizach i ocenach klientów bankowych, Warszawa, 2002.
• [9] Messier, W.F., Hansen, J.V., Inducing Rules for Expert System Development: An Example using Default and Bankruptcy Data, „Management Science" 34 (12), 1988.
• [10] Michie D., Spiegelhalter D. J., Taylor C. C.. Machine learning, neural and statistical classification, Elis Horwood, London, 1994.
• [11] Pompe, P., Feelders, A., Using Machine Learning, Neural Networks, and Statistics to Predict Corporate Bankruptcy, „Microcomputers in Civil Engineering" 12, 1997.
• [12] Quinlan J. R., Induction of decision trees, „Machine Learning", 1: 81-106, 1986.
• [13] Quinlan J. R., Programs for machine learning, 1993.
• [14] Sinkey J. S., Commercial Bank Financial Management - In the Financial Services Industry, Macmillan Publishing Company, New York, 1992.
• [15] Srinivasan V. and Kim Y., Credit Granting: A Comparative Analysis of Classification Procedures, „Journal of Finance", Vol. XLII, No. 3, My 1987. s. 665-681.