Wykorzystanie sieci bayesowskich do prognozowania bankructwa firm

• Autorzy: Damian Gąska

Warianty tytułu

Bankruptcy Prediction with Bayesian Networks

• Języki publikacji: PL

Abstrakty

Celem pracy jest weryfikacja metod uczenia struktury sieci bayesowskich, wykorzystywanych do konstrukcji klasyfikatorów stosowanych do prognozowania bankructwa przedsiębiorstw. Empirycznej weryfikacji poddano kilka metod uczenia struktury sieci bayesowskich, wykorzystywanych pośrednio do konstrukcji klasyfikatorów. Analizy dotyczyły spółek notowanych na GPW w Warszawie. W pracy pokrótce omówiono podstawy teoretyczne rozpatrywanych zagadnień oraz zaprezentowano wyniki badań.(abstrakt oryginalny)

EN

The aim of the paper is to compare accuracy of some bankruptcy prediction models based on Bayesian networks. Some network structure learning algorithms were analyzed as a tool for classifiers construction. Empirical analysis was applied to companies listed on Warsaw Stock Exchange. The paper gives short overview of theoretical background behind discussed issues and presents results of empirical analysis.(original abstract)

Słowa kluczowe

PL

Prognozowanie; Bankructwo; Sieci bayesowskie

EN

Forecasting; Bankruptcy; Bayesian network

• Czasopismo: Śląski Przegląd Statystyczny
• Rocznik: 2016
• Numer: nr 14 (20)
• Strony: 131--143

Twórcy

autor

Damian Gąska

• Uniwersytet Ekonomiczny we Wrocławiu

Bibliografia

• Acock A.C., Stavig G.R., 1979, A measure of association for nonparametric statistics, Social Forces vol. 57, no. 4, s. 1381-1386.
• Agresti A., 2002, Categorical Data Analysis, Wiley & Sons, Hoboken, NJ.
• Cichosz P., 2007, Systemy uczące się, WNT, Warszawa.
• Ćwik J., Koronacki J., 2008, Statystyczne systemy uczące się, EXIT, Warszawa.
• Hastie T., Tibshirani R., Friedman J., 2009, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Springer Series in Statistics, Springer.
• Hojsgaard S., 2012, Graphical independence networks with the gRain package for R, Journal of Statistical Software, vol. 46, no. 10, s. 1-26.
• Krzyśko M., Wołyński W., Górecki T., Skorzybut M., 2008, Systemy uczące się, WNT, Warszawa.
• Margaritis D., 2003, Learning Bayesian Network Model Structure from Data, School of Computer Science, Carnegie-Mellon University, Pittsburgh.
• Ong H.C., 2011, Improving classification in Bayesian Networks using structural learning, World Academy of Science, Engineering and Technology, vol. 5, no. 3, s. 1073-1077.
• Ostasiewicz W., 2012, Myślenie statystyczne, Wolters Kluwer Polska, Warszawa.
• Prusak B., 2005, Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw, Difin, Warszawa.
• Russell S.J., Norvig P., 2009, Artificial Intelligence: A Modern Approach, Prentice Hall, Upper Saddle River, NJ.
• Scutari M., 2010, Learning Bayesian Networks with the bnlearn R Package, Journal of Statistical Software, vol. 35, no. 3, s. 1-22.
• Tsamardinos I., Aliferis C.F., Statnikov A., 2003, Algorithms for large scale Markov blanket discovery, [w:] Proceedings of the Sixteenth International Florida Artificial Intelligence Research Society Conference, AAAI Press, s. 376-381.
• Tsamardinos I., Brown L.E., Aliferis C.F., 2006, The max-min hill climbing Bayesian Network structure learning algorithm, Machine Learning, vol. 65, no. 1, s. 31-78.
• Yaramakala S., Margaritis D., 2005, Speculative Markov blanket discovery for optimal feature selection, [w:] Proceedings of the Fifth IEEE International Conference on Data Mining, IEEE Computer Society.

Identyfikatory

DOI

10.15611/sps.2016.14.08