Capacity of Neural Networks and Discriminant Analysis in Classifying Potential Debtors

• Autorzy: Krzysztof Piasecki , Aleksandra Wójcicka-Wójtowicz
• Języki publikacji: EN

Abstrakty

EN

Identifying potential healthy and unsound customers is an important task. The reduction of loans granted to companies of questionable credibility can influence banks' performance. A prior identification of factors that affect the condition of companies is a vital element. Among the most commonly used methods we can enumerate discriminant analysis (DA), scoring methods, neural networks (NN), etc. This paper investigates the use of different structure NN and DA in the process of the classification of banks' potential clients. The results of those different methods are juxtaposed and their performance compared. (original abstract)

Słowa kluczowe

EN

Credit risk; Neural networks; Discriminant analysis

PL

Ryzyko kredytowe; Sieci neuronowe; Analiza dyskryminacyjna

• Czasopismo: Folia Oeconomica Stetinensia
• Rocznik: 2017
• Numer: vol. 17, iss. 2
• Strony: 129--143

Twórcy

autor

Krzysztof Piasecki

• Poznań University of Economics, Poland

autor

Aleksandra Wójcicka-Wójtowicz

• Poznań University of Economics and Business, Poland

Bibliografia

• Agarwal, A. (1999). Abductive networks for two-group classification: a comparison with neural networks (pp. 1-12). ESANN 2008, European Symposium on Artificial Neural Networks, Bruges, Belgium 15.
• Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, XXIII, 189-209.
• Angelini, E., Tollo, G., Roli, A. (2008). A neural network approach for credit risk evaluation. The Quarterly Review of Economics and Finance, 48, 733-755.
• Antonowicz, P. (2007). Metody oceny i prognoza kondycji ekonomiczno-finansowej przedsiębiorstwa. Gdańsk: Ośrodek Doradztwa i Doskonalenia Kadr.
• Appenzeller, D., Szarzec, K. (2004). Prognozowanie zagrożenia upadłością polskich spółek publicznych. Rynek Terminowy, 1, 120-128.
• Atiya, A.F. (2001). Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results. IEEE Transactions on Neural Networks, 12 (4).
• Azayite, F.Z., Achchab, S. (2016). Hybrid Discriminant Neural Networks for bankruptcy prediction and risk scoring. Procedia Computer Science, 83, 670-674.
• Baesens, B., Setiono, R., Mues, C., Vanthienen, J. (2003) Using Neural Network Rule Extraction and Decision Tables for Credit-Risk Evaluation. Management Science, 49 (3).
• Brabazon, A., Keenan, P. (2004). A hybrid genetic model for the prediction of corporate failure. Computational Management Science, 1, 293-310.
• Bragg, S.M. (2010). Wskaźniki w analizie działalności przedsiębiorstwa. Oficyna Wolters Kluwer Business.
• Gajdka, J., Stos, D. (1996). Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw. In: R. Borowiecki (ed.), Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw. Kraków: AE w Krakowie.
• Gaudart, J., Giusiano, B., Huiart, L. (2004). Comparsion of the performance of multi-layer perceptron and linear regression for epidemiological data. Computional Statistics & Data Analysis, 44, 547-570.
• Hadasik, D. (1998). Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. ZN 153, Seria II, Prace Habilitacyjne. Poznań: Wydawnictwo AE w Poznaniu.
• Hamrol, M., Czajka, B., Piechocki, M. (2004). Upadłość przedsiębiorstwa - model analizy dyskryminacyjnej. Przegląd Organizacji, 6.
• Haykin, S. (2011). Neural Networks and Learning Machines. Third Edition. PHI Learning Private Limited, New Dehli-110001.
• Hołda, A. (2001). Prognozowanie jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej. Rachunkowość, 5, 306-310.
• Huang, Z., Chen, H., Hsu, C.J., Chen, W.H., Wu, S. (2004). Credit rating analysis with support vector machines and neural networks: a market comparative study. Decision Support Systems, 37, 543-558. Retrieved from: www.sciencedirect.com (9.05.2016).
• du Jardin, P. (2010). Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing, 10-12 (73), 2047-2060.
• Karaa, A., Krichene, A. (2012). Credit-risk Assessment Using Support Vectors Machine and Multilayer Neural Network Models: A Comparative Study Case of a Tunisian bank. Accounting and Management Information Systems, 4 (11), 587-620.
• Khemakhem, S., Boujelbènea, Y. (2015). Credit risk prediction: A comparative study between discriminant analysis and the neural network approach. Accounting and Management Information Systems, 1 (14), 60-78.
• Kisieliska, J. (2008). Modele klasyfikacyjne prognozowania sytuacji finansowej gospodarstw rolniczych. Warszawa: Wydawnictwo SGGW.
• Lee, K., Booth, D., Alam, P. (2005). A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms. Expert Systems with Applications, 29, 1-16.
• Linder, R., Geier, J., Kölliker, M.J. (2004). Artificial neural networks, classification trees and regression: Which method for which customer? Database Marketing & Customer Strategy Management, 11, 344-356. DOI: 10.1057/3240233.
• Mączyńska, E. (1994). Ocena kondycji przedsiębiorstwa (uproszczone metody). Życie Gospodarcze, 38.
• Mączyńska, E., Zawadzki, M. (2006). Dyskryminacyjne modele predykcji upadłości przedsiębiorstw. Ekonomista, 2, 205-217.
• Nigrin, A. (1993). Neural Networks for Pattern Recognition. Massachusetts Institute of Technology.
• Ogwueleka, F.N., Misra, S., Colomo-Palacios, R., Fernández-Sanz, L. (2015). Neural Network and Classification Approach in Identifying Customer Behaviour in the Banking Sector: A Case Study of an International Bank. Human Factors and Ergonomics in Manufacturing & Service Industries, 1 (25), 28-42. DOI: 10.1002/hfm.20398.
• Oreski, S., Oreski, D., Oreski, G. (2012). Hybrid system with genetic algorithm and artificial neural networks and its application to retail credit risk assessment. Expert Systems with Application, 16 (39), 12605-12617. DOI: 10.1016/j.eswa.2012.05.023.
• Pacelli, V., Azzollini, M. (2011). An Artificial Neural Network Approach for Credit Risk Management. Journal of Intelligent Learning Systems and Applications, 103-112. DOI: 10.4236/jilsa.2011.32012.
• Pogodzińska, M., Sojak, S. (1995). Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa przedsiębiorstw. Acta Universitatis Nicolai Copernici: Ekonomia, 25 (299), 53-61.
• Prusak, B. (2005). Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw. Warszawa: Difin.
• Ravi, P., Ravi, K.V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques - a review. European Journal of Operational Research, 1 (180), 1-28.
• Sexton, R., Sriram, R., Etheridge, H. (2003). Improving decision effectiveness of artificial neural networks: a modified genetic algorithm approach. Decision Sciences, 34, 421-442.
• STATISTICA HELP. Retrieved from: http://documentation.statsoft.com (14.01.2016).
• Tollo, G. (2006). Credit Risk: A Neural Net Approach. Retrieved from: http://tmancini. di.uniroma1.it/rcra/workshops/RCRA-2006/files/ditollo.pdf (22.06.2016).
• West, D. (2000). Neural network credit scoring models. Computers and Operations Research, 27, 1131-1152.
• Wierzba, D. (2000). Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie analizy wskaźników finansowych - teoria i badania empiryczne. Zeszyty Naukowe Wyższej Szkoły Ekonomiczno-Informatycznej w Warszawie, 9, 79-105.
• Wójciak, M., Wójcicka, A. (2008). Zdolności dyskryminacyjne wskaźników finansowych w ocenie kondycji finansowej podmiotów gospodarczych. In: Taksonomia 15: Klasyfikacja i analiza danych - teoria i zastosowania. Wrocław: Uniwersytet Ekonomiczny we Wrocławiu.
• Wójciak, M., Wójcicka, A. (2009). The discriminative ability of financial ratios to evaluate the credit risk level. In: P. Chrzan, T. Czernik (eds.), Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach. Katowice: Wydawnictwo Akademii Ekonomicznej (AE) w Katowicach.
• Wójcicka, A. (2012). Calibration of a credit rating scale for Polish companies. Operations Research and Decisions, 3.
• Wójcicka, A. (2017a). Neural networks in credit risk evaluation of construction sector. Econometric Research in Finance, 1 (2).
• Wójcicka, A. (2017b). Classification of trade sector entities in credibility assessment using neural networks. Optimum, 3 (87).
• Wójcicka, A. (2017c). Credit-risk decision process using neural networks in industrial sectors. In: T. Choudhry, J. Mizerka (eds.), Contemporary Trends in Accounting, Finance and Financial Institutions: Proceedings from the International Conference on Accounting, Finance and Financial Institutions (ICAFFI). Poznań: Springer Proceedings in Business and Economics (accepted to publication).
• Wójcicka, A. (2017d). The dynamic approach to financial ratios analysis: an experimental approach. Paper presented during Econometric Research in Finance Workshop, 15.09.2017, Warsaw.
• Wójcicka, A., Wójtowicz, T. (2009). Wykorzystanie analizy wskaźnikowej w ocenie zdolności kredytowej przedsiębiorstwa - szanse i zagrożenia. Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego (SGGW) w Warszawie: Ekonomika i Organizacja Gospodarki Żywnościowej nr 78. Warszawa: Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego (SGGW) w Warszawie.

Identyfikatory

DOI

10.1515/foli-2017-0023