Modele predykcji bankructwa i ich zastosowanie dla rynku NewConnect

• Autorzy: Łukasz Postek , Michał Thor

Warianty tytułu

Default Prediction Models and Their Application to Poland's NewConnect Market

• Języki publikacji: PL

Abstrakty

Niniejsza praca podejmuje problematykę modelowania bankructwa spółek notowanych na rynku NewConnect. Dokonano przeglądu prac empirycznych związanych z predykcją upadłości przedsiębiorstw w Polsce i za pomocą regresji logistycznej zbudowano modele przewidujące bankructwa spółek notowanych na rynku NewConnect w rocznym horyzoncie czasowym. Brak odporności uzyskanych oszacowań podaje w wątpliwość istnienie stabilnej i monotonicznej relacji pomiędzy wskaźnikami finansowymi a prawdopodobieństwem bankructwa na NewConnect. Równocześnie zarówno oszacowane modele, jak i najpopularniejsze polskie modele predykcji bankructwa cechują się brakiem zdolności prognostycznych out-of-sample. Mimo to modele predykcji bankructwa okazują się być potencjalnie przydatne w wyborze celów inwestycyjnych i ustaleniu wag poszczególnych akcji w portfelu inwestycyjnym - portfele skonstruowane na podstawie modeli oszacowanych w niniejszej pracy oraz najpopularniejsze polskie modele predykcji bankructwa cechują się wyższą stopą zwrotu niż portfel z równymi wagami dla wszystkich spółek.(abstrakt oryginalny)

Słowa kluczowe

PL

Portfel inwestycyjny; Prognozowanie; Bankructwo

EN

Investment portfolio; Forecasting; Bankruptcy

• Czasopismo: Gospodarka Narodowa
• Rocznik: 2020
• Numer: nr 1
• Strony: 109--137

Twórcy

autor

Łukasz Postek

• Katedra Statystyki i Ekonometrii, Wydział Nauk Ekonomicznych UW, Polska

autor

Michał Thor

• Wydział Nauk Ekonomicznych UW, Polska

Bibliografia

• Altman E. [1968], Financial Ratios, Discriminant Analysis and the Prediction of corporate Bankruptcy, Journal of Finance, 23 (4): 589-609.
• Altman E. [2000], Predicting Financial Distress of Companies: Revisiting the Z-Score and Zeta® Models, http://pages.stern.nyu.edu/~ealtman/Zscores.pdf, dostęp: 23.02.2019.
• Ang T. C. C. [2012], Understanding the Distress Puzzle: Surprises in the Pre-Delisting Period, 2012 Financial Markets & Corporate Governance Conference.
• Anginer D., Yıldızhan Ç. [2018], Is There a Distress Risk Anomaly? Pricing of Systematic Default Risk in the Cross-section of Equity Returns, Review of Finance, 22 (2): 633-660.
• Aretz K., Florackis C., Kostakis A. [2008], Do Stock Returns Really Decrease with Default Risk? New International Evidence, Management Science, 64 (8): 3821-3842.
• Back B., Laitinen T., Sere K. [1996], Neural networks and genetic algorithms for bankruptcy predictions, Expert Systems with Applications, 11 (4): 407-413.
• Balina R., Bąk M. J. [2016], Analiza dyskryminacyjna jako metoda predykcji bankructwa przedsiębiorstw z uwzględnieniem aspektów branżowych, Waleńczów, Wydawnictwo Naukowe INTELLECT.
• Campbell J. Y., Hilscher J., Szilagyi J. [2008], In Search of Distress Risk, The Journal of Finance, 63 (6): 2899-2939.
• Chava S., Purnanandam A. [2010], Is Default Risk Negatively Related to Stock Returns?, The Review of Financial Studies, 23 (6): 2523-2559.
• Coveney J. [2015], FIRTHLOGIT: Stata module to calculate bias reduction in logistic regression, https://EconPapers.repec.org/RePEc:boc:bocode:s456948.
• Dichev I. D. [1998], Is the Risk of Bankruptcy a Systematic Risk?, The Journal of Finance, 53 (3): 1131-1147.
• Firth D. [1993], Bias reduction of maximum likelihood estimates, Biometrika, 80 (1): 27-38.
• Frydman H., Altman E., Kao D. [1985], Introducing recursive partitioning for financial classification: The case of financial distress, Journal of Finance, 1 (40): 269-291.
• Gajdka J., Stos D. [1996], Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw, w: Borowiecki R. (red.), Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, Kraków, Wydawnictwo Akademii Ekonomicznej w Krakowie.
• Gruszczyński M. [2003], Modele mikroekonometrii w analizie i prognozowaniu zagrożenia finansowego przedsiębiorstw, Studia Ekonomiczne, 34 Warszawa, Wydawnictwo INE PAN.
• Hamrol M., Czajka B., Piechocki M. [2004], Prognozowanie upadłości przedsiębiorstwa - model analizy dyskryminacyjnej, Zeszyty Teoretyczne Rachunkowości, 76: 37-48.
• Hołda A. [2001], Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej ZH. Rachunkowość, 5: 306-310.
• Mączyńska E. [1994], Ocena kondycji przedsiębiorstwa (uproszczone metody), Życie Gospodarcze, 38: 3-5.
• Mączyńska E., Zawadzki M. [2006], Dyskryminacyjne modele predykcji bankructwa przedsiębiorstw, Ekonomista, 2: 205-235.
• Ohlson J. [1980], Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research, 18 (1): 109-131.
• Pociecha J. (red.), Pawełek B., Baryła M., Augustyn S. [2014], Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Kraków, Fundacja Uniwersytetu Ekonomicznego w Krakowie.
• Prusak B. [2005], Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstwa, Warszawa, Difin.
• Ptak-Chmielewska A. [2014], Modele predykcji upadłości MŚP w Polsce - analiza z wykorzystaniem modelu przeżycia Coxa i modelu regresji logistycznej, Ekonometria, 4 (46): 9-21.
• Rutkowska J. [2006], Ocena przydatności metod prognozowania bankructwa w warunkach polskich, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, 683: 47-62.
• Skogsvik K., Skogsvik S. [2013], On the choice based sample bias in probabilistic bankruptcy prediction, Investment Management and Financial Innovations, 10 (1): 29-37.
• Wagle M., Yang Z., Benslimane Y. [2017], Bankruptcy Prediction using Data Mining Techniques, 8th International Conference of Information and Communication Technology for Embedded Systems (IC-ICTES).
• 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.
• Witkowska D. [2002], Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, Warszawa: Wydawnictwo C. H. Beck.
• Wu Y., Gaunt C., Gray S. [2010], A comparison of alternative bankruptcy prediction models, Journal of Contemporary Accounting & Economics, 6 (1): 34-45.
• Wyrobek J., Kluza K. [2019], Efficiency of Gradient Boosting Decision Trees Technique in Polish Companies, w: Wilimowska Z., Borzemski L., Świątek J. (red.), Bankruptcy Prediction, Information Systems Architecture and Technology: Proceedings of 39th International Conference on Information Systems Architecture and Technology - ISAT 2018, Springer Nature.
• Zięba M., Tomczak S. K., Tomczak J. M. [2016], Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction, Expert Systems with Applications, 58 (1): 93-101.
• Zmijewski M. E. [1984], Methodological Issues Related to the Estimation of Financial Distress Prediction Models, Journal of Accounting Research, 22, Studies on Current Econometric Issues in Accounting Research: 59-82.

Identyfikatory

DOI

10.33119/GN/116656