Mid Sweden University

I skrivande stund tar de flesta prediktionsmodeller i litteraturen inte hänsyntill teoretiska konkursprocesser över flera redovisningsperioder, trots att de föreslås ge bättre prediktionsprestanda. I denna uppsats används ett anpassattillvägagångssätt för att, i prediktionsmodeller, ta hänsyn till de år som närmastföregår bolagskonkurser. Genom att använda artificiellt intelligenta random forest-modeller, bedömer uppsatsen hur tidsaspekten hos konkurser påverkarprediktionsprestandamåtten träffsäkerhet (d.v.s. sannolikheten för att göra enkorrekt förutsägelse), recall (d.v.s. sannolikheten för att göra en korrekt förutsägelse för ett bolag som faktiskt går i konkurs) och precision (d.v.s. sannolikheten för att ett bolag som förutsägs gå i konkurs, faktiskt går i konkurs). Resultatet från experimentet indikerar att om prediktionsmodeller estimeras från flerårsdata på bolagsnivå, ökar deras prediktionsprestandamåtten träffsäkerhet och recall. Det tyder på att då hänsyn tas till tidsaspekten hos konkurser, görs träffsäkrare förutsägelser, främst genom att modellerna blir mer säkra på vilka bolag som faktiskt kommer att gå i konkurs. Denna uppsats kan dock inte påvisa att prediktionsmodellers precision påverkas av bolagsspecifika flerårsdata. Således krävs ytterligare forskning i andra socioekonomiska sammanhang, men också ytterligare forskning som använder andra prestandamått.

Theoretical bankruptcy processes spanning multiple accounting periods havebeen proposed. At the time of writing, most existing bankruptcy predictionstudies do not take these failure processes into consideration, even though theyare proposed to increase prediction performance. This thesis takes a novel approach, taking the years preceding corporate bankruptcy into account into prediction models, by using artificially intelligent random forests to assess the impact of the time dimension of bankruptcy on the prediction performance metrics accuracy (i.e. the probability of correctly classifying any firm), recall (i.e.the probability of correctly classifying a bankrupt firm), and precision (i.e. theprobability that a firm classified as bankrupt, is actually bankrupt). The experimental findings indicate that estimating prediction models from multipleyears of data at the firm level raises accuracy and recall of prediction models.These findings suggest that accounting for the time dimension of bankruptcyindeed increases bankruptcy prediction accuracy through an increased recallrate. However, this thesis cannot show that precision is affected by using multipleyears of data at the firm level. Thus, further research conducted in othersocio-economical contexts, as well as using other performance metrics, is calledfor.