TILASTOLLISTEN JA KONEOPPIIN PERUSTUVIEN MENETELMIEN VERTAILUA KONKURSSIN ENNUSTAMISESSA
Puro-Aho, Juho (2019)
Puro-Aho, Juho
2019
Kuvaus
Opinnäytetyö kokotekstinä PDF-muodossa.
Tiivistelmä
Konkurssi on kallis tapa päättää liiketoiminta. Siitä syntyvät tappiot eivät rajoitu ainoastaan itse yritykselle, vaan sen kaikille sidosryhmille. Konkurssin ennustamisella on pitkä historia tutkimuskentässä. Yrityksen rahoituskriisiä on pyritty ennustamaan erilaisia menetelmiä ja malleja hyväksikäyttäen. Perinteisten tunnuslukuihin perustuvien menetelmien rinnalle on kehitetty monimutkaisia ja teknologiaan perustuvia ennustamismenetelmiä. Kuitenkaan ei voida yksiselitteisesti todeta, että jokin yksittäinen menetelmä olisi ennustamiskyvyltään muita menetelmiä parempi.
Tutkimustavoitteena on vertailla perinteisten tilastollisten ja kehittyneiden koneoppiin perustuvien ennustamismenetelmien paremmuutta, sekä etsiä näiden välisiä tilastollisesti merkitseviä eroja. Tutkimusaineisto koostuu 124 suomalaisen osakeyhtiöin tilinpäätöstiedoista vuosilta 2013–2015. Tutkimusmenetelmiksi valikoituivat lineaarinen erotteluanalyysi, logistinen regressioanalyysi, neurolaskenta ja rekursiivinen osittaminen. Menetelmien tilastollisesti merkitseviä eroja etsitään Z-testillä.
Menetelmien välisessä vertailussa koneoppiin perustuvat menetelmät menestyivät luokittelutarkkuudeltaan hieman tilastollisia menetelmiä paremmin. Menetelmien välillä ei kuitenkaan löytynyt tilastollisesti merkitseviä eroja.
Tutkimustavoitteena on vertailla perinteisten tilastollisten ja kehittyneiden koneoppiin perustuvien ennustamismenetelmien paremmuutta, sekä etsiä näiden välisiä tilastollisesti merkitseviä eroja. Tutkimusaineisto koostuu 124 suomalaisen osakeyhtiöin tilinpäätöstiedoista vuosilta 2013–2015. Tutkimusmenetelmiksi valikoituivat lineaarinen erotteluanalyysi, logistinen regressioanalyysi, neurolaskenta ja rekursiivinen osittaminen. Menetelmien tilastollisesti merkitseviä eroja etsitään Z-testillä.
Menetelmien välisessä vertailussa koneoppiin perustuvat menetelmät menestyivät luokittelutarkkuudeltaan hieman tilastollisia menetelmiä paremmin. Menetelmien välillä ei kuitenkaan löytynyt tilastollisesti merkitseviä eroja.