Konkurssin ennustaminen neuroverkkoalgoritmilla ja peliteorialla

Abstract

Konkurssin ennustamista on tutkittu kattavasti jo 1930-luvulta lähtien. Ennustamisessa käytetyt menetelmät ovat kehittyneet ajan kuluessa yksinkertaisista malleista monimutkaisiin syväoppimisalgoritmeihin. Tämän pro gradu -tutkielman tavoitteena on selvittää, voidaanko konkurssia ennustaa tarkemmin neuroverkkoalgoritmeja hyödyntävillä konkurssimalleilla kuin niin sanotuilla perinteisillä malleilla. Perinteisinä malleina tässä tutkielmassa viitataan Altmanin Z-lukumalliin sekä logistiseen malliin. Lisäksi tutkielman tavoitteena on selvittää, voidaanko valmista neuroverkkoalgoritmia hyödyntävää konkurssimallia tulkita yhteistyöpeliteorian avulla.

Tutkielman teoreettisessa viitekehyksessä tarkastellaan konkurssia taloustieteen näkökulmasta. Alan kirjallisuuden ja aiempien tutkimusten pohjalta pyritään arvioimaan, mitä vaikutuksia konkursseilla on ja mikä on niiden rooli koko kansantaloudessa. Lisäksi tutkielmassa selvitetään, miksi konkursseja ylipäänsä ennustetaan ja mitä menetelmiä ennustukseen soveltuvissa konkurssimalleissa on aiemmin käytetty. Tutkielmassa tarkastellaan erityisesti neuroverkkoalgoritmeja ja niiden kykyä ratkaista konkurssitutkimuksessakin esiintyvää binääristä luokitteluongelmaa. Konkurssien taustalla olevia syitä pyritään puolestaan arvioimaan SHAP-tekniikalla, joten tutkielmassa tarkastellaan tekniikan taustalla olevaa yhteistyöpeliteorian ratkaisumenetelmää Shapley-arvoa ja sen matemaattista konseptia.

Aineistona konkurssin ennustamiseen käytettiin Puolan markkinoilta vuosilta 2000–2013 kerättyä teollisuusyhtiöiden tilinpäätösaineistoa, jonka pohjalta konkurssia pyrittiin ennustamaan vuotta ennen varsinaista konkurssihetkeä. Aineistoa prosessoitiin erilaisilla menetelmillä ja siihen sovellettiin Altmanin Z-lukumallia, logistista mallia sekä kolmea Googlen TensorFlow -palvelun avulla rakennettua neuroverkkomallia. Mallien ennustuskykyä mitattiin erilaisilla suorituskyvyn mittareilla ja suorituskyvyltään parasta neuroverkkomallia tulkittiin SHAP-tekniikalla.

Neuroverkkoalgoritmit osoittautuivat hyviksi menetelmiksi konkurssien ennustuksessa, varsinkin kun niiden toimintalogiikka optimoitiin tutkielmassa käytettyyn aineistoon soveltuvaksi. Cohenin Kapan perusteella kaikki kolme neuroverkkomallia päihittivät sekä Altmanin Z-lukumallin että logistisen mallin. Lisäksi tutkielman parasta neuroverkkomallia tulkittiin onnistuneesti SHAP-tekniikalla, jonka avulla pystytiin selvittämään mallin ennusteen kannalta 20 vaikutusvaltaisinta tilinpäätösaineiston tunnuslukua.