Электронная библиотека
Эволюция моделей определения вероятности корпоративного дефолта
Салманов О.Н., Бабина Н.В.
|
|
||
1 |
Введение | |
2 |
Модели кредитного риска, основанные на данных бухгалтерского учета и рыночной стоимости | |
4 |
Модели условной вероятности | |
5 |
Включение макроэкономических переменных | |
6 |
Модели машинного обучения | |
9 |
ЗаключениеВклад российских авторов в прогнозирование банкротств | |
10 |
Литература |
1. Богданова Т.К., Баклакова А.В. Инструментальные средства прогнозирования вероятности банкротства авиапредприятий // Инжиниринг бизнеса. — 2008. — №1. — С. 45–61.
2. Горбатков С.А., Фархиева С.А. Нейросетевая модель диагностики стадий развивающегося банкротства корпораций // Финансы: теория и практика. — 2018. — №22(3). — С. 112–123. — DOI: 10.26794/2587–5671–2018–22–3–112–123.
3. Гранкин В.Ф., Марченкова И.Н., Удовикова А.А. Сравнительный анализ российских и зарубежных методик прогнозирования вероятности банкротства // Вестник Курской государственной сельскохозяйственной академии. — 2018. — №5. — С. 169–176.
4. Жданов В.Ю., Афанасьева О.А. Модель диагностики риска банкротства предприятий авиационно-промышленного комплекса // Корпоративные финансы. — 2011. — №4. — С. 77–89.
5. Карминский А.М. Кредитные рейтинги и их моделирование. — М.: Издательский дом Высшей школы экономики, 2015.
6. Карминский А.М., Бурехин Р.Н. Сравнительный анализ методов прогнозирования банкротств российских строительных компаний // Бизнес-информатика. — 2019. — Том13. — №3. — С. 52–66. — DOI: 10.17323/1998-0663.2019.3.52.66.
7. Котлярова О.А., Бжассо А.А. Сравнительный анализ отечественных и зарубежных моделей оценки и прогнозирования вероятности банкротства компаний: необходимость их применения в России в современных условиях // Экономика и бизнес: теория и практика. — 2020. — №9–1(67). — С. 155–159.
8. Макеева Е.Ю., Бакурова А.О. Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей // Общественные науки и современность. — 2006. — №6. — С. 22–30.
9. Тотьмянина К.М. Моделирование вероятности дефолта корпоративных заемщиков с учетом макроэкономической конъюнктуры // Корпоративные финансы. — 2014. — №1. — С. 5–19.
10. Федорова Е.А., Гиленко Е.В., Довженко С.Е. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. — 2013. — №2. — С. 85–92.
11. Федорова Е.А., Довженко С.Е., Федоров Ф.Ю. Модели прогнозирования банкротства российских предприятий: отраслевые особенности // Проблемы прогнозирования. — 2016. — №3. — С. 32–40.
12. Федорова Е.А., Хрустова Л.Е., Чекризов Д.В. Отраслевые особенности применения моделей прогнозирования банкротства предприятия // Стратегические решения и риск-менеджмент. — 2018. — №1(104). — С. 64–71.
13. Aggarwal S., Aggarwal S. (2016). «Deep investment in financial markets using deep learning models». International Journal of Computer Applications, Vol. 162, pp. 403–413. 14 . Alaka H.A., Oyedele L.O., Owolabi H.A., Kumar V., Ajayi S.O., Akinade O.O., Bilal M. (2018). «Systematic review of bankruptcy prediction models: towards a framework for tool selection». Expert Systems with Applications, Vol. 94, pp. 164–184.
15. Alfaro-Cortés E., Rubio N., Gámez M., Elizondo D. (2008). «Bankruptcy forecasting: an empirical comparison of AdaBoost and neural networks». Decision Support Systems, Vol. 45, pp. 110–122.
16. Altman E.I., Hotchkiss E. (2005). Corporate Financial Distress and Bankruptcy. New York: John Wiley & Sons.
17. Bao W., Yue J., Rao Y. (2017). A Deep Learning Framework for Financial Time Series Using Stacked Autoencoders and Long-Short Term Memory. — Подробнее .
18. Barboza F., Kimura H. (2017). «Edward Altman E. Machine learning models and bankruptcy prediction». Expert Systems with Applications, Vol. 83, pp. 405–417.
19. Beaver W. (1966). «Financial ratios as predictors of failures». Empirical Research in Accounting, Vol. 4(3), pp. 71–111.
20. Brédart X. (2014). «Bankruptcy prediction model using neural networks». Accounting and Finance Research, Vol. 3, p.124.
21. Chou C., Hsieh S., Qiu C. (2017). «Hybrid genetic algorithm and fuzzy clustering for bankruptcy prediction». Applied Soft Computing, Vol. 56, pp. 298–316.
22. Fulmer J., Moon J., Gavin T., Erwin M. (1984). «A bankruptcy classification model for small firms». Journal of Commercial Bank Lending, July, pp. 25–37. 23 . Gordini N. (2014). «A genetic algorithm approach for SMEs bankruptcy prediction: empirical evidence from Italy». Expert Systems with Applications, Vol. 41, pp. 6433–6445.
24. Hosaka T. (2019). «Bankruptcy prediction using imaged financial ratios and convolutional neural networks». Expert Systems with Applications, Vol. 117, pp. 287–299.
25. Joos Ph., Ooghe H., Sierens N. (1998). «Methodologie bij het opstellen en beoordelen van kredietclassificatiemodellen». Tijdschrift voor Economie en Management, Vol. 18(1), pp. 1–48.
26. Kim S.Y., Upneja A. (2014). «Predicting restaurant financial distress using decision tree and AdaBoosted decision tree models». Economic Modelling, Vol. 36, pp. 354–362.
27. Kruppa J., Schwarz A., Arminger G. et al. (2013). «Consumer credit risk: individual probability estimates using machine learning». Expert Systems with Applications, Vol. 40(13), pp. 5125–5131.
28. Lee J., Jang D., Park S. (2017). Deep Learning-Based Corporate Performance Prediction Model Considering Technical Capability. — Подробнее .
29. Li H., Sun J. (2009). «Gaussian case-based reasoning for business failure prediction with empirical data in China». Information Sciences, Vol. 179(1–2), pp. 89–108.
30. Mai F., Tian S., Lee C. et al. (2019). «Deep learning models for bankruptcy prediction using textual disclosures». European Journal of Operational Research, Vol. 274(2), pp. 743–758. 31 . Nanni L., Lumini A. (2009). «An experimental comparison of ensemble of classifiers for bankruptcy prediction and credit scoring». Expert Systems with Applications, Vol. 36(2), pp. 3028–3033.
32. Ohlson J. (1980). «Financial ratios and the probabilistic prediction of bankruptcy». Journal of Accounting Research, Vol. 18(1), pp. 109–131.
33. Ooghe H., Balcaen S. (2002). Are Failure Prediction Models Transferable from One Country to Another? An Empirical Study Using Belgian Financial Statements. — Подробнее .
34. Ooghe H., Camerlynck J., Balcaen S. (2003). «The Ooghe — Joos — De Vos failure prediction models: a cross-industry validation». Brussels Economic Review, Vol. 46(1), pp. 39–70.
35. Ozbayoglu A.M., Gudelek M.U., Sezer O.B. (2020). Deep Learning for Financial Applications: a Survey. — Подробнее .
36. Qu Y., Quan P., Lei M., Shi Y. (2019). «Review of bankruptcy prediction using machine learning and deep learning techniques». Procedia Computer Science, Vol. 162, pp. 895–899.
37. Shin K.S., Lee T.S., Kim H. (2005). «An application of support vector machines in bankruptcy prediction model». Expert Systems and Applications, Vol. 28, pp. 127–135.
38. Shirata C.Y., Sakaue M. (2008). «An analysis of the going concern assumption: text mining from Japanese financial reports». Journal of Emerging Technologies in Accounting, Vol. 5(1), pp. 1–16.
39. Steele A. (2002). Receiver Operating Characteristics (ROC) Curves and Stochastic Dominance in Discriminant Functions: an Application in Bankruptcy Diagnosis. Coventry: University of Warwick, pp. 1–36.
40. Taffler R.J., Tisshaw H. (1977). «Going, going, gone — four factors which predict». Accountancy, Vol. 88, рp. 50–54. 41 . Takata Y., Hosaka T., Ohnuma H. (2017). «Boosting approach to early bankruptcy predication from multiple-year financial statements». Asia Pacific Journal of Advanced Business and Social Studies, Vol. 3(2), pp. 66–76.
42. Tsai Ch.F., Hsu Y.F., Yen D.C. (2014). «A comparative study of classifier ensembles for bankruptcy prediction». Applied Soft Computing, Vol. 24, pp. 977–984.
43. Yeh C., Chi D., LinY. (2014). «Going-concern prediction using hybrid random forests and rough set approach». Information Sciences, Vol. 254, pp. 98–110.
44. Yeh S., Wang C., Tsai M. (2015). «Deep belief networks for predicting corporate defaults». In: 2015 24th Wireless and Optical Communication Conference (WOCC), pp. 159–163.
45. Zavgren C.V. (1985). «Assessing the vulnerability to failure of American industrial firms: a logistic analysis». Journal of Business Finance and Accounting, Vol. 12(1), pp. 19–45. 46 . Zhu X., Li J., Wu D. et al. (2013). «Balancing accuracy, complexity and interpretability in consumer credit decision making: a C-TOPSIS classification approach». Knowledge-Based Systems, Vol. 52, pp. 258–267.
47. Zmijewski M.E. (1984). «Methodological issues related to the estimation of financial distress prediction models». Journal of Accounting Research, Vol. 22, pp. 59–86.
Салманов Олег Николаевичд. э. н.
профессор
Профессор кафедры финансов и бухгалтерского учета МГОТУ. г. Королев
Бабина Наталья Владимировнак. э. н.
доцент
Доцент кафедры финансов и бухгалтерского учета, проректор МГОТУ. г. Королев