Інновації у фінансовому менеджменті: модель рекурсивного прогнозу на основі алгоритму дерева рішень

Автори:
Івана Подгорська1, Яромир Врбка2, Георгій Лазарою3,4, Марія Ковацова1
1. Жилінський університет (Словацька Республіка)
2. Інститут технологій і бізнесу в Чеських Будейовицях (Чеська Республіка)
3. Інститут когнітивної науки (США)
4. Університет Спіру Харет (Румунія)
Сторінки:
276 - 292
Мова оригіналу:
Англійська
Цитувати як:
Podhorska, I., Vrbka, J., Lazaroiu, G., & Kovacova, M. (2020). Innovations in Financial Management: Recursive Prediction Model Based on Decision Trees. Marketing and Management of Innovations, 3, 276-292. http://doi.org/10.21272/mmi.2020.3-20


Анотація

У статті проаналізовано ефективність інновацій у фінансовому менеджменті підприємства. Авторами зазначено, що банкрутство є одним із наслідків не ефективного фінансового менеджменту компанії. При цьому менедджмент компанії піж час розроблення системи фінансових інтсрументів поивинен враховувати наявні зовнішні та внутрішні ризики діяльності ккомпанії. У статті розглянуто алгоритм дерева рішень, як один із найбільш інтуїтивних методів збору даних, який можна використовувати для прогнозування ймовірності настання фінансових ризиків. Результати систематизації наукового доробку за даним напрямом засвідчили, що експерти використовують дерево рішень у якості інноваційного інструменту фінансового менеджменту. Статтю присвячено аналізу можливостей застосування алгоритму дерева рішень для створення моделі прогнозування банкрутсва компанії. Авторами розроблено комплексну модель прогнозування фінансової бідності підприємств на основі дерева рішень з використанням алгоритму CART. Для формування моделі прогнозування використано дані 2 359 731 підприємств (30% від загальної суми) із 17 країн, а саме: Словаччини, Чехії, Польщі, Угорщини, Румунії, Болгарії, Литви, Латвії, Естонії, Словенії, Хорватії, Сербії, Росії, України, Білорусії, Чорногорії та Македонії. При цьому зазначено, що 1 802 027 компанфї є процвітаючими та 557 704 – не прибутковими. Статистичні дані згенеровано з бази даних Amadeus. Вхідними змінними моделі обрано 24 фінансові показники, 3 допоміжні змінні та дані про ВВП країн у 2015 та 2016 роках. Вибірку для розроблення моделі сформовано на основі даних 80% підприємств, тоді як дані 20% – для її тестування. Отримана модель дозволилаа класифікувти 93,2% підприємств як процвітаючі та 83,5% – не прибуткові. Авторами наголошено, що запропонована модель прогнозування є придатною для класифікації підприємств за рівнем ефекткивності їх діяльності на зростаючих ринках.


Ключові слова
модель прогнозу, дерево рішень, зростаючі ринки.


Посилання
  1. Afonina, A. (2015). Strategic management tools and techniques and organizational performance: Findings from the Czech Republic. Journal of Competitiveness7(3). [Google Scholar] [CrossRef]
  2. Agarwal, N., Kwan, P., & Paul, D. (2018). Merger and acquisition pricing using agent based modelling. Economics, management, and financial markets13(1), 84-99. [Google Scholar]
  3. Agarwal, V., & Taffler, R. J. (2007). Twenty‐five years of the Taffler z‐score model: Does it really have predictive ability?. Accounting and Business Research37(4), 285-300. [Google Scholar][CrossRef]
  4. Alexander, W. P., & Grimshaw, S. D. (1996). Treed regression. Journal of Computational and Graphical Statistics5(2), 156-175. [Google Scholar]
  5. Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy.Journal of Finance23, 589-609.
  6. Altman, E. I. (1993). Corporate Financial Distress and Bankruptcy. 2nd ed. NewYork: John Wiley & Sons, Inc.
  7. Arvidson, M. (2017). Operationalizing Transparency: Perspectives from the Third Sector in a Mixed Economy of Welfare. Journal of Self-Governance and Management Economics5(1), 7-24. [Google Scholar]
  8. Balcaen, S., & Ooghe, H. (2004). 35 Years of Studies on Business Failure: An Overview of the Classical Statistical Methodologiesand Their Related Problems. Working Papers of Faculty of Economics and Business Administration, Ghent University, Belgium. [Google Scholar]
  9. Balcerzak, A. P., Kliestik, T., Streimikiene, D., & Smrcka, L. (2017). Non-parametric approach to measuring the efficiency of banking sectors in European Union Countries. Acta Polytechnica Hungarica14(7), 51-70. [Google Scholar]
  10. Baranovskyi O. I., Khutorna M. E. Methodology of forming the system of ensuring financial stability of credit institutions. Financial and credit activities: problems of theory and practice. 2018. Vol. 4. No 27. P. 4-13. [Google Scholar] [CroosRef]
  11. Baranovskyi O. I. (2018). Quality of the transformational processes in the financial sector of the national economy:  vectors of the measuremen. Financial and credit activities: problems of theory and practice. 2018. Vol. 4. No 27. P. 4-13. [Google Scholar] [CroosRef]
  12. Beaver, W. (1966). FinancialRatios as Predictors of Failure. Journal of AccountingResearch4, 71-102. [Google Scholar] [CrossRef]
  13. Belas, J., Cipovova, E., Novak, P., & Polach, J. (2012). Impacts of the foundation internal ratings based approach usage on financial performance of commercial bank. E+ M Ekonomie a Management[Google Scholar]
  14. Bellovary, J. L., Giacomino, D. E., & Akers, M. D. (2007). A review of bankruptcy prediction studies: 1930 to present. Journal of Financial education, 1-42. [Google Scholar]
  15. Biggs, D., De Ville, B., & Suen, E. (1991). A method of choosing multiway partitions for classification and decision trees. Journal of applied statistics18(1), 49-62. [Google Scholar] [CroosRef]
  16. Breiman, L. (2001). Random forests. Machine learning45(1), 5-32. [Google Scholar]
  17. Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1984). Classification and regression trees. CRC press.
  18. Calderon, T. G., & Cheh, J. J. (2002). A roadmap for future neural networks research in auditing and risk assessment. International Journal of Accounting Information Systems3(4), 203-236. [Google Scholar] [CrossRef]
  19. Chipman, H. A., George, E. I., & McCulloch, R. E. (1998). Bayesian CART model search. Journal of the American Statistical Association93(443), 935-948. [Google Scholar] [CrossRef]
  20. Chipman, H. A., George, E. I., & McCulloch, R. E. (2010). BART: Bayesian additive regression trees. The Annals of Applied Statistics4(1), 266-298. [Google Scholar]
  21. Chrastinova, Z. (1998). Metodyhodnoteniaekonomickejbonity a predikciefinancnejsituaciepoľnohospodarskychpodnikov. Bratislava: Vyskumnyústavekonomikypoľnohospodarstva a potravinarstva. [Google Scholar]
  22. Ciampi, A. (1991). Generalized regression trees. Computational Statistics & Data Analysis12(1), 57-78. [Google Scholar] [CrossRef]
  23. Ciampi, A., Hogg, S. A., McKinney, S., & Thiffault, J. (1988). RECPAM: A Computer Program for Recursive Partition and Amalgamation for Censored Survival Data and Other Situations Frequently Occurring in Biostatistics. Computer Methods and Programs in Biomedicine26, 239-256. 
  24. Cipovova, E., & Belas, J. (2012). Assessment of credit risk approaches in relation with competitiveness increase of the banking sector. Journal of Competitiveness[Google Scholar] [CrossRef]
  25. Ciszewski, T., & Nowakowski, W. (2018). Economic analysis of the life-cycle cost structure for railway traffic control systems. Ekonomicko-manazerske spektrum12(1), 30-43. [Google Scholar]
  26. Davis, R. B., & Anderson, J. R. (1989). Exponential survival trees. Statistics in Medicine8(8), 947-961. [Google Scholar]
  27. Dimitras, A. I., Zanakis, S. H., & Zopounidis, C. (1996). A survey of business failures with an emphasis on prediction methods and industrial applications. European Journal of Operational Research90(3), 487-513. Google Scholar] [CrossRef]
  28. Durica, M., & Adamko, P. (2016). Verification of MDA bankruptcy prediction models for enterprises in Slovak Republic. Proceedings of the 10th international days of statistics and economics. Praha: Melandrium[Google Scholar]
  29. Dvorsky, J., Petrakova, Z., Khan, K. A., Formanek, I., Milolas, Z., & Danko, L. (2020). Selected aspects of strategic management in the service sector. Journal of Tourism and Services, 11(20), 109-123. [CrossRef]
  30. Fan, G., & Gray, J. B. (2005). Regression tree analysis using TARGET. Journal of Computational and Graphical Statistics14(1), 206-218. [Google Scholar] [CrossRef]
  31. Fialova, V., & Folvarcna, A. (2020). Default Prediction Using Neural Networks for Enterprises from the Post-Soviet Country. Ekonomicko-manazerske spektrum14(1), 43-51. [Google Scholar]
  32. Fitzpatrick, P. (1932). A Comparison of the Ratios of Successful Industrial Enterprises with Those of Failed Companies. Certified Public Accountant, (6), 727-731. [Google Scholar]
  33. Gordon, L., & Olshen, R. A. (1985). Tree-structured survival analysis. Cancer treatment reports69(10), 1065-1069. [Google Scholar]
  34. Gray, J. B., & Fan, G. (2008). Classification tree analysis using TARGET. Computational Statistics & Data Analysis52(3), 1362-1372. [Google Scholar] [CrossRef]
  35. Gurcík, Ľ. (2002). G-index–metoda predikcie financného stavu poľnohospodarskych podnikov. Agricultural economics48(8), 373-378.
  36. Hrytsenko L., Roienko V., Boiarko I. (2018). Institutional background of the role of state in investment processes activation. Financial and credit activities: problems of theory and practice, 1, 24, 338-344. [Google Scholar] [CrossRef]
  37. Hiadlovsky, V., & Kral, P. (2014). A Few Notes to Business FinancialHealthPrediction. In: 7th International ScientificConferenceManaging and Modeling of FinancialRisks. Conferenceproceedings, 248-255. 
  38. Hothorn, T., Hornik, K., & Zeileis, A. (2006). Unbiased recursive partitioning: A conditional inference framework. Journal of Computational and Graphical statistics15(3), 651-674. [Google Scholar][CrossRef]
  39. Huxley, S. J., & Sidaoui, M. (2018). Gaining Market Share in Emerging Markets Portfolios by Moderating Extreme Returns: The Case of Peru. Economics, Management & Financial Markets13(3).[Google Scholar]
  40. Jones, F. L. (1987). Current Techniques in Bankruptcy Prediction. Journal of Accounting Literature6, 131-164. [Google Scholar]
  41. Kass, G. V. (1980). An exploratory technique for investigating large quantities of categorical data. Journal of the Royal Statistical Society: Series C (Applied Statistics)29(2), 119-127. [Google Scholar]
  42. Kim, H., & Loh, W. Y. (2001). Classification trees with unbiased multiway splits. Journal of the American Statistical Association96(454), 589-604. [Google Scholar] [CrossRef]
  43. Kim, H., & Loh, W. Y. (2003). Classification trees with bivariate linear discriminant node models. Journal of Computational and Graphical Statistics12(3), 512-530. [Google Scholar] [CrossRef]
  44. Kliestikova, J., Misankova, M., & Kliestik, T. (2017). Bankruptcy in Slovakia: international comparison of the creditor´ s position. Oeconomia Copernicana8(2). [Google Scholar]
  45. Kljucnikov, A., Belas, J., & Smrcka, L. (2016). Risk-taking and Aggressiveness as the Significant Part of the Entrepreneurial Orientation of SMEs: Case of the Czech Republic. Polish Journal of Management Studies14(1), 129-139. [Google Scholar]
  46. Konigova, M., Urbancova, H., & Fejfar, J. (2012). Identification of Managerial Competencies in Knowledge-based Organizations. Journal of Competitiveness4(1). [Google Scholar] [CrossRef]
  47. Kubickova, D. (2015). Bankruptcy Prediction and Qualitative Parametres: The Ohlson’s Model and its Variants. In: 7th International Scientific Conference on Finance and Performance of Firms in Science, Education and Practice. Conference proceedings, 805-818. [Google Scholar]
  48. Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques–A review. European journal of operational research180(1), 1-28. [Google Scholar][CrossRef]
  49. Kuznetsova A., Kalynets K., Kozmuk N. Innovative management in global financial csr governance. Marketing and management of innovations. 2018. No 2. P. 262-269.. [Google Scholar] [CrossRef]
  50. LeBlanc, M., & Crowley, J. (1992). Relative risk trees for censored survival data. Biometrics, 411-425. [Google Scholar] [CrossRef]
  51. Lee, S. K. (2005). On generalized multivariate decision tree by using GEE. Computational Statistics & Data Analysis49(4), 1105-1119. [Google Scholar] [CrossRef]
  52. Loh, W. Y. (2002). Regression tress with unbiased variable selection and interaction detection. Statistica sinica, 361-386. [Google Scholar]
  53. Loh, W. Y. (2009). Improving the precision of classification trees. The Annals of Applied Statistics, 1710-1737. [Google Scholar]
  54. Loh, W. Y., & Shih, Y. S. (1997). Split selection methods for classification trees. Statistica sinica, 815-840. [Google Scholar]
  55. Loh, W. Y., & Vanichsetakul, N. (1988). Tree-structured classification via generalized discriminant analysis. Journal of the American Statistical Association83(403), 715-725. [Google Scholar]
  56. Loh, W. Y., & Zheng, W. (2013). Regression trees for longitudinal and multiresponse data. The Annals of Applied Statistics7(1), 495-522. [Google Scholar]
  57. Messenger, R., & Mandell, L. (1972). A modal search technique for predictive nominal scale multivariate analysis. Journal of the American statistical association67(340), 768-772. [Google Scholar][CrossRef]
  58. Morgan, J. N., & Sonquist, J. A. (1963). Problems in the analysis of survey data, and a proposal. Journal of the American statistical association58(302), 415-434. [Google Scholar] []
  59. Mousavi, M. M., Ouenniche, J., & Xu, B. (2015). Performance evaluation of bankruptcy prediction models: An orientation-free super-efficiency DEA-based framework. International Review of Financial Analysis42, 64-75. [Google Scholar] [CrossRef]
  60. Newton, W. G. (2005). Bankruptcy and Insolvency Accounting. John Wiley & Sons. Canada. [Google Scholar]
  61. O’leary, D. E. (1998). Using neural networks to predict corporate failure. Intelligent Systems in Accounting, Finance & Management7(3), 187-197. [Google Scholar] [CrossRef]
  62. Quinlan, J. R. (1986). Induction of decision trees. Machine learning1(1), 81-106. [Google Scholar] [CrossRef]
  63. Quinlan, J. R. (1992, November). Learning with continuous classes. In 5th Australian joint conference on artificial intelligence (Vol. 92, pp. 343-348). [Google Scholar] [Google Scholar]
  64. Quinlan, J. R. (1993). C4. 5: Programs for machine learning Morgan Kaufmann San Francisco. CA, USA[Google Scholar]
  65. Rajnoha, R., & Lorincova, S. (2015). Strategic management of business performance based on innovations and information support in specific conditions of Slovakia. Journal of Competitiveness[Google Scholar] [CrossRef]
  66. Reitano, V. (2015). Decision Trees for Analytics Using SAS Enterprise Miner. Social Science Computer Review33(3), 415-417. [Google Scholar] [CrossRef]
  67. Salaga, J., Bartosova, V., & Kicova, E. (2015). Economic Value Added as a Measurement Tool of Financial Performance. Procedia Economics and Finance, (26), 484-489. [Google Scholar][CrossRef]
  68. Scott, J. (1981). The probability of bankruptcy: a comparison of empirical predictions and theoretical models. Journal of Banking & Finance5(3), 317-344. [Google Scholar] [CrossRef]
  69. Segal, M. R. (1988). Regression trees for censored data. Biometrics, 35-47. [Google Scholar] [CrossRef]
  70. Segal, M. R. (1992). Tree-structured methods for longitudinal data. Journal of the American Statistical Association87(418), 407-418. [Google Scholar]
  71. Sela, R. J., & Simonoff, J. S. (2012). RE-EM trees: a data mining approach for longitudinal and clustered data. Machine learning86(2), 169-207. [Google Scholar] [CrossRef]
  72. Sharifabadi, M. R., Mirhaj, M., & Izadinia, N. (2017). The impact of financial ratios on the prediction of bankruptcy of small and medium companies. QUID: Investigacion, Ciencia y Tecnología, (1), 164-173. [Google Scholar]
  73. Slatter, S. S. P., & Lovett, D. (1999). Corporate recovery: Managing companies in distress. Beard Books. [Google Scholar]
  74. Su, X. G., Wang, M., & Fan, J. J. (2004). Maximum Likelihood Regression Trees. Journal of Computational and Graphical Statistics13, 586–598.
  75. Svabova, L., Kramarova, K., & Durica, M. (2018). Prediction model of firms financial distress. Ekonomicko-manazerske spektrum12(1), 16-29. [Google Scholar]
  76. Utgoff, P. E. (1989, January). Improved training via incremental learning. In Proceedings of the sixth international workshop on Machine learning (pp. 362-365). Morgan Kaufmann. [Google Scholar][CrossRef]
  77. Valaskova, K., Bartosova, V., & Kubala, P. (2019). Behavioural aspects of the financial decision-making. Organizacija52(1), 22-31. [Google Scholar] [CrossRef]
  78. Valaskova, K., Siekelova, A., & Weissova, I. (2017). Credit Risk Measurement Using VaR Methodology. In Advances in Applied Economic Research (pp. 289-302). Springer, Cham. [Google Scholar]
  79. Virag, M., & Kristof, T. (2005). Neural networks in bankruptcy prediction-A comparative study on the basis of the first Hungarian bankruptcy model. Acta Oeconomica55(4), 403-426. [Google Scholar]
  80. Zavgren, C. V. (1985). Assessing the vulnerability to failure of American industrial firms: a logistic analysis. Journal of Business Finance & Accounting12(1), 19-45. [Google Scholar]
  81. Zhang, H. (1998). Classification trees for multiple binary responses. Journal of the American Statistical Association93(441), 180-193. [Google Scholar]
  82. Zyka, J., & Drahotsky, I. (2019). Methodology for Assessing the Impact of Workplace Ergonomic Factors on Airport Security Screener s Reliability and Performance. Journal of Tourism and Services10(18), 104-116. [Google Scholar] [CrossRef]