Estudios comparables de predicción de quiebras financieras utilizando modelos avanzados de clasificación híbridos inteligentes para proporcionar advertencias tempranas en la industria electrónica
Autores: Chen, You-Shyang; Lin, Chien-Ku; Lo, Chih-Min; Chen, Su-Fen; Liao, Qi-Jun
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Estudios comparables de predicción de quiebras financieras utilizando modelos avanzados de clasificación híbridos inteligentes para proporcionar advertencias tempranas en la industria electrónica
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Eruditos
Quiebra financiera
Industria electrónica
Modelo Z-score
Ratios financieros
Selección de características
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 29
Citaciones: Sin citaciones
En los últimos años en Taiwán, los académicos que estudian la quiebra financiera se han centrado principalmente en industrias individuales cotizadas y de venta libre (OTC) o en toda la industria, mientras que pocos han estudiado la industria electrónica independiente. Por lo tanto, este estudio investigó la aplicación de un modelo avanzado de predicción de quiebra híbrido Z-score en la selección de ratios financieros de empresas cotizadas en ocho industrias electrónicas relacionadas (semiconductor, computadoras y periféricos, fotoeléctrica, redes de comunicación, componentes electrónicos, canal electrónico, servicios de información y otras industrias electrónicas) utilizando datos de 2000 a 2019. Basándose en 22 ratios financieros de atributos de condición y un atributo de decisión recomendado y seleccionado por expertos y en la literatura, este estudio utilizó cinco clasificadores para el análisis de regresión logística binaria y en el árbol de decisión. Los resultados experimentales muestran que para el modelo Z-score, las muestras analizadas utilizando los cinco clasificadores en cinco grupos (1:1-5:1) de diferentes ratios de empresas, los puntajes del clasificador de bagging son peores (40,82%) que cuando no se utiliza ningún método de selección de características, mientras que el clasificador de regresión logística y el clasificador de árbol de decisión (J48) dan como resultado mejores puntajes. Sin embargo, es significativo que el puntaje del clasificador de bagging mejoró a más del 90% después de utilizar la técnica de selección de características. En conclusión, se encontró que el método de selección de características puede aplicarse de manera efectiva para mejorar la precisión de la predicción, y se identificaron tres ratios financieros (el ratio de liquidez, el ratio de deuda y el ratio de rotación de activos fijos) como los determinantes más importantes que afectan la predicción de quiebra financiera, proporcionando una referencia útil para las partes interesadas para evaluar la asignación de capital y evitar altos riesgos de inversión.
Descripción
En los últimos años en Taiwán, los académicos que estudian la quiebra financiera se han centrado principalmente en industrias individuales cotizadas y de venta libre (OTC) o en toda la industria, mientras que pocos han estudiado la industria electrónica independiente. Por lo tanto, este estudio investigó la aplicación de un modelo avanzado de predicción de quiebra híbrido Z-score en la selección de ratios financieros de empresas cotizadas en ocho industrias electrónicas relacionadas (semiconductor, computadoras y periféricos, fotoeléctrica, redes de comunicación, componentes electrónicos, canal electrónico, servicios de información y otras industrias electrónicas) utilizando datos de 2000 a 2019. Basándose en 22 ratios financieros de atributos de condición y un atributo de decisión recomendado y seleccionado por expertos y en la literatura, este estudio utilizó cinco clasificadores para el análisis de regresión logística binaria y en el árbol de decisión. Los resultados experimentales muestran que para el modelo Z-score, las muestras analizadas utilizando los cinco clasificadores en cinco grupos (1:1-5:1) de diferentes ratios de empresas, los puntajes del clasificador de bagging son peores (40,82%) que cuando no se utiliza ningún método de selección de características, mientras que el clasificador de regresión logística y el clasificador de árbol de decisión (J48) dan como resultado mejores puntajes. Sin embargo, es significativo que el puntaje del clasificador de bagging mejoró a más del 90% después de utilizar la técnica de selección de características. En conclusión, se encontró que el método de selección de características puede aplicarse de manera efectiva para mejorar la precisión de la predicción, y se identificaron tres ratios financieros (el ratio de liquidez, el ratio de deuda y el ratio de rotación de activos fijos) como los determinantes más importantes que afectan la predicción de quiebra financiera, proporcionando una referencia útil para las partes interesadas para evaluar la asignación de capital y evitar altos riesgos de inversión.