ESTIMATION OF BANKRUPTCY RISK OF SMALL BUSINESS COMPANIES BASING METHODS OF MACHINE LEARNING

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

The article deals with the methodology for constructing an algorithm for determining the probability of bankruptcy of an enterprise using machine learning methods. The advantage of this methodology is the use of not only quantitative, but also qualitative indicators of financial stability of business entities, as well as the possibility of excluding factors that have little effect on the final rating. It is assumed that the created mathematic model will be useful to representatives of small and medium-sized businesses and will provide an objective and precise picture of the financial situation of the enterprise, including current threats and the risk of bankruptcy.

Авторлар туралы

I Arinichev

Kuban State University

Хат алмасуға жауапты Автор.
Email: iarinichev@gmail.com

Arinichev I.V. Cand. Ec. Sci., Associate Professor, Department of Theoretical Economy, Kuban State University.

Stavropolskaya str., 149, Krasnodar, Russia, 350040

I Bogdashev

Kuban State University

Email: ibogdashev@gmail.com

Bogdashev I.V. Cand. Ec. Sci., Associate Professor, Department of Theoretical Economy, Kuban State University.

Stavropolskaya str., 149, Krasnodar, Russia, 350040

Әдебиет тізімі

  1. Aivazyan S.A., Bukhshtaber V.M., Enyukov I.S., Meshalkin L.D. (1989). Prikladnaya statistika. Klassifikatsiya i snizhenie razmernosti. M.: Finansy i statistika, 607 p. (In Russ)
  2. Vorontsov K.V. Matematicheskie metody obucheniya mashin po pretsendentam (teoriya obucheniya mashin) [Elektronnyi resurs]. Access Mode: http://www.machinelearning.ru/wiki/images/6/6d/ Voron-ML-1.pdf
  3. Donskoi V.I. (2014). Algoritmicheskie modeli obucheniya klassifikatsii: obosnovanie, sravnenie, vybor. Simferopol’: DIAIPI, 228 s. (In Russ)
  4. Zagoruiko N.G. (1999). Prikladnye metody analiza dannykh i znanii. Novosibirsk: IM SO RAN (In russ)
  5. Shipunov A.B., Baldin E.M. Analiz dannykh s R [Elektronnyi resurs]. Rezhim dostupa: http://www.soc.univ.kiev.ua/sites/default/files/course/materials/r1.pdf
  6. Altman E. (1968). Financial rations. Discriminent analysis, and the prediction of corporate bankruptcy. Journal of Finance, September.
  7. Altman E. (2005). Corporate Financial Distress and Bankruptcy, 3rd edition. John Wiley and Sons.
  8. Beaver W.H. (1996). Financial ratios as predictors of failure. Journal of Accounting Research. Vol. 4. Pp. 71—111.
  9. Bredart X. (2014). Bankruptcy Prediction Model Using Neural Networks. Accounting and Finance Research. Vol. 3(2). Pp. 124—128.
  10. Chesser D. (1974). Predicting loan noncompliance. The Journal of Commercial Bank Lending. P. 28—38.
  11. Eksi I. (2011). Classification of firm failure with classification and regression trees. International Research Journal of Finance and Economics. Vol. 76. Pp. 113—120.
  12. Falahpour S., Raie R. (2005). Application of support vector machine to predict financial distress using financial ratios. Journal of Accounting and Auditing Studies. Vol. 53. P. 7—34.
  13. Gorban A.N., Kegl B., Wunsch D., Zinovyev A.Y. (Eds.) (2007). Principal Manifolds for Data Visualisation and Dimension Reduction, Series: Lecture Notes in Computational Science and Engineering 58, Springer, Berlin — Heidelberg — New York, XXIV, 340 P. 82.
  14. Jarrow R.A., Turnbull S. (1995). Pricing derivatives on financial securities subject to credit risk. Journal of Finance. Vol. 50. P. 53—85.
  15. Jolliffe I.T. (2002). Principal Component Analysis, Series: Springer Series in Statistics, 2nd ed., Springer, NY, XXIX, 487 p.
  16. Korol T., Korodi A. (2011). An evaluation of effectiveness of fuzzy logic model in predicting the business bankruptcy. Romanian Journal of Economic Forecasting. № 3. P. 92—107.
  17. Merton R.C. (1974). On the pricing of corporate debt: the risk structure of interest rates. Journal of Finance. Vol. 29(2). P. 449—470.
  18. Ohlson J. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research. Vol. 18(1). P. 109—131.
  19. Wilson T. (1997). Portfolio Credit Risk: part I. Risk Magazine. 23, pp. 111—117.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».