Development of fuzzified neural network for enterprise bankruptcy risk estimation

Артем Петрович Сіньковський; Володимир Володимирович Шулаков

doi:10.15587/2706-5448.2024.306873

Автор(и)

Артем Петрович Сіньковський Черкаський державний технологічний університет, Україна https://orcid.org/0009-0009-8877-7351
Володимир Володимирович Шулаков Черкаський державний технологічний університет, Україна https://orcid.org/0009-0000-2697-8486

DOI:

https://doi.org/10.15587/2706-5448.2024.306873

Ключові слова:

статистична модель, оцінка ризику банкрутства, нейронна арифметика, машинне навчання

Анотація

Об'єктом даного дослідження є оцінка ризику банкрутства підприємства. Оцінка ризику банкрутства є критично важливою для оцінки фінансового стану підприємства. Вона слугує життєво важливим індикатором, який дозволяє управлінській команді проактивно зменшувати потенційні ризики та розробляти стратегії для зміцнення фінансового стану підприємства з плином часу. Одним з найбільш проблемних аспектів прогнозування банкрутства є все більш складні фінансові ситуації підприємств-банкрутів. Точно прогнозуючи ризик банкрутства, підприємства можуть вжити превентивних заходів для пом'якшення фінансових труднощів і забезпечення довгострокової стійкості.

Попередні методи, такі як Z-рахунок Альтмана, не є достатньо точними, як показано в дослідженні. Досліджено сучасний підхід до прогнозування банкрутства на основі нейронної мережі зі складними нейронними комірками, а саме нейронними арифметичними логічними одиницями (NALU) та запропонованим шаром фаззифікації. Цей шар може обробляти складні необроблені числові значення, такі як фінансові показники, що мають відношення до показників проведеного аналізу. У порівнянні з Z-рахунком Альтмана, запропонований метод демонструє кращий показник F1 у класифікації банкрутства (48 %). На необроблених даних запропоновав нейромережева архітектура демонструє 40 % покращення показника F1 порівняно з класичним багатошаровим персептроном (MLP) з лінійними шарами та нелінійними функціями активації. Було використано сучасну заміну ReLU під назвою Mish, яка досягає кращого узагальнення. Також припущено, що включення нових нейронних клітин, які надають нейромережі арифметичні можливості, сприяє підвищенню продуктивності при обробці ненормованих вхідних даних. Проведена робота підкреслює важливість використання передових архітектур нейронних мереж для підвищення точності та надійності прогнозування в оцінці фінансових ризиків. Використовуючи параметри, використані в дослідженні, менеджери підприємств можуть більш точно оцінити ризик банкрутства.

Біографії авторів

Артем Петрович Сіньковський, Черкаський державний технологічний університет

Асистент

Кафедра комп’ютерних наук та системного аналізу

Володимир Володимирович Шулаков, Черкаський державний технологічний університет

Кафедра комп’ютерних наук та системного аналізу

Посилання

Long, Y. (2022). Early Warning Analysis of Company’s Financial Risk based on Fuzzy Evaluation Method. Proceedings of the International Conference on Big Data Economy and Digital Management. doi: https://doi.org/10.5220/0011207900003440
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, 23 (4), 589–609. doi: https://doi.org/10.1111/j.1540-6261.1968.tb00843.x
Trask, A., Hill, F., Reed, S. E., Rae, J., Dyer, C., Blunsom, P. (2018). Neural arithmetic logic units. Advances in neural information processing systems, 31.
Chibisova, I. (2012). Methods of estimation and prognostication of bankruptcy of enterprises. Naukovi pratsi Kirovohradskoho natsionalnoho tekhnichnoho universytetu, 22 (2), 389–394.
Eisenbeis, R. A. (1977). Pitfalls in the application of discriminant analysis in business, finance, and economics. The Journal of Finance, 32 (3), 875–900. doi: https://doi.org/10.1111/j.1540-6261.1977.tb01995.x
Premachandra, I. M., Bhabra, G. S., Sueyoshi, T. (2009). DEA as a tool for bankruptcy assessment: A comparative study with logistic regression technique. European Journal of Operational Research, 193 (2), 412–424. doi: https://doi.org/10.1016/j.ejor.2007.11.036
Mihalovič, M. (2016). Performance Comparison of Multiple Discriminant Analysis and Logit Models in Bankruptcy Prediction. Economics & Sociology, 9 (4), 101–118. doi: https://doi.org/10.14254/2071-789x.2016/9-4/6
Misra, D. (2019). Mish: A self regularized non-monotonic activation function. arXiv:1908.08681. doi: https://doi.org/10.48550/arXiv.1908.08681
Brownlee, J. (2020). A Gentle Introduction to the Rectified Linear Unit (ReLU). Machine Learning Mastery. Available at: https://machinelearningmastery.com/rectified-linear-activation-function-for-deep-learning-neural-networks
Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18 (1), 109–131. doi: https://doi.org/10.2307/2490395
Ahn, H., Kim, K. (2009). Bankruptcy prediction modeling with hybrid case-based reasoning and genetic algorithms approach. Applied Soft Computing, 9 (2), 599–607. doi: https://doi.org/10.1016/j.asoc.2008.08.002
US Company Bankruptcy Prediction Dataset. Utkarsh Singh. Available at: https://www.kaggle.com/datasets/utkarshx27/american-companies-bankruptcy-prediction-dataset
Shulakov, V., Sinkovskyi, А., Tryus, Y. (2023). Information technology for generating synthetic medical data based on neural networks. Actual problems of medical, biological physics and computer science. Vinnytsia: Edelweiss, 76–82.
Sola, J., Sevilla, J. (1997). Importance of input data normalization for the application of neural networks to complex industrial problems. IEEE Transactions on Nuclear Science, 44 (3), 1464–1468. doi: https://doi.org/10.1109/23.589532
Nedosekin, A. O. (2008). Business risk assessment on the basis of fuzzy data. Audit and Financial Analysis, 4, 68–72.