Integration von textuellen und managementbezogenen Faktoren in die Vorhersage finanzieller Schwierigkeiten: Eine vergleichende Studie von Methoden des maschinellen Lernens

Zusammenfassung Die Vorhersage finanzieller Schwierigkeiten (FDP) wurde weithin als ein vielversprechender Ansatz zur Reduzierung finanzieller Verluste angesehen. Während finanzielle Informationen die traditionellen Faktoren in der FDP umfassen, wurden auch nichtfinanzielle Faktoren in aktuellen Studien untersucht. Vor diesem Hintergrund ist das Ziel dieser Studie, die integrierten Faktoren und mehrere Modelle zu erforschen, die die prädiktive Leistung von FDP-Modellen verbessern können. Diese Studie schlägt ein FDP-Rahmenwerk vor, um die Merkmale finanzieller Schwierigkeiten von börsennotierten chinesischen Unternehmen zu offenbaren, wobei finanzielle, managementbezogene und textuelle Faktoren einbezogen und die prädiktive Leistung mehrerer Modelle über unterschiedliche Zeitspannen bewertet werden. Um dieses Rahmenwerk zu entwickeln, verwendet diese Studie die wrapper-basierte Merkmalsauswahlmethode, um wertvolle Merkmale zu extrahieren, und konstruiert dann mehrere Einzelklassifizierer, Ensembleklassifizierer sowie Modelle des tiefen Lernens, um finanzielle Schwierigkeiten vorherzusagen. Die Experimente zeigen, dass Management- und textuelle Faktoren traditionelle finanzielle Faktoren in der FDP ergänzen können, insbesondere textuelle. Diese Studie entdeckt auch, dass integrierte Faktoren, die 4 Jahre vor dem vorhergesagten Benchmark-Jahr gesammelt wurden, eine genauere Vorhersage ermöglichen, und die entwickelten Ensembleklassifizierer und Modelle des tiefen Lernens können eine zufriedenstellende FDP-Leistung erreichen. Diese Studie leistet einen neuartigen Beitrag, da sie die prädiktiven Faktoren finanzieller Schwierigkeiten erweitert und neue Erkenntnisse liefert, die wichtige Implikationen für die Bereitstellung von Frühwarnsignalen für finanzielle Risiken haben können.