@techreport{Franken2007Vergleich,
abstract = {Die Prognose der Insolvenzgef\"{a}hrdung von Unternehmen anhand statistischer Methodik war und ist eine bedeutende Aufgabe empirischer Forschung. Eine M\"{o}glichkeit der Beurteilung der finanziellen bzw. wirtschaftlichen Verfassung von Unternehmen stellt die sog. externe Bilanzanalyse anhand verschiedener relativer Kennzahlen(-systeme) dar, welche aus den ver\"{o}ffentlichten Jahresabschl\"{u}ssen von Kapitalgesellschaften abgeleitet werden k\"{o}nnen. In der aktuellen Praxis der empirischen Insolvenz- und Risikoforschung ist nach wie vor die klassische parametrische Methode der bin\"{a}ren logistischen Regression weit verbreitet. In der j\"{u}ngsten Vergangenheit haben jedoch neue Methoden der statistischen Lerntheorie, die aus den Methoden des maschinellen Lernens hervorgegangen sind, zunehmend an Bedeutung erlangt. In der vorliegenden Arbeit wird ein k\"{u}nstliches Netu zur Insolvenzklassifikation anhand relativer Bilanzkennzahlen entwickelt und mit den Ergebnissen der logistischen Regressionsanalyse verglichen und evaluiert.},
address = {Berlin},
author = {Ronald Franken},
copyright = {http://www.econstor.eu/dspace/Nutzungsbedingungen},
keywords = {C45; G32; G33; 330; Insolvenzprognose; externe Bilanzanalyse; K\"{u}nstliche Neuronale Netze : Bin\"{a}res Logit-Modell; logistische Regression; Kreditw\"{u}rdigkeit; Prognoseverfahren; Bilanzanalyse; Logit-Modell; Neuronale Netze; Vergleich; Theorie; Deutschland},
language = {ger},
number = {2007,044},
publisher = {SFB 649, Economic Risk},
title = {Ein Vergleich des bin\"{a}ren Logit-Modells mit k\"{u}nstlichen neuronalen Netzen zur Insolvenzprognose anhand relativer Bilanzkennzahlen},
type = {SFB 649 discussion paper},
url = {http://hdl.handle.net/10419/25216},
year = {2007}
}
