Please use this identifier to cite or link to this item: https://hdl.handle.net/10419/25216 
Authors: 
Year of Publication: 
2007
Series/Report no.: 
SFB 649 Discussion Paper No. 2007,044
Publisher: 
Humboldt University of Berlin, Collaborative Research Center 649 - Economic Risk, Berlin
Abstract: 
Die Prognose der Insolvenzgefährdung von Unternehmen anhand statistischer Methodik war und ist eine bedeutende Aufgabe empirischer Forschung. Eine Möglichkeit der Beurteilung der finanziellen bzw. wirtschaftlichen Verfassung von Unternehmen stellt die sog. externe Bilanzanalyse anhand verschiedener relativer Kennzahlen(-systeme) dar, welche aus den veröffentlichten Jahresabschlüssen von Kapitalgesellschaften abgeleitet werden können. In der aktuellen Praxis der empirischen Insolvenz- und Risikoforschung ist nach wie vor die klassische parametrische Methode der binären logistischen Regression weit verbreitet. In der jüngsten 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 künstliches Netu zur Insolvenzklassifikation anhand relativer Bilanzkennzahlen entwickelt und mit den Ergebnissen der logistischen Regressionsanalyse verglichen und evaluiert.
Subjects: 
Insolvenzprognose
externe Bilanzanalyse
Künstliche Neuronale Netze : Binäres Logit-Modell
logistische Regression
JEL: 
C45
G32
G33
Document Type: 
Working Paper

Files in This Item:
File
Size
615.43 kB





Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.