Application of support vector machines on the basis of the first Hungarian bankruptcy model

Abstract

In our study we rely on a data mining procedure known as support vector machine (SVM) on the database of the first Hungarian bankruptcy model. The models constructed are then contrasted with the results of earlier bankruptcy models with the use of classification accuracy and the area under the ROC curve. In using the SVM technique, in addition to conventional kernel functions, we also examine the possibilities of applying the ANOVA kernel function and take a detailed look at data preparation tasks recommended in using the SVM method (handling of outliers). The results of the models assembled suggest that a significant improvement of classification accuracy can be achieved on the database of the first Hungarian bankruptcy model when using the SVM method as opposed to neural networks. JEL classification codes: C33, C45, C51, C52, C53, G33

A Comprehensive Review of Corporate Bankruptcy Prediction in Hungary

“…SVM was applied on a Hungarian corporate database for the first time by Virág and Nyitrai (2013) on the sample of the first bankruptcy model. Using different kernel functions the SVM model was altogether able to classify the observations 5 percentage points better than the best benchmark NN model.…”

A csődelőrejelzés fejlődéstörténete Magyarországon

“…A kifejlesztett brute force és a finomított vékony modellel egyaránt 84 százalékos besorolási pontosságot ért el. Az SVM módszert hazai vállalati adatokon először Virág & Nyitrai (2013) alkalmazta az első hazai csődmodell adatbázisán. Különböző kernel függvények alkalmazásával összességében az SVM modell 5 százalékponttal magasabb találati arányra volt képes az első hazai csődmodell adatbázisán, mint a korábbi empirikus vizsgálatok során legjobbnak bizonyult neurális háló modell.…”

Stock és flow típusú számviteli adatok alkalmazása a csődelőrejelző modellekben

“…Mivel a mérleg egy vál-lalkozás vagyon helyzetét a mérleg fordulónapjára vonatkozóan tükrözi, az eredménykimutatásban található adatok pedig egy naptári évre vonatkoznak (Virág et al, 2013), így a mérlegtételek stock jellegű adatok, az eredménykimutatás értékei pedig flow jellegű információnak tekinthetők.…”

“…A vállalatok pénzügyi teljesítményének megítélésében leggyakrabban használt pénzügyi mutatókat Virág et al (2013) részletesen tárgyalja. Az idézett szerzők kitérnek arra is, hogy ha egy mutató számlálóját és nevezőjét is azonos kimutatásból vesszük, akkor az adatok stock vagy flow jellegének nincs jelentősége.…”

“…Néhány önké-nyesen kiragadott példa a teljesség igénye nélkül: Virág -Hajdu (2001), Virág -Kristóf (2005), , Bozsik (2010), Virág -Nyitrai (2013), Virág -Nyitrai (2014). Találhatók azonban olyan tanulmányok is, amelyek egyértelműen rögzítik, hogy a kérdéses mutatók esetén a stock adatokat átlagolva vették figyelembe.…”