Текстовый анализ новостей в применении к прогнозированию банкротства компаний

На основной выборке была достигнута точность предсказания до 97% класса банкротов и 94% класса стабильных компаний. Улучшение вследствие введения текстовых переменных различных метрик качества составило до 2,5% в случае многослойного персептрона, колебалось возле нуля для случайного леса и было отрицательным для более простых моделей - логит-регрессии и метода опорных векторов, для которых тональности, скорее всего, оказались не более чем шумом. Почти на всех выборках многослойный персептрон и случайный лес показали схожие результаты; поPR-AUCвпереди оказался второй метод, по большинству других метрик - первый. Только словарь Loughran&McDonaldоказался способен произвести экономически осмысленные переменные тональности.

Таким образом, если и существует иначе необъяснимая взаимосвязь между переменными тональности и вероятностью банкротства, то, по всей видимости, она обладает сложным нелинейным характером и может быть обнаружена только специальными методами, такими как глубокие нейронные сети и ансамбли решающих деревьев. Полученные результаты могут быть использованы для углубления понимания феномена корпоративного дефолта и его взаимосвязи с эмоциональным наполнением медиапространства; сам факт их достижения на на столь скудных данных оправдывает дальнейшие исследования, которые должны сосредоточиться на следующих направлениях:

(1) Более всего - анализ текстов новостей вместо заголовков;

(2) Исследование более крупных выборок фирм, в особенности таких, что включают в себя непубличные и малые компании, охватывают более длинный временной период и рассматривают иные страны;

(3) Включение текстового анализа в более продвинутые методы предсказания банкротства, в том числе гибридные методы машинного обучения;

(4) Нахождение или конструирование словаря тональностей, оптимального для анализа именно новостей;

(5) Применение других, более сложных методов текстового анализа, учитывающих синтаксис и семантику текста.

Существуют и иные ограничения. Из-за сложностей в сборе данных исследованная выборка оказалась составлена лишь из тех компаний, которые обладают достаточным медиапокрытием, что может вносить некоторую смещенность. Кроме того, извлечение переменных тональности из текстов полагалось на существующие словари тональности, которые могут быть субоптимальными для анализа новостей. Выбор моделей предсказания банкротства и других факторов, использованных при их обучении - финансовых, рыночных и макроэкономических - основан на их популярности в существующей литературе, а не согласно каким-либо объективным критериям, и потому также может являться не самым лучшим. Кроме того, следует подчеркнуть, что большинство гипотез не тестировалось статистически и было проверено лишь посредством сравнения предсказательной силы разных моделей и их спецификаций.



8. Список литературы

[1] Adnan Aziz, M., & Dar, H. A. (2006). Predicting Corporate Bankruptcy: Where We Stand? Corporate Governance: The International Journal of Business in Society, 6, 18-33.

[2] Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance (Vol. 23).

[3] Altman, E. I. (1993). Corporate Financial Distress and Bankruptcy: a Complete Guide. J. Wiley & Sons, Cop.

[4] Altman, E. I., Haldeman, R. G., & Narayanan, P. (1977). ZETA Analysis: a New Model to Identify Bankruptcy Risk of Corporations. Journal of Banking & Finance, 1, 29-54.

[5] Altman, E. I., & Sabato, G. (2007). Modelling credit risk for SMEs: Evidence from the U.S. market. Abacus.

[6] Altman, E. I., Sabato, G., & Wilson, N. (2010). The Value of Non-Financial Information in SME Risk Management. Journal of Credit Risk.

[7] Antweiler, W., & Frank, M. Z. (2004). Is All That Talk Just Noise? The Journal of Finance, 59(3), 1259-1294.

[8] Aziz, A., & Lawson, G. H. (1989). Cash Flow Reporting and Financial Distress Models: Testing of Hypotheses. Financial Management, 18(1), 55.

[9] Back, B., Laitinen, T., Sere, K., & Wezel, van M. (1996). Choosing Bankruptcy Predictors Using Discriminant Analysis , Logit Analysis , and Genetic Algorithms. Proceedings of the Ist International Meeting on Artificial Intelligence in Accounting, Finance and Tax, 40.

[10] Beaver, W. H. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4, 71.

[11] Beaver, W. H. (1968). Market Prices, Financial Ratios, and the Prediction of Failure. Journal of Accounting Research, 6, 179.

[12] Bellovary, J. L., Giacomino, D. E., & Akers, M. D. (2007). A Review of Going Concern Prediction Studies: 1976 to Present. Journal of Business & Economics Research, 5.

[13] Bird, S., Klein, E., & Loper, E. (2009). Natural language processing with Python: analyzing text with the natural language toolkit. O'Reilly Media.

[14] Campbell, J. Y., Hilscher, J., & Szilagyu, J. (2008). In Search of Distress Risk. The Journal of Finance, 63, 2899-2939.

[15] Chandra, D. K., Ravi, V., & Bose, I. (2009). Failure prediction of dotcom companies using hybrid intelligent techniques. Expert Systems with Applications.

[16] Charnes, A., Cooper, W., Lewin, A. Y., & Seiford, L. M. (1997). Data Envelopment Analysis Theory, Methodology and Applications. The Journal of the Operational Research Society, 48(3), 332.

[17] Chawla, N. V, Bowyer, K. W., Hall, L. O., & Kegelmeyer, P. W. (2002). SMOTE: Synthetic Minority Over-sampling Technique.Journal of Artificial Intelligence Research, 16.

[18] Chen, L., Wang, J., Deng, X., Xie, H., & Li, X. (2014). News impact on stock price return via sentiment analysis. Knowledge-Based Systems, 69, 14-23.

[19] Chen, M. Y. (2011). Predicting corporate financial distress based on integration of decision tree classification and logistic regression. Expert Systems with Applications, 38(9).

[20] Ciampi, F., & Gordini, N. (2012). Small Enterprise Default Prediction Modeling through Artificial Neural Networks: an Empirical Analysis of Italian Small Enterprises. Journal of Small Business Management, 51, 23-45.

[21] Coats, P. K., & Fant, L. F. (1993). Recognizing Financial Distress Patterns Using a Neural Network Tool. Financial Management, 22(3), 142.

[22] Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.

[23] Das, S. R., & Chen, M. Y. (2007). Yahoo! for Amazon: Sentiment Extraction from Small Talk on the Web. Management Science, 53(9), 1375-1388.

[24] Demers, E. A., & Vega, C. (2010). Soft Information in Earnings Announcements: News or Noise? International Finance Discussion Papers.

[25] Dimitras, A. I., Zanakis, S. H., & Zopounidis, C. (1996). A survey of business failures with an emphasis on prediction methods and industrial applications. European Journal of Operational Research, 90(3), 487-513.

[26] Dong, Y. X., Xiao, Z., & Xiao, X. (2014). Default prediction for real estate companies with imbalanced dataset. Journal of Information Processing Systems.

[27] Duan, J.-C., Sun, J., & Wang, T. (2012). Multiperiod Corporate Default Prediction: A Forward Intensity Approach. Journal of Econometrics.

[28] Duffie, D., Leandro, S., & Wang, K. (2007). Multi-Period Corporate Failure Prediction with Stochastic Covariates. Journal of Financial Economics.

[29] Fedorova, E. A., Gilenko, E. V., & Dovzhenko, S. E. (2013). Models for bankruptcy forecasting: Case study of Russian enterprises. Studies on Russian Economic Development, 24(2), 159-164.

[30] Feldman, R. (1998). Text Mining at the Term Level. Communications Session 3. Association Rules and Text Mining (pp. 65-73).

[31] Feller, W. (1970). An Introduction to Probability Theory and Its Applications (Vol. 14).

[32] Fisher, R. A. (1936). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics, 7, 179-188.

[33] Fitzpatrick, P. J. (1932). A Comparison of the Ratios of Successful Industrial Enterprises With Those of Failed Companies. The Certified Public Accountant.

[34] Foreman, R. D. (2003). A logistic analysis of bankruptcy within the US local telecommunications industry. Journal of Economics and Business, 55(2), 135-166.

[35] Fulmer, J. G. (1984). A Bankruptcy Classification Model For Small Firms. Journal of Commercial Bank Lending.

[36] Gissel, J. L., Giacomino, D., & Akers, M. D. (2007). A Review of Bankruptcy Prediction Studies: 1930-Present. Journal of Financial Education (Vol. 33). Publisher Link.

[37] Guo, L., Shi, F., & Tu, J. (2017). Textual analysis and machine leaning: Crack unstructured data in finance and accounting. The Journal of Finance and Data Science, 2(3), 153-170.

[38] Hajek, P., Olej, V., & Myskova, R. (2014). Forecasting Corporate Financial Performance Using Sentiment in Annual Reports for Stakeholders' Decision-Making. Technological and Economic Development of Economy, 20, 721-738.

[39] Hдrdle, W., Lee, Y.-J., Schдfer, D., & Yeh, Y.-R. (2009). Variable Selection and Oversampling in the Use of Smooth-support Vector Machines for Predicting the Default Risk of Companies. Journal of Forecasting, 28, 512-534.

[40] Heaton, J. (2008). Introduction to Neural Networks for Java. Heaton Research, Inc.

[41] Henry, E. (2008). Are investors influenced by how earnings press releases are written? Journal of Business Communication, 45(4), 363-407.

[42] Heston, S. L., & Sinha, N. R. (2016). News versus Sentiment: Predicting Stock Returns from News Stories. Finance and Economics Discussion Series, 2016, 1-35.

[43] Huang, A. H., Zang, A., & Zheng, R. (2014). Evidence on the information content of text in analyst reports. Accounting Review, 89(6), 2151-2180.

[44] Kearney, C., & Liu, S. (2014). Textual Sentiment Analysis in Finance: A Survey of Methods and Models. International Review of Financial Analysis.

[45] Kolari, J. W., Caputo, M., & Wagner, D. (1996). Trait Recognition: An Alternative Approach to Early Warning Systems in Commercial Banking. Journal of Business Finance & Accounting, 23(November 1995).

[46] Li, F. (2008). Annual report readability, current earnings, and earnings persistence. Journal of Accounting and Economics, 45(2-3), 221-247.

[47] Li, F. (2011). Textual Analysis of Corporate Disclosures: A Survey of the Literature. Journal of Accounting Literature, 1-60.

[48] Li, Z., Crook, J., & Andreeva, G. (2014). Chinese Companies Distress Prediction: an Application of Data Envelopment Analysis. Journal of the Operational Research Society, 65, 466-479.

[49] Loughran, T., & McDonald, B. (2011). When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks. The Journal of Finance, 66, 35-65.

[50] Loughran, T., & McDonald, B. (2016). Textual Analysis in Accounting and Finance: A Survey. Journal of Accounting Research, 54, 1187-1230.

[51] Lugovskaya, L. (2010). Predicting Default of Russian SMEs on the Basis of Financial and Non-Financial Variables. Journal of Financial Services Marketing, 14, 301-313.

[52] Mai, F., Tian, S., Lee, C., & Ma, L. (2018). Deep Learning Models for Bankruptcy Prediction Using Textual Disclosures. European Journal of Operational Research, 274, 743-758.

[53] Martin, D. (1977). Early warning of bank failure. Journal of Banking & Finance, 1(3).

[54] McNelis, P. D. (2005). Neural Networks in Finance: Gaining Predictive Edge in the Market. Elsevier.

[55] Merton, R. C. (1974). On the Pricing of Corporate Debt: the Risk Structure of Interest Rates. The Journal of Finance, 29, 449-470.

[56] Mohammad, S., & Turney, P. (2010). Emotions Evoked by Common Words and Phrases: Using Mechanical Turk to Create an Emotion Lexicon.

[57] Mselmi, N., Lahiani, A., & Hamza, T. (2017). Financial Distress Prediction: The Case of French Small and Medium-Sized Firms. International Review of Financial Analysis, 50, 67-80.

[58] Nielsen, F. Е. (2011). A new ANEW: Evaluation of a word list for sentiment analysis in microblogs.

[59] Odom, M. D., & Sharda, R. (1990). A neural network model for bankruptcy prediction (pp. 163-168 vol.2).

[60] Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18, 109.

[61] Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, Й. (2011). Scikit-learn: Machine Learning in Python. JMLR, 12, 2825-2830.

[62] Porter, M. F. (1980). An algorithm for suffix stripping. Program, 14(3).

[63] Ravi Kumar, P., & Ravi, V. (2007). Bankruptcy Prediction in Banks and Firms via Statistical and Intelligent Techniques. European Journal of Operational Research, 180.

[64] Rees, H., & Maddala, G. S. (1985). Limited-Dependent and Qualitative Variables in Econometrics. The Economic Journal, 95, 493.

[65] Rossum, G. van. (1995). Python tutorial. Technical Report CS-R9526, Centrum voor Wiskunde en Informatica (CWI), Amsterdam.

[66] Salchenberger, L. M., Cinar, E. M., & Lash, N. A. (1992). Neural Networks: a New Tool for Predicting Thrift Failures. Decision Sciences, 23, 899-916.

[67] Sanchez, J. S., Barandela, R., Rangel, E., & Garcia, V. (2003). Strategies for learning in class imbalance problems. Pattern Recognition, 36(3), 849-851.

[68] Scott, J. H. (1976). A Theory of Optimal Capital Structure. The Bell Journal of Economics, 7(1), 33-54.

[69] Scott, J. H. (1981). The probability of bankruptcy. A comparison of empirical predictions and theoretical models. Journal of Banking and Finance, 5(3), 317-344.

[70] Shin, K.-S., Lee, T. S., & Kim, H. (2005). Application of Support Vector Machines in Bankruptcy Prediction Model. Expert Systems with Applications, 28(1), 127-135.

[71] Shin, K. S., & Lee, Y. J. (2002). A genetic algorithm application in bankruptcy prediction modeling. Expert Systems with Applications.

[72] Shumway, T. (2001). Forecasting Bankruptcy More Accurately: A Simple Hazard Model. Journal of Business.

[73] Springate, G. L. (1978). Predicting the possibility of failure in a Canadian ?rm. Unpublished MBA project. Simon Fraser University.

[74] Taffler, R. J., & Tisshaw, H. (1977). Going, Going, Gone: Four Factors Which Predict. Accountancy, 88, 50-54.

[75] Tetlock, P. C., Tsechansky, S. T., & Macskassy, S. (2007). More than words: Quantifying language to measure firms' fundamentals. The Journal of Finance, 63(3), 1437-1467.

[76] Tian, S., & Yu, Y. (2017). Financial ratios and bankruptcy predictions: An international evidence. International Review of Economics and Finance.

[77] Tobback, E., Bellotti, T., Moeyersoms, J., Stankova, M., & Martens, D. (2017). Bankruptcy Prediction for SMEs Using Relational Data. Decision Support Systems, 102, 69-81.

[78] Walter, J. E. (1959). A Discriminant Function for Earnings-Price Ratios of Large Industrial Corporations. The Review of Economics and Statistics, 41, 44.

[79] Wilson, N., & Altanlar, A. (2014). Company failure prediction with limited information: Newly incorporated companies. Journal of the Operational Research Society, 65(2).

[80] Wilson, N., & Hernandez, M. (2013). Financial Distress and Bankruptcy Prediction among Listed Companies Using Accounting, Market and Macroeconomic Variables. International Review of Financial Analysis, 30, 394-419.

[81] Wilson, R. L., & Sharda, R. (1994). Bankruptcy Prediction Using Neural Networks. Decision Support Systems, 11, 545-557.

[82] Wu, D., Liang, L., & Yang, Z. (2008). Analyzing the financial distress of Chinese public companies using probabilistic neural networks and multivariate discriminate analysis, Socio-Economic Planning. Socio-Economic Planning Sciences, 42, 206-220.

[83] You, H., & Zhang, X. jun. (2009). Financial reporting complexity and investor underreaction to 10-k information.

[84] Youn, H., & Gu, Z. (2010). Predict US Restaurant Firm Failures: the Artificial Neural Network Model versus Logistic Regression Model. Tourism and Hospitality Research, 10, 171-187.

[85] Zhou, L., Lai, K. K., & Yen, J. (2012). Bankruptcy Prediction Using SVM Models with a New Approach to Combine Features Selection and Parameter Optimisation. International Journal of Systems Science, 45, 241-253.

[86] Zmijewski, M. E. (1984). Methodological Issues Related to the Estimation of Financial Distress Prediction Models. Journal of Accounting Research, 22, 59.

[87] Богданова, Т. К. (2008). Инструментальные средства прогнозирования вероятности банкротства авиапредприятий. Инжиниринг бизнеса, 45-61.

[88] Богданова, Т. К. (2011). Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике. Моделирование и анализ бизнес-процессов, 1(15), 50-60.

[89] Воронина, В. М. (2007). Прогнозирование банкротства с помощью количественных и качественных методов анализа. Методика прогнозирования банкротства, 18(99).

[90] Давыдова, Г. В. (1999). Методика количественной оценки риска банкротства предприятий. Управление риском, 1999.

[91] Демешев, Б. Б., & Тихонова, А. С. (2014a). Динамика прогнозной силы моделей банкротства для средних и малых российских компаний оптовой и розничной торговли. Корпоративные финансы.

[92] Демешев, Б. Б., & Тихонова, А. С. (2014b). Прогнозирование банкротства российских компаний: межотраслевое сравнение. Корпоративные финансы, 359-386.

[93] Жданов, В. Ю., & Афанасьева, О. А. (2011). Модель диагностики риска банкротства предприятий авиационно-промышленного комплекса. Корпоративные финансы, 4(20), 77-89.

[94] Зайцева, О. П. (1998). Антикризисный менеджмент в российской фирме. Антикризисное управление.

[95] Макеева, Е. Ю., & Бакурова, А. О. (2012). Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей. Корпоративные финансы, 3(23), 22-30.

[96] Макушина, Е. Ю., & Шихлярова, И. А. (2018). Моделирование вероятности банкротства российских нефинансовых компаний. Финансы и кредит, 24, 95-110.

[97] Федорова, Е. А., Демин, И. С., & Рогов, О. Ю. (2019). Применение словарей тональности для текстового анализа. Прикладная информатика, 14(1), 5-15.

[98] Федорова, Е. А., Лазарев, М. П., & Федин, А. В. (2016). Прогнозирование банкротства предприятия с учетом факторов внешней среды. Финансовая аналитика: проблемы и решения, 8768, 2-12.

[99] Федорова, Е. А., & Тимофеев, Я. В. (2015a). Нормативы финансовой устойчивости российских предприятий: отраслевые особенности. Корпоративные финансы.

[100] Федорова, Е. А., & Тимофеев, Я. В. (2015b). Разработка моделей прогнозирования банкротства российских предприятий для отраслей строительства и сельского хозяйства. Финансы и кредит, 8709, 2-10.

Приложение А. Данные по нетекстовым факторам

Таблица 16. Список нетекстовых факторов

#	Категория	Фактор	Код	ИСТОЧНИК
1	Рычаг	Debt/Assets	D/A	(Beaver, 1966)
2		Debt/Equity	D/E	(Fulmer, 1984)
3		Liabilities/Assets	L/A	(Altman & Sabato, 2007)
4	Покрытие	Cash flow from operations/Debt	CFFO/D	(Bellovary et al., 2007)
5		Cash flow/Debt	FCF/D	(Beaver, 1966)
6		EBITDA/Interest expenses	EBITDA/IE	(Altman & Sabato, 2007)
7		EBT/Current liabilities	EBT/CL	(Springate, 1978)
8		Gross profit/Debt	GP/D	(Taffler & Tisshaw, 1977)
9		Current liabilities/Equity	CL/E	(Altman & Sabato, 2007)
10	Ликвидность	Cash/Assets	C/A	(Altman & Sabato, 2007)
11		Cash/Gross profit	C/GP	(Altman & Sabato, 2007)
12		Current assets/Assets	CA/A	(Bellovary et al., 2007)
13		Current assets/Current liabilities	CA/CL	(Beaver, 1966)
14		Current assets/Debt	CA/D	(Taffler & Tisshaw, 1977)
15		Current liabilities/Assets	CL/A	(Fulmer, 1984)
16		Intangible assets/Assets	IA/A	(Altman & Sabato, 2007)
17		Quick assets/Current liabilities	QA/CL	(Bellovary et al., 2007)
18		Quick assets/Assets	QA/A	(Campbell et al., 2008)
19		Working capital/Assets	WC/A	(Altman & Sabato, 2007)
20		Working capital/Debt	WC/D	(Fulmer, 1984)
21	Прибыльность	Cash flow from operations/Assets	CFFO/A	(Bellovary et al., 2007)
22		Current assets/Revenue	CA/REV	(Bellovary et al., 2007)
23		EBIT/Equity	EBIT/E	1984
24		EBIT/Revenue	EBIT/R	(Altman & Sabato, 2007)
25		EBITDA/Assets	EBITDA/A	(Altman & Sabato, 2007)
26		Net income/Assets	NI/A	(Altman & Sabato, 2007)
27		Net income/Equity	NI/E	(Bellovary et al., 2007)
28		Net income/Revenue	NI/R	(Altman & Sabato, 2007)
29		Retained earnings/Assets	RE/A	(Altman & Sabato, 2007)
30		Equity/Market	E/M	(Campbell et al., 2008)
31	Активность	Accounts payable/Revenue	AP/R	(Altman & Sabato, 2007)
32		Accounts receivable/Liabilities	AR/L	(Altman & Sabato, 2007)
33		Inventory/Revenue	INV/R	(Bellovary et al., 2007)
34		Revenue/Assets	R/A	(Altman & Sabato, 2007)
35	Макро	Assets/GNP deflator	A/GNP	(Ohlson, 1980)
36		Real 3-month treasury bill rate	RF	(Nick Wilson & Hernandez, 2013)
37		CPI	CPI	(Nick Wilson & Hernandez, 2013)
38	Рынок	Price/Book value	P/B	(Campbell et al., 2008)
39		Price/Earnings per share	P/E	(Campbell et al., 2008)
40		Excess return/Index return	ER	(Campbell et al., 2008)
41	Размер	Common equity/Assets	CE/A	(Altman et al., 1977)
42		Assets	A	(Altman & Sabato, 2007)



Таблица 17. Описательные статистики нетекстовых факторов на (1) 20

	Минимум	Максимум	Среднее	Медиана	Отклонение
D/A	0.000	2.976	0.376	0.299	0.315
D/E	-72.836	65.893	0.743	0.545	7.495
L/A	0.035	3.887	0.698	0.622	0.410
CFFO/D	-76.614	134.409	0.461	0.198	7.799
FCF/D	-199.859	54.664	-0.772	0.088	10.933
EBITDA/IE	-104.530	919.477	14.026	4.795	46.856
EBT/CL	-21.613	86.562	0.181	0.157	3.968
GP/D	-4.828	553.782	4.165	0.635	28.913
CL/E	-96.505	52.077	0.338	0.379	5.427
C/A	0.000	1.000	0.103	0.059	0.129
C/GP	-14.310	19.496	0.602	0.248	2.100
CA/A	0.023	1.000	0.371	0.326	0.223
CA/CL	0.058	27.955	1.980	1.689	1.762
CA/D	0.038	393.620	5.736	1.018	31.284
CL/A	0.018	1.763	0.253	0.196	0.224
IA/A	0.000	1.000	0.175	0.096	0.203
QA/CL	0.000	26.955	1.505	1.216	1.584
QA/A	0.000	0.964	0.266	0.223	0.176
WC/A	0.043	2.112	0.623	0.565	0.352
WC/D	0.071	715.389	9.538	1.675	53.381
CFFO/A	-0.802	1.127	0.074	0.076	0.127
CA/REV	0.031	15.790	0.678	0.384	1.221
EBIT/E	-56.624	18.304	0.018	0.136	2.798
EBIT/R	-7.546	0.756	-0.050	0.060	0.552
EBITDA/A	-1.816	1.489	0.065	0.092	0.213
NI/A	-2.808	3.597	-0.006	0.026	0.306
NI/E	-28.795	17.701	0.063	0.097	2.079
NI/R	-7.769	5.814	-0.077	0.036	0.720
RE/A	-9.773	2.102	-0.086	0.103	1.119
E/M	-0.001	0.001	0.000	0.000	0.000
AP/R	0.001	4.438	0.145	0.065	0.320
AR/L	0.000	7.620	0.159	0.095	0.332
INV/R	0.000	13.510	0.174	0.080	0.655
R/A	0.014	12.126	1.037	0.799	0.998
A/GNP	-0.090	10.805	7.106	7.101	1.416
RF	0.000	0.020	0.005	0.003	0.006
CPI	0.002	0.033	0.017	0.015	0.007
P/B	-95.004	28.714	0.368	0.422	6.133
P/E	-178.996	1352.605	9.707	1.677	85.045
ER	-9.483	7.678	-1.151	-1.173	2.221
CE/A	-2.887	1.000	0.283	0.365	0.426
A	0.000	10.895	7.152	7.138	1.418

Таблица 18. Корреляция нетекстовых факторов (1/3)

	Bankrupt	AP/R	AR/L	INV/R	R/A	CE/A	CFFO/D	FCF/D	EBITDA/IE	EBT/CL	GP/D	CL/E	D/A	D/E	L/A	C/A	C/GP	CA/A	CA/CL
Bankrupt	1.00
AP/R	0.02	1.00
AR/L	-0.06	0.01	1.00
INV/R	0.06	0.74	-0.01	1.00
R/A	-0.05	-0.26	0.49	-0.15	1.00
CE/A	-0.23	-0.15	0.29	-0.09	0.09	1.00
CFFO/D	-0.01	-0.01	0.02	-0.01	0.02	0.03	1.00
FCF/D	-0.09	-0.03	-0.01	-0.01	0.04	0.08	0.30	1.00
EBITDA/IE	-0.01	-0.16	0.01	-0.06	0.04	0.01	0.05	0.11	1.00
EBT/CL	-0.08	-0.04	0.48	-0.02	0.11	0.22	0.03	0.08	0.06	1.00
GP/D	0.02	-0.02	0.05	-0.01	0.08	0.03	0.33	0.55	0.05	0.00	1.00
CL/E	-0.03	0.00	0.01	-0.06	0.03	0.01	0.00	0.00	0.00	0.00	0.00	1.00
D/A	0.14	-0.04	-0.32	-0.07	-0.17	-0.79	-0.04	0.01	-0.02	-0.17	-0.07	-0.01	1.00
D/E	-0.01	0.00	-0.02	-0.01	-0.02	0.00	0.00	0.00	0.00	0.00	0.00	0.78	0.01	1.00
L/A	0.23	0.17	-0.28	0.10	-0.08	-0.97	-0.03	-0.08	-0.01	-0.22	-0.03	-0.01	0.80	0.01	1.00
C/A	-0.03	-0.11	0.24	-0.06	0.13	0.19	0.04	0.02	-0.05	0.13	0.02	-0.02	-0.19	-0.01	-0.17	1.00
C/GP	0.00	0.16	0.01	0.05	-0.02	0.03	0.00	...

Страница:

•  1 
•  2 
•  3 
•  4 

дипломная работа "Текстовый анализ новостей в применении к прогнозированию банкротства компаний" скачать

Подобные документы

• Модели прогнозирования банкротства компаний в российской практике

  Модели дискриминантного анализа. Эффективность классических западных и российских моделей предсказания банкротства. Отраслевая специфика. Описание статей, включающее характеристики выборки, метод, список факторов и прогнозную силу метода анализа.
  
  реферат [68,6 K], добавлен 24.07.2016
  

• Диагностика банкротства по моделям Давыдовой-Беликова

  Определение возможности банкротства субъектов хозяйствования. Характеристика моделей экспресс-прогнозирования вероятности наступления банкротства Давыдовой-Беликова и Сайфулина-Кадыкова. Юридические аспекты и акты регулирования процедуры банкротства.
  
  курсовая работа [84,1 K], добавлен 30.09.2009
  

• Система банкротства в Российской Федерации. Методы прогнозирования возможного банкротства предприятия

  Два подхода к прогнозированию банкротства. Три модели Альтмана. Методика О.П. Зайцевой. Методика ФСФО РФ. Методика определения класса кредитоспособности. Методика балльных оценок. Критерии А.И. Ковалева, В.П. Привалова. Методика А.О. Недосекина.
  
  реферат [19,8 K], добавлен 10.05.2007
  

• Понятие и признаки банкротства

  Институт банкротства как механизм обеспечения социальной ответственности предпринимателей. Сущность и виды банкротства, количественные и качественные факторы его предсказания. Диагностика, контроль и предупреждение неплатежеспособности предприятий.
  
  презентация [1,5 M], добавлен 21.05.2015
  

• Диагностика банкротства по модели Зайцевой

  Понятие банкротства, его основные причины и необходимость прогнозирования. Отечественные и зарубежные модели экспресс-прогнозирования возможности наступления банкротства. Сущность модели О.П. Зайцевой и расчет вероятности наступления банкротства.
  
  курсовая работа [98,7 K], добавлен 30.09.2009
  

• Диагностика банкротства предприятия и пути финансового оздоровления

  Понятие и признаки банкротства, его причины и виды. Факторы возникновения кризисных ситуаций на предприятиях. Методы диагностики вероятности банкротства многокритериальным способом, при помощи дискриминантных факторных моделей на примере ОАО "АКВА".
  
  курсовая работа [51,7 K], добавлен 09.12.2013
  

• Риск банкротства в предпринимательской деятельности

  Экономическая сущность банкротства предприятия, его основные критерии в мировой хозяйственной практике. Методы диагностики финансовой несостоятельности хозяйствующих субъектов. Разработка мероприятий по прогнозированию банкротства конкретного предприятия.
  
  курсовая работа [69,8 K], добавлен 12.04.2012
  

• Институт банкротства

  Понятие банкротства и его предпосылки. Социально экономические последствия банкротства. Развитие института банкротства в России и за рубежом. Банкротство физического лица и его особенности в РФ. Правовое регулирование порядка банкротства юридических лиц.
  
  курсовая работа [57,3 K], добавлен 26.05.2015
  

• Прогнозирование несостоятельности (банкротства) предприятия

  Проблема прогнозирования банкротства предприятий в Российской Федерации. Организационно-экономическая характеристика ООО "Мана", анализ его финансовой устойчивости, платежеспособности и кредитоспособности. Диагностика банкротства по модели Альтмана.
  
  реферат [101,5 K], добавлен 08.06.2013
  

• Диагностика банкротства предприятия

  Рассмотрение теоретических основ диагностики банкротства. Исследование методик прогнозирования несостоятельности. Анализ финансового состояния ООО "Отчизна". Изучение мероприятий по повышению финансовой устойчивости для уменьшения риска банкротства.
  
  курсовая работа [302,1 K], добавлен 12.10.2010
  

• Использование экономического анализа при процедуре банкротства предприятия

  Правовая природа отношений несостоятельности (банкротства) в Украине. Критерии вероятности банкротства. Финансовый анализ при процедуре банкротства предприятия на основании данных финансовой отчетности ремонтно-строительного предприятия "Импульс".
  
  дипломная работа [206,5 K], добавлен 07.11.2011
  

• Диагностика риска банкротства предприятия

  Понятие и признаки банкротства. Причины и виды банкротства. Процедуры банкротства. Методы диагностики вероятности банкротства. Многокритериальный подход. Дискриминантные факторные модели. Оценка вероятности банкротства предприятия по модели Альтмана.
  
  курсовая работа [59,3 K], добавлен 16.12.2007
  

• Методы прогнозирования банкротства предприятия

  Определение понятия "банкротство". Рассмотрение роли бухгалтерской финансовой отчетности в оценке вероятности банкротства; изучение методик оценки. Исследование риска наступления банкротства. Описание мероприятий по укреплению финансовой устойчивости.
  
  курсовая работа [366,6 K], добавлен 08.12.2014
  

• Разработка современной модели оценки вероятности банкротства компании

  Основные понятия финансовой несостоятельности предприятий. Создание математической модели прогнозирования банкротства компании. Выявление факторов финансового состояния ЗАО "Управление механизации №276", информационная база анализа угрозы банкротства.
  
  курсовая работа [388,7 K], добавлен 18.05.2014
  

• Методы прогнозирования потенциального банкротства фирмы на примере ОАО "Удмуртагрохим"

  Теоретические основы банкротства предприятия и методы анализа вероятности его наступления. Диагностика банкротства на примере анализа финансового состояния ОАО "Удмуртагрохим". Краткая характеристика предприятия. Пути выхода из кризисного состояния.
  
  курсовая работа [51,4 K], добавлен 29.06.2009
  

• Понятие банкротства. Факторы, влияющие на предприятия, и причины банкротства

  Причины банкротства. Процедура банкротства в целях финансового оздоровления предприятия. Финансовый анализ как способ предотвращения кризисных ситуаций. Банкротство как механизм оздоровления экономики. Процедура банкротства в России.
  
  реферат [19,7 K], добавлен 10.05.2007
  

• Анализ прогнозирования банкротства предприятия и пути его оздоровления на примере ОАО "Техно-Мастер"

  Экономическое содержание несостоятельности и банкротства предприятия, анализ его прогнозирования по зарубежным и отечественным методикам. Анализ финансового состояния предприятия с целью предотвращения его банкротства на примере ОАО "Техно-Мастер".
  
  дипломная работа [226,3 K], добавлен 24.10.2011
  

• Процедура банкротства

  Изучение понятия и экономической природы банкротства как неотъемлемого атрибута рыночной экономики, содержание и значение. Определение основных критериев несостоятельности и процедуры банкротства, установленные современным российским законодательством.
  
  курсовая работа [56,7 K], добавлен 18.02.2011
  

• Сущность и содержание понятия "банкротство"

  Современный кризис как угроза банкротства банков. Методическое обеспечение системы банкротства предприятия. Характеристика ООО "Антураж", диагностика банкротства компании. Характеристика основных этапов банкротства предприятия, меры противостояния.
  
  курсовая работа [4,6 M], добавлен 12.11.2014
  

• Прогнозирование потенциального банкротства предприятия

  Методы прогнозирования банкротства, особенности их использования в России и за рубежом. Организационно-экономическая характеристимка и анализ потенциального банкротства ОАО "Живая вода". Пути повышения финансовой устойчивости исследуемого предприятия.
  
  курсовая работа [498,3 K], добавлен 02.12.2009
  

Другие документы, подобные "Текстовый анализ новостей в применении к прогнозированию банкротства компаний"

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам