2023
Gaussian process regression ́s hyperparameters optimization to predict financial distress
HORÁK, Jakub a Amine SABEKZákladní údaje
Originální název
Gaussian process regression ́s hyperparameters optimization to predict financial distress
Autoři
HORÁK, Jakub a Amine SABEK
Vydání
RETOS-REVISTA DE CIENCIAS DE LA ADMINISTRACION Y ECONOMIA, 2023, 1390-6291
Další údaje
Jazyk
angličtina
Typ výsledku
Článek v odborném periodiku
Obor
50200 5.2 Economics and Business
Stát vydavatele
Španělsko
Utajení
není předmětem státního či obchodního tajemství
Odkazy
Impakt faktor
Impact factor: 1.500
Označené pro přenos do RIV
Ano
Kód RIV
RIV/75081431:_____/23:00002637
Organizační jednotka
Vysoká škola technická a ekonomická v Českých Budějovicích
UT WoS
Klíčová slova česky
finanční potíže; regrese Gaussova procesu; hluboké učení; financování investic; predikce finančních rizik; Gaussova regrese; finanční ukazatele; modely hlubokého učení
Klíčová slova anglicky
financial distress; Gaussian process regression; deep learning; investment financing; financial risk prediction; Gaussian regression; financial ratios; deep learning models
Změněno: 6. 2. 2024 14:16, Barbora Kroupová
V originále
Predicting financial distress has become one of the most important topics of the hour that has swept the accounting and financial field due to its significant correlation with the development of science and technology. The main objective of this paper is to predict financial distress based on the Gaussian Process Regression (GPR) and then compare the results of this model with the results of other deep learning models (SVM, LR, LD, DT, KNN). The analysis is based on a dataset of 352 companies extracted from the Kaggle database. As for predictors, 83 financial ratios were used. The study concluded that the use of GPR achieves very relevant results. Furthermore, it outperformed the rest of the deep learning models and achieved first place equally with the SVM model with a classification accuracy of 81%. The results contribute to the maintenance of the integrated system and the prosperity of the country's economy, the prediction of the financial distress of companies and thus the potential prevention of disruption of the given system.
Česky
Předpovídání finančních potíží se stalo jedním z nejdůležitějších témat současnosti, které se díky své významné souvislosti s rozvojem vědy a techniky dostalo do účetního a finančního sektoru. Hlavním cílem tohoto článku je předpovídat finanční potíže na základě regrese Gaussova procesu (GPR) a následně porovnat výsledky tohoto modelu s výsledky jiných modelů hlubokého učení (SVM, LR, LD, DT, KNN). Analýza je založena na souboru dat 352 společností získaných z databáze Kaggle. Co se týče prediktorů, bylo použito 83 finančních ukazatelů. Studie dospěla k závěru, že použití GPR dosahuje velmi relevantních výsledků. Navíc překonal ostatní modely hlubokého učení a dosáhl prvního místa stejně jako model SVM s klasifikační přesností 81 %. Výsledky přispívají k udržení integrovaného systému a prosperitě ekonomiky země, predikci finančních potíží podniků, a tím i potenciální prevenci narušení daného systému.