Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Predicting Corporate Credit Ratings Using Content Analysis of Annual Reports - A Naive Bayesian Network Approach
Autoři: Hájek Petr | Olej Vladimír | Procházka Ondřej
Rok: 2017
Druh publikace: článek ve sborníku
Název zdroje: Enterprise Applications, Markets and Services in the Finance Industry
Název nakladatele: Springer
Místo vydání: Heidelberg
Strana od-do: 47-61
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Predikce úvěrových ratingů podniků pomocí analýzy obsahu výročních zpráv - Přístup založený na Naivní Bayesovské síti Úvěrové ratingy podniků jsou založené na řadě informací, včetně finančních výkazů, výročních zpráv, rozhovorů s manažery, atd. Finanční indikátory jsou pro toto hodnocení kritické. Málo je však známo o vlivu kvalitativní informace skryté ve firemních dokumentech. Tato studie má za cíl vyvinout metodiku extrakce tematického obsahu z firemních dokumentů pomocí analýzy latentní sémantiky. Tato informace je integrována s tradičními finančními indikátory do predikčního modelu s více třídami. Informativní indikátory jsou obdrženy korelačním filtrem v procesu selekce proměnných. Ukazujeme, že Naivní Bayesovská síť vykazuje statisticky ekvivalentní přesnosti jako další metody strojového učení. Také ukazujeme, že kritické hodnoty získané touto metodou indikují nízkou úvěrovou kvalitu firem. To může být důležité pro investory, banky a tržní regulátory. úvěrový rating; firmy; predikce; extrakce konceptu; Naivní Bayesovská síť
eng Predicting Corporate Credit Ratings Using Content Analysis of Annual Reports - A Naive Bayesian Network Approach Corporate credit ratings are based on a variety of information, including financial statements, annual reports, management interviews, etc. Financial indicators are critical to evaluate corporate creditworthiness. However, little is known about how qualitative information hidden in firm-related documents manifests in credit rating process. To address this issue, this study aims to develop a methodology for extracting topical content from firm-related documents using latent semantic analysis. This information is integrated with traditional financial indicators into a multi-class corporate credit rating prediction model. Informative indicators are obtained using a correlation-based filter in the process of feature selection. We demonstrate that Naive Bayesian networks perform statistically equivalent to other machine learning methods in terms of classification performance. We further show that the "red flag" values obtained using Naive Bayesian networks may indicate a low credit quality (non-investment rating classes) of firms. These findings can be particularly important for investors, banks and market regulators. Credit rating; Firms; Prediction; Concept extraction; Naive Bayesian network