Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Corporate Financial Distress Prediction Using the Risk-related Information Content of Annual Reports
Rok: 2024
Druh publikace: článek v odborném periodiku
Název zdroje: Information Processing and Management
Název nakladatele: Elsevier Limited
Místo vydání: London
Strana od-do: nestránkováno
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Predikce finanční tísně korporací pomocí informací o rizicích z výročních zpráv Tato studie představuje model predikce finanční tísně zaměřený na lingvistickou analýzu sekcí výročních zpráv, které se zabývají riziky. Představujeme novou metodologii využívající kontextové embedovací modely na bázi BERT pro detailní extrakci finančního sentimentu a tematické koherence. Tento přístup se odlišuje od stávajícího výzkumu, který převážně spoléhá na slovníkově založené metody nebo nekontextové word embeddingy, a překonává jejich omezení v oblasti citlivosti na kontext. Dále aplikujeme inovativní model predikce finanční tísně, který kombinuje robustní algoritmus XGBoost s nesupervizovanými technikami detekce odlehlých hodnot. Tento hybridní model je navržen tak, aby řešil problém nerovnováhy tříd, což je přetrvávající výzva v predikci finanční tísně. Efektivita navrženého modelu je empiricky ověřena na rozsáhlém datasetu obsahujícím 2545 společností kótovaných na hlavních světových burzách. Naše zjištění ukazují, že představený model nejen výrazně překonává většinu současných špičkových modelů predikce finanční tísně z hlediska predikční přesnosti, ale také výrazně převyšuje přístup založený na slovníku Loughran & McDonald a model Word2Vec. To podtrhuje jeho potenciál jako výkonného analytického nástroje pro predikci finanční tísně. Finanční potíže; Predikce; Výroční zpráva; Finanční sentiment; Semi-supervizované učení; XGBoost
eng Corporate Financial Distress Prediction Using the Risk-related Information Content of Annual Reports This study presents a financial distress prediction model focusing on the linguistic analysis of risk-related sections of corporate annual reports. Here, we introduce a novel methodology that leverages BERT-based contextualized embedding models for nuanced extraction of financial sentiment and topic coherence. This stands in contrast to existing research, which predominantly relies on dictionary-based or non-contextual word embeddings and addresses their limitations in context sensitivity. Furthermore, we apply an innovative financial distress prediction model that combines the robust XGBoost algorithm with unsupervised outlier detection techniques. This hybrid model is specifically designed to tackle the issue of class imbalance, a persistent challenge in financial distress prediction. The efficacy of the proposed model is empirically validated using a comprehensive dataset of 2545 companies listed on major global stock exchanges. Our findings indicate that the introduced model not only significantly outperforms most existing state-of-the-art financial distress prediction models in terms of predictive accuracy, but also significantly outperforms the Loughran & McDonald dictionary-based approach and the Word2Vec model, underlining its potential as a superior analytical tool for financial distress prediction. Financial distress; Prediction; Annual report; Financial sentiment; Semi-supervised learning; XGBoost