Publikace detail

An ensemble model minimising misjudgment cost: Empirical evidence from Chinese listed companies

Autoři: Yuan Kunpeng | Abedin Mohammad Zoynul | Hájek Petr

Rok: 2025

Druh publikace: článek v odborném periodiku

Název zdroje: International Journal of Finance & Economics

Název nakladatele: Wiley

Místo vydání: New Jersey

Strana od-do: 3875-3900

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Ensemble model minimalizující náklady spojené s nesprávným úsudkem: Empirické důkazy z čínských kótovaných společností	Predikce finanční tísně podniků je klíčová pro rozhodování o bankovních úvěrech i investicích do podnikových dluhopisů. Nesprávná identifikace stavu selhání může uvést věřitele a investory v omyl a vést k významným finančním ztrátám. Tento článek navrhuje ansámblový model, který minimalizuje celkové náklady chybného rozhodnutí zohledněním vážené ztrátové funkce vycházející z nevyváženého poměru chyb I. a II. typu v účelové funkci. Na rozdíl od existujících statických modelů predikce finanční tísně navrhovaný model integruje panelová data prostřednictvím časového posunu, aby zachytil dynamiku úvěrového rizika. Pro validaci predikčního modelu byla shromážděna data o čínských veřejně obchodovaných společnostech s ohledem na geografickou oblast, vlastnickou strukturu a velikost podniku. Ukazujeme, že vážením predikcí z různých klasifikačních modelů lze minimalizovat celkové náklady chybné klasifikace. Studie identifikuje zisk na akcii (earnings per share) a index cen produkce jako nejvýznamnější ukazatele ovlivňující finanční výkonnost čínských veřejně obchodovaných společností. Celkově výsledky naznačují, že navrhovaný model disponuje predikční schopností až na pětiletý horizont, přičemž přesnost dosahuje 98,7 % pro jednoroční predikci a 96,8 % pro pětiletý predikční horizont. Navíc navrhovaný model překonává stávající modely predikce finanční tísně v celkové predikční výkonnosti tím, že správně identifikuje podniky v selhání a zároveň se vyhýbá chybné klasifikaci finančně zdravých podniků.	dynamika; model souboru; finanční potíže; náklady na nesprávné posouzení; předpověď
eng	An ensemble model minimising misjudgment cost: Empirical evidence from Chinese listed companies	Predicting corporate financial distress is critical for bank lending and corporate bond investment decisions. Incorrect identification of default status can mislead lenders and investors, leading to substantial losses. This paper proposes an ensemble model that minimises the overall cost of misjudgment by considering the imbalanced ratio weighted loss of the unbalanced ratio of Type I and Type II errors in the objective function. Unlike existing static financial distress prediction models, the proposed model integrates panel data by using time-shifting to account for credit risk dynamics. To validate the prediction model, data were collected for Chinese listed companies, considering geographic area, ownership structure and firm size. We demonstrate that by weighting predictions from different classification models, the overall misjudgment cost can be minimised. This study identifies earnings per share and the product price index as the most relevant indicators affecting the financial performance of Chinese-listed companies. Overall, the results indicate that the proposed model has a predictive capacity of up to 5 years, with 98.7% for 1-year forecasting horizons and 96.8% for 5-year-ahead forecasting horizons. Furthermore, the proposed model outperforms existing distress prediction models in overall prediction performance by correctly identifying defaulting companies while avoiding misjudging good companies.	dynamics; ensemble model; financial distress; misjudgment cost; prediction

Vyhledávání

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Ústavy

Pracoviště

Jak nás najdete?

Služby

Často hledáte