Vliv metody SMOTE na přesnost bankrotních modelů založených na konvolučních neuronových sítích

The Effect of the SMOTE method on the Accuracy of Bankruptcy Models Based on Convolutional Neural Networks

journal article - other

Czech

Tento článek zkoumá vliv metody SMOTE na přesnost predikce bankrotních modelů. Pro predikci bankrotu podniků v České republice byly použity konvoluční neuronové sítě založené na architektuře GoogLeNet. Vstupy do modelů jsou tvořeny finančními ukazateli podniků, jejichž hodnoty jsou převedeny na několik typů obrázků. Z provedeného výzkumu vyplynulo, že použití techniky SMOTE výrazně zvyšuje přesnost klasifikace aktivních a bankrotních podniků, a zároveň snižuje chybu II. druhu, která způsobuje nesprávnou klasifikaci bankrotního podniku za aktivní.

This paper analyzes the effect of the SMOTE method on the prediction accuracy of bankruptcy models. Convolutional neural networks based on the GoogLeNet architecture are used for bankruptcy prediction of firms in the Czech Republic. The inputs to the models are composed of financial indicators of enterprises, whose values are converted into several types of images. The research conducted shows that the use of the SMOTE technique significantly improves the accuracy of classification of active and bankrupt enterprises, while reducing the type II error, which is the misclassification of a bankrupt enterprise as active.

predikce bankrotu, konvoluční neuronové sítě, finanční ukazatele, SMOTE, transfer learning, hluboké učení

bankruptcy prediction, convolutional neural networks, financial indicators, SMOTE, transfer learning, deep learning

ŠEBESTOVÁ, M.; DOSTÁL, P.

31. 12. 2022

Vysoká škola Sting, o. p. s.

Brno

1805-6873

ACTA STING

4/2022

Czech Republic

56

73

74

https://www.sting.cz/sites/default/files/inline-images/acta-sting/acta4_2022_web.pdf