PL EN
PRACA ORYGINALNA
Modele predykcji bankructwa i ich zastosowanie dla rynku NewConnect
 
 
Więcej
Ukryj
1
Katedra Statystyki i Ekonometrii, Wydział Nauk Ekonomicznych UW, Polska
 
2
Wydział Nauk Ekonomicznych UW, Polska
 
 
Data nadesłania: 29-07-2019
 
 
Data ostatniej rewizji: 10-01-2020
 
 
Data akceptacji: 15-01-2020
 
 
Data publikacji: 31-03-2020
 
 
Autor do korespondencji
Łukasz Postek   

Katedra Statystyki i Ekonometrii, Wydział Nauk Ekonomicznych UW, Polska
 
 
GNPJE 2020;301(1):109-137
 
SŁOWA KLUCZOWE
KODY KLASYFIKACJI JEL
G11
G33
 
STRESZCZENIE
Niniejsza praca podejmuje problematykę modelowania bankructwa spółek notowanych na rynku NewConnect. Dokonano przeglądu prac empirycznych związanych z predykcją upadłości przedsiębiorstw w Polsce i za pomocą regresji logistycznej zbudowano modele przewidujące bankructwa spółek notowanych na rynku NewConnect w rocznym horyzoncie czasowym. Brak odporności uzyskanych oszacowań podaje w wątpliwość istnienie stabilnej i monotonicznej relacji pomiędzy wskaźnikami finansowymi a prawdopodobieństwem bankructwa na NewConnect. Równocześnie zarówno oszacowane modele, jak i najpopularniejsze polskie modele predykcji bankructwa cechują się brakiem zdolności prognostycznych out-of-sample. Mimo to modele predykcji bankructwa okazują się być potencjalnie przydatne w wyborze celów inwestycyjnych i ustaleniu wag poszczególnych akcji w portfelu inwestycyjnym – portfele skonstruowane na podstawie modeli oszacowanych w niniejszej pracy oraz najpopularniejsze polskie modele predykcji bankructwa cechują się wyższą stopą zwrotu niż portfel z równymi wagami dla wszystkich spółek.
 
REFERENCJE (32)
1.
Altman E. [1968], Financial Ratios, Discriminant Analysis and the Prediction of corporate Bankruptcy, Journal of Finance, 23 (4): 589–609.
 
2.
Altman E. [2000], Predicting Financial Distress of Companies: Revisiting the Z-Score and Zeta® Models, http://pages.stern.nyu.edu/~ea..., dostęp: 23.02.2019.
 
3.
Ang T. C. C. [2012], Understanding the Distress Puzzle: Surprises in the Pre-Delisting Period, 2012 Financial Markets & Corporate Governance Conference.
 
4.
Anginer D., Yıldızhan Ç. [2018], Is There a Distress Risk Anomaly? Pricing of Systematic Default Risk in the Cross-section of Equity Returns, Review of Finance, 22 (2): 633–660.
 
5.
Aretz K., Florackis C., Kostakis A. [2008], Do Stock Returns Really Decrease with Default Risk? New International Evidence, Management Science, 64 (8): 3821–3842.
 
6.
Back B., Laitinen T., Sere K. [1996], Neural networks and genetic algorithms for bankruptcy predictions, Expert Systems with Applications, 11 (4): 407–413.
 
7.
Balina R., Bąk M. J. [2016], Analiza dyskryminacyjna jako metoda predykcji bankructwa przedsiębiorstw z uwzględnieniem aspektów branżowych, Waleńczów, Wydawnictwo Naukowe INTELLECT.
 
8.
Campbell J. Y., Hilscher J., Szilagyi J. [2008], In Search of Distress Risk, The Journal of Finance, 63 (6): 2899–2939.
 
9.
Chava S., Purnanandam A. [2010], Is Default Risk Negatively Related to Stock Returns?, The Review of Financial Studies, 23 (6): 2523–2559.
 
10.
Coveney J. [2015], FIRTHLOGIT: Stata module to calculate bias reduction in logistic regression, https://EconPapers.repec.org/R....
 
11.
Dichev I. D. [1998], Is the Risk of Bankruptcy a Systematic Risk?, The Journal of Finance, 53 (3): 1131–1147.
 
12.
Firth D. [1993], Bias reduction of maximum likelihood estimates, Biometrika, 80 (1): 27–38.
 
13.
Frydman H., Altman E., Kao D. [1985], Introducing recursive partitioning for financial classification: The case of financial distress, Journal of Finance, 1 (40): 269–291.
 
14.
Gajdka J., Stos D. [1996], Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw, w: Borowiecki R. (red.), Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, Kraków, Wydawnictwo Akademii Ekonomicznej w Krakowie.
 
15.
Gruszczyński M. [2003], Modele mikroekonometrii w analizie i prognozowaniu zagrożenia finansowego przedsiębiorstw, Studia Ekonomiczne, 34 Warszawa, Wydawnictwo INE PAN.
 
16.
Hamrol M., Czajka B., Piechocki M. [2004], Prognozowanie upadłości przedsiębiorstwa – model analizy dyskryminacyjnej, Zeszyty Teoretyczne Rachunkowości, 76: 37−48.
 
17.
Hołda A. [2001], Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej ZH. Rachunkowość, 5: 306–310.
 
18.
Mączyńska E. [1994], Ocena kondycji przedsiębiorstwa (uproszczone metody), Życie Gospodarcze, 38: 3–5.
 
19.
Mączyńska E., Zawadzki M. [2006], Dyskryminacyjne modele predykcji bankructwa przedsiębiorstw, Ekonomista, 2: 205–235.
 
20.
Ohlson J. [1980], Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research, 18 (1): 109–131.
 
21.
Pociecha J. (red.), Pawełek B., Baryła M., Augustyn S. [2014], Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Kraków, Fundacja Uniwersytetu Ekonomicznego w Krakowie.
 
22.
Prusak B. [2005], Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstwa, Warszawa, Difin.
 
23.
Ptak-Chmielewska A. [2014], Modele predykcji upadłości MŚP w Polsce – analiza z wykorzystaniem modelu przeżycia Coxa i modelu regresji logistycznej, Ekonometria, 4 (46): 9–21.
 
24.
Rutkowska J. [2006], Ocena przydatności metod prognozowania bankructwa w warunkach polskich, Zeszyty Naukowe Akademii Ekonomicznej w Krakowie, 683: 47–62.
 
25.
Skogsvik K., Skogsvik S. [2013], On the choice based sample bias in probabilistic bankruptcy prediction, Investment Management and Financial Innovations, 10 (1): 29–37.
 
26.
Wagle M., Yang Z., Benslimane Y. [2017], Bankruptcy Prediction using Data Mining Techniques, 8th International Conference of Information and Communication Technology for Embedded Systems (IC–ICTES).
 
27.
Wierzba D. [2000], Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie analizy wskaźników finansowych – teoria i badania empiryczne, Zeszyty Naukowe Wyższej Szkoły Ekonomiczno-Informatycznej w Warszawie, 9: 79–105.
 
28.
Witkowska D. [2002], Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, Warszawa: Wydawnictwo C. H. Beck.
 
29.
Wu Y., Gaunt C., Gray S. [2010], A comparison of alternative bankruptcy prediction models, Journal of Contemporary Accounting & Economics, 6 (1): 34–45.
 
30.
Wyrobek J., Kluza K. [2019], Efficiency of Gradient Boosting Decision Trees Technique in Polish Companies, w: Wilimowska Z., Borzemski L., Świątek J. (red.), Bankruptcy Prediction, Information Systems Architecture and Technology: Proceedings of 39th International Conference on Information Systems Architecture and Technology – ISAT 2018, Springer Nature.
 
31.
Zięba M., Tomczak S. K., Tomczak J. M. [2016], Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction, Expert Systems with Applications, 58 (1): 93–101.
 
32.
Zmijewski M. E. [1984], Methodological Issues Related to the Estimation of Financial Distress Prediction Models, Journal of Accounting Research, 22, Studies on Current Econometric Issues in Accounting Research: 59–82.
 
eISSN:2300-5238
Journals System - logo
Scroll to top