RESEARCH PAPER
Default Prediction Models and Their Application to Poland’s NewConnect Market
Łukasz Postek 1  
,   Michał Thor 2  
 
More details
Hide details
1
Katedra Statystyki i Ekonometrii, Wydział Nauk Ekonomicznych UW, Polska
2
Wydział Nauk Ekonomicznych UW, Polska
CORRESPONDING AUTHOR
Łukasz Postek   

Katedra Statystyki i Ekonometrii, Wydział Nauk Ekonomicznych UW, Polska
Submission date: 2019-07-29
Final revision date: 2020-01-10
Acceptance date: 2020-01-15
Publication date: 2020-03-31
 
GNPJE 2020;301(1):109–137
 
KEYWORDS
JEL CLASSIFICATION CODES
G11
G33
 
ABSTRACT
This paper deals with modeling the default of enterprises listed on Poland’s NewConnect market. The study covers an overview of the empirical literature on default prediction in Poland and proposes logit models to predict the default of enterprises listed on the NewConnect market over a one-year horizon. The lack of robustness of the estimates suggests there is no stable or monotonic relation between the financial indicators and default probability on the NewConnect market. Moreover, the models estimated in the study as well as those proposed in the literature suffer from a lack of out-of-sample predictive capabilities. Despite this, default prediction models seem to be potentially useful in the selection of stocks and in weighing them in the investment portfolio. Portfolios constructed on the basis of default prediction models, both those estimated in this paper and those proposed in the literature, are more profitable than a market portfolio with equal weights in each stock.
 
REFERENCES (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
ISSN:0867-0005