| Bankruptcy prediction using machine learning techniques (Prédiction de la défaillance de l’entreprise en appliquant des techniques de l’apprentissage machine) | ||
Nguyen, Hoang Hiep - (2023-12-04) / Université de Rennes - Bankruptcy prediction using machine learning techniques Langue : Anglais Directeur de thèse: Viviani, Jena-Laurent; Ben Jabeur, Sami Laboratoire : Centre de recherche en économie et management (Rennes ; Caen ; 2004-....) Ecole Doctorale : École doctorale Sciences Economiques et sciences De Gestion - Bretagne (Rennes ; 2022-....) Thématique : Economie | ||
Mots-clés : Prédiction de faillite, Détresse financière, Apprentissage automatique, Apprentissage automatique explicatif, Variable environnementale, Indice d'incertitude., Faillite, Apprentissage automatique, Ratios (économie politique), Incertitude (théorie de l'information) Résumé : Cette thèse a un double objectif : améliorer la précision de la prédiction de faillite et découvrir de nouveaux prédicteurs de défaillance. Pour atteindre ces objectifs, nous utilisons des techniques avancées d'apprentissage automatique et d'apprentissage automatique explicables. Tout d'abord, nous menons une analyse financière approfondie des entreprises françaises en faillite, expliquant le fonctionnement interne des modèles populaires d'apprentissage automatique en ensemble. Cette analyse s'aligne non seulement sur la littérature existante, mais renforce également la crédibilité de l'apprentissage automatique dans la prévision des défaillances en confirmant l'importance des ratios financiers dans la prédiction de la faillite. Deuxièmement, nous explorons le potentiel de facteurs environnementaux en tant que prédicteurs pour les entreprises françaises non cotées. Nos résultats montrent que l'inclusion de données sur l'intensité des émissions dans l'air, l'eau et le sol améliore significativement la précision de la prédiction de la détresse financière et de la faillite. Enfin, nous relevons le défi de la prédiction de la faillite en période de conditions macroéconomiques changeantes. Notre enquête se penche sur l'impact de l'incertitude macroéconomique sur les modèles de prédiction de la faillite. En incorporant divers indices d'incertitude, nous mettons en évidence les avantages d'une telle approche. En résumé, cette thèse élève à la fois la précision et l'interprétabilité des modèles de prédiction de la faillite. De plus, elle élargit la gamme de prédicteurs, offrant des informations précieuses aux décideurs qui naviguent dans le paysage financier en constante évolution. Résumé (anglais) : This thesis has a dual objective: to enhance bankruptcy prediction accuracy and to discover novel failure predictors. To achieve these aims, we employ advanced machine learning and explainable machine learning techniques. Firstly, we conduct a comprehensive financial analysis of French bankrupt firms, explaining the inner workings of popular ensemble machine learning models. This analysis not only aligns with existing literature but also strengthens the credibility of machine learning in failure forecasting by confirming the importance of financial ratios in bankruptcy prediction. Secondly, we explore the potential of environmental factors as predictors for French non-listed firms. Our findings reveal that the inclusion of emissions intensity data for air, water, and soil significantly improves the accuracy of financial distress and bankruptcy predictions. Lastly, we address the challenge of bankruptcy prediction during changing macroeconomic conditions. Our investigation delves into the impact of macroeconomic uncertainty on bankruptcy prediction models. By incorporating various uncertainty indices, we highlight the advantages of such an approach. In summary, this thesis elevates both the accuracy and interpretability of bankruptcy prediction models. Furthermore, it broadens the scope of predictors, offering valuable insights for decision-makers navigating the dynamic landscape of financial environments. Identifiant : rennes1-ori-wf-1-18661 | ||
| Exporter au format XML |