Текстовый анализ новостей в применении к прогнозированию банкротства компаний

На основной выборке была достигнута точность предсказания до 97% класса банкротов и 94% класса стабильных компаний. Улучшение вследствие введения текстовых переменных различных метрик качества составило до 2,5% в случае многослойного персептрона, колебалось возле нуля для случайного леса и было отрицательным для более простых моделей - логит-регрессии и метода опорных векторов, для которых тональности, скорее всего, оказались не более чем шумом. Почти на всех выборках многослойный персептрон и случайный лес показали схожие результаты; поPR-AUCвпереди оказался второй метод, по большинству других метрик - первый. Только словарь Loughran&McDonaldоказался способен произвести экономически осмысленные переменные тональности.

Таким образом, если и существует иначе необъяснимая взаимосвязь между переменными тональности и вероятностью банкротства, то, по всей видимости, она обладает сложным нелинейным характером и может быть обнаружена только специальными методами, такими как глубокие нейронные сети и ансамбли решающих деревьев. Полученные результаты могут быть использованы для углубления понимания феномена корпоративного дефолта и его взаимосвязи с эмоциональным наполнением медиапространства; сам факт их достижения на на столь скудных данных оправдывает дальнейшие исследования, которые должны сосредоточиться на следующих направлениях:

(1) Более всего - анализ текстов новостей вместо заголовков;

(2) Исследование более крупных выборок фирм, в особенности таких, что включают в себя непубличные и малые компании, охватывают более длинный временной период и рассматривают иные страны;

(3) Включение текстового анализа в более продвинутые методы предсказания банкротства, в том числе гибридные методы машинного обучения;

(4) Нахождение или конструирование словаря тональностей, оптимального для анализа именно новостей;

(5) Применение других, более сложных методов текстового анализа, учитывающих синтаксис и семантику текста.

Существуют и иные ограничения. Из-за сложностей в сборе данных исследованная выборка оказалась составлена лишь из тех компаний, которые обладают достаточным медиапокрытием, что может вносить некоторую смещенность. Кроме того, извлечение переменных тональности из текстов полагалось на существующие словари тональности, которые могут быть субоптимальными для анализа новостей. Выбор моделей предсказания банкротства и других факторов, использованных при их обучении - финансовых, рыночных и макроэкономических - основан на их популярности в существующей литературе, а не согласно каким-либо объективным критериям, и потому также может являться не самым лучшим. Кроме того, следует подчеркнуть, что большинство гипотез не тестировалось статистически и было проверено лишь посредством сравнения предсказательной силы разных моделей и их спецификаций.



8. Список литературы

[1] Adnan Aziz, M., & Dar, H. A. (2006). Predicting Corporate Bankruptcy: Where We Stand? Corporate Governance: The International Journal of Business in Society, 6, 18-33.

[2] Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance (Vol. 23).

[3] Altman, E. I. (1993). Corporate Financial Distress and Bankruptcy: a Complete Guide. J. Wiley & Sons, Cop.

[4] Altman, E. I., Haldeman, R. G., & Narayanan, P. (1977). ZETA Analysis: a New Model to Identify Bankruptcy Risk of Corporations. Journal of Banking & Finance, 1, 29-54.

[5] Altman, E. I., & Sabato, G. (2007). Modelling credit risk for SMEs: Evidence from the U.S. market. Abacus.

[6] Altman, E. I., Sabato, G., & Wilson, N. (2010). The Value of Non-Financial Information in SME Risk Management. Journal of Credit Risk.

[7] Antweiler, W., & Frank, M. Z. (2004). Is All That Talk Just Noise? The Journal of Finance, 59(3), 1259-1294.

[8] Aziz, A., & Lawson, G. H. (1989). Cash Flow Reporting and Financial Distress Models: Testing of Hypotheses. Financial Management, 18(1), 55.

[9] Back, B., Laitinen, T., Sere, K., & Wezel, van M. (1996). Choosing Bankruptcy Predictors Using Discriminant Analysis , Logit Analysis , and Genetic Algorithms. Proceedings of the Ist International Meeting on Artificial Intelligence in Accounting, Finance and Tax, 40.

[10] Beaver, W. H. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4, 71.

[11] Beaver, W. H. (1968). Market Prices, Financial Ratios, and the Prediction of Failure. Journal of Accounting Research, 6, 179.

[12] Bellovary, J. L., Giacomino, D. E., & Akers, M. D. (2007). A Review of Going Concern Prediction Studies: 1976 to Present. Journal of Business & Economics Research, 5.

[13] Bird, S., Klein, E., & Loper, E. (2009). Natural language processing with Python: analyzing text with the natural language toolkit. O'Reilly Media.

[14] Campbell, J. Y., Hilscher, J., & Szilagyu, J. (2008). In Search of Distress Risk. The Journal of Finance, 63, 2899-2939.

[15] Chandra, D. K., Ravi, V., & Bose, I. (2009). Failure prediction of dotcom companies using hybrid intelligent techniques. Expert Systems with Applications.

[16] Charnes, A., Cooper, W., Lewin, A. Y., & Seiford, L. M. (1997). Data Envelopment Analysis Theory, Methodology and Applications. The Journal of the Operational Research Society, 48(3), 332.

[17] Chawla, N. V, Bowyer, K. W., Hall, L. O., & Kegelmeyer, P. W. (2002). SMOTE: Synthetic Minority Over-sampling Technique.Journal of Artificial Intelligence Research, 16.

[18] Chen, L., Wang, J., Deng, X., Xie, H., & Li, X. (2014). News impact on stock price return via sentiment analysis. Knowledge-Based Systems, 69, 14-23.

[19] Chen, M. Y. (2011). Predicting corporate financial distress based on integration of decision tree classification and logistic regression. Expert Systems with Applications, 38(9).

[20] Ciampi, F., & Gordini, N. (2012). Small Enterprise Default Prediction Modeling through Artificial Neural Networks: an Empirical Analysis of Italian Small Enterprises. Journal of Small Business Management, 51, 23-45.

[21] Coats, P. K., & Fant, L. F. (1993). Recognizing Financial Distress Patterns Using a Neural Network Tool. Financial Management, 22(3), 142.

[22] Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273-297.

[23] Das, S. R., & Chen, M. Y. (2007). Yahoo! for Amazon: Sentiment Extraction from Small Talk on the Web. Management Science, 53(9), 1375-1388.

[24] Demers, E. A., & Vega, C. (2010). Soft Information in Earnings Announcements: News or Noise? International Finance Discussion Papers.

[25] Dimitras, A. I., Zanakis, S. H., & Zopounidis, C. (1996). A survey of business failures with an emphasis on prediction methods and industrial applications. European Journal of Operational Research, 90(3), 487-513.

[26] Dong, Y. X., Xiao, Z., & Xiao, X. (2014). Default prediction for real estate companies with imbalanced dataset. Journal of Information Processing Systems.

[27] Duan, J.-C., Sun, J., & Wang, T. (2012). Multiperiod Corporate Default Prediction: A Forward Intensity Approach. Journal of Econometrics.

[28] Duffie, D., Leandro, S., & Wang, K. (2007). Multi-Period Corporate Failure Prediction with Stochastic Covariates. Journal of Financial Economics.

[29] Fedorova, E. A., Gilenko, E. V., & Dovzhenko, S. E. (2013). Models for bankruptcy forecasting: Case study of Russian enterprises. Studies on Russian Economic Development, 24(2), 159-164.

[30] Feldman, R. (1998). Text Mining at the Term Level. Communications Session 3. Association Rules and Text Mining (pp. 65-73).

[31] Feller, W. (1970). An Introduction to Probability Theory and Its Applications (Vol. 14).

[32] Fisher, R. A. (1936). The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics, 7, 179-188.

[33] Fitzpatrick, P. J. (1932). A Comparison of the Ratios of Successful Industrial Enterprises With Those of Failed Companies. The Certified Public Accountant.

[34] Foreman, R. D. (2003). A logistic analysis of bankruptcy within the US local telecommunications industry. Journal of Economics and Business, 55(2), 135-166.

[35] Fulmer, J. G. (1984). A Bankruptcy Classification Model For Small Firms. Journal of Commercial Bank Lending.

[36] Gissel, J. L., Giacomino, D., & Akers, M. D. (2007). A Review of Bankruptcy Prediction Studies: 1930-Present. Journal of Financial Education (Vol. 33). Publisher Link.

[37] Guo, L., Shi, F., & Tu, J. (2017). Textual analysis and machine leaning: Crack unstructured data in finance and accounting. The Journal of Finance and Data Science, 2(3), 153-170.

[38] Hajek, P., Olej, V., & Myskova, R. (2014). Forecasting Corporate Financial Performance Using Sentiment in Annual Reports for Stakeholders' Decision-Making. Technological and Economic Development of Economy, 20, 721-738.

[39] Hдrdle, W., Lee, Y.-J., Schдfer, D., & Yeh, Y.-R. (2009). Variable Selection and Oversampling in the Use of Smooth-support Vector Machines for Predicting the Default Risk of Companies. Journal of Forecasting, 28, 512-534.

[40] Heaton, J. (2008). Introduction to Neural Networks for Java. Heaton Research, Inc.

[41] Henry, E. (2008). Are investors influenced by how earnings press releases are written? Journal of Business Communication, 45(4), 363-407.

[42] Heston, S. L., & Sinha, N. R. (2016). News versus Sentiment: Predicting Stock Returns from News Stories. Finance and Economics Discussion Series, 2016, 1-35.

[43] Huang, A. H., Zang, A., & Zheng, R. (2014). Evidence on the information content of text in analyst reports. Accounting Review, 89(6), 2151-2180.

[44] Kearney, C., & Liu, S. (2014). Textual Sentiment Analysis in Finance: A Survey of Methods and Models. International Review of Financial Analysis.

[45] Kolari, J. W., Caputo, M., & Wagner, D. (1996). Trait Recognition: An Alternative Approach to Early Warning Systems in Commercial Banking. Journal of Business Finance & Accounting, 23(November 1995).

[46] Li, F. (2008). Annual report readability, current earnings, and earnings persistence. Journal of Accounting and Economics, 45(2-3), 221-247.

[47] Li, F. (2011). Textual Analysis of Corporate Disclosures: A Survey of the Literature. Journal of Accounting Literature, 1-60.

[48] Li, Z., Crook, J., & Andreeva, G. (2014). Chinese Companies Distress Prediction: an Application of Data Envelopment Analysis. Journal of the Operational Research Society, 65, 466-479.

[49] Loughran, T., & McDonald, B. (2011). When Is a Liability Not a Liability? Textual Analysis, Dictionaries, and 10-Ks. The Journal of Finance, 66, 35-65.

[50] Loughran, T., & McDonald, B. (2016). Textual Analysis in Accounting and Finance: A Survey. Journal of Accounting Research, 54, 1187-1230.

[51] Lugovskaya, L. (2010). Predicting Default of Russian SMEs on the Basis of Financial and Non-Financial Variables. Journal of Financial Services Marketing, 14, 301-313.

[52] Mai, F., Tian, S., Lee, C., & Ma, L. (2018). Deep Learning Models for Bankruptcy Prediction Using Textual Disclosures. European Journal of Operational Research, 274, 743-758.

[53] Martin, D. (1977). Early warning of bank failure. Journal of Banking & Finance, 1(3).

[54] McNelis, P. D. (2005). Neural Networks in Finance: Gaining Predictive Edge in the Market. Elsevier.

[55] Merton, R. C. (1974). On the Pricing of Corporate Debt: the Risk Structure of Interest Rates. The Journal of Finance, 29, 449-470.

[56] Mohammad, S., & Turney, P. (2010). Emotions Evoked by Common Words and Phrases: Using Mechanical Turk to Create an Emotion Lexicon.

[57] Mselmi, N., Lahiani, A., & Hamza, T. (2017). Financial Distress Prediction: The Case of French Small and Medium-Sized Firms. International Review of Financial Analysis, 50, 67-80.

[58] Nielsen, F. Е. (2011). A new ANEW: Evaluation of a word list for sentiment analysis in microblogs.

[59] Odom, M. D., & Sharda, R. (1990). A neural network model for bankruptcy prediction (pp. 163-168 vol.2).

[60] Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18, 109.

[61] Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., … Duchesnay, Й. (2011). Scikit-learn: Machine Learning in Python. JMLR, 12, 2825-2830.

[62] Porter, M. F. (1980). An algorithm for suffix stripping. Program, 14(3).

[63] Ravi Kumar, P., & Ravi, V. (2007). Bankruptcy Prediction in Banks and Firms via Statistical and Intelligent Techniques. European Journal of Operational Research, 180.

[64] Rees, H., & Maddala, G. S. (1985). Limited-Dependent and Qualitative Variables in Econometrics. The Economic Journal, 95, 493.

[65] Rossum, G. van. (1995). Python tutorial. Technical Report CS-R9526, Centrum voor Wiskunde en Informatica (CWI), Amsterdam.

[66] Salchenberger, L. M., Cinar, E. M., & Lash, N. A. (1992). Neural Networks: a New Tool for Predicting Thrift Failures. Decision Sciences, 23, 899-916.

[67] Sanchez, J. S., Barandela, R., Rangel, E., & Garcia, V. (2003). Strategies for learning in class imbalance problems. Pattern Recognition, 36(3), 849-851.

[68] Scott, J. H. (1976). A Theory of Optimal Capital Structure. The Bell Journal of Economics, 7(1), 33-54.

[69] Scott, J. H. (1981). The probability of bankruptcy. A comparison of empirical predictions and theoretical models. Journal of Banking and Finance, 5(3), 317-344.

[70] Shin, K.-S., Lee, T. S., & Kim, H. (2005). Application of Support Vector Machines in Bankruptcy Prediction Model. Expert Systems with Applications, 28(1), 127-135.

[71] Shin, K. S., & Lee, Y. J. (2002). A genetic algorithm application in bankruptcy prediction modeling. Expert Systems with Applications.

[72] Shumway, T. (2001). Forecasting Bankruptcy More Accurately: A Simple Hazard Model. Journal of Business.

[73] Springate, G. L. (1978). Predicting the possibility of failure in a Canadian ?rm. Unpublished MBA project. Simon Fraser University.

[74] Taffler, R. J., & Tisshaw, H. (1977). Going, Going, Gone: Four Factors Which Predict. Accountancy, 88, 50-54.

[75] Tetlock, P. C., Tsechansky, S. T., & Macskassy, S. (2007). More than words: Quantifying language to measure firms' fundamentals. The Journal of Finance, 63(3), 1437-1467.

[76] Tian, S., & Yu, Y. (2017). Financial ratios and bankruptcy predictions: An international evidence. International Review of Economics and Finance.

[77] Tobback, E., Bellotti, T., Moeyersoms, J., Stankova, M., & Martens, D. (2017). Bankruptcy Prediction for SMEs Using Relational Data. Decision Support Systems, 102, 69-81.

[78] Walter, J. E. (1959). A Discriminant Function for Earnings-Price Ratios of Large Industrial Corporations. The Review of Economics and Statistics, 41, 44.

[79] Wilson, N., & Altanlar, A. (2014). Company failure prediction with limited information: Newly incorporated companies. Journal of the Operational Research Society, 65(2).

[80] Wilson, N., & Hernandez, M. (2013). Financial Distress and Bankruptcy Prediction among Listed Companies Using Accounting, Market and Macroeconomic Variables. International Review of Financial Analysis, 30, 394-419.

[81] Wilson, R. L., & Sharda, R. (1994). Bankruptcy Prediction Using Neural Networks. Decision Support Systems, 11, 545-557.

[82] Wu, D., Liang, L., & Yang, Z. (2008). Analyzing the financial distress of Chinese public companies using probabilistic neural networks and multivariate discriminate analysis, Socio-Economic Planning. Socio-Economic Planning Sciences, 42, 206-220.

[83] You, H., & Zhang, X. jun. (2009). Financial reporting complexity and investor underreaction to 10-k information.

[84] Youn, H., & Gu, Z. (2010). Predict US Restaurant Firm Failures: the Artificial Neural Network Model versus Logistic Regression Model. Tourism and Hospitality Research, 10, 171-187.

[85] Zhou, L., Lai, K. K., & Yen, J. (2012). Bankruptcy Prediction Using SVM Models with a New Approach to Combine Features Selection and Parameter Optimisation. International Journal of Systems Science, 45, 241-253.

[86] Zmijewski, M. E. (1984). Methodological Issues Related to the Estimation of Financial Distress Prediction Models. Journal of Accounting Research, 22, 59.

[87] Богданова, Т. К. (2008). Инструментальные средства прогнозирования вероятности банкротства авиапредприятий. Инжиниринг бизнеса, 45-61.

[88] Богданова, Т. К. (2011). Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике. Моделирование и анализ бизнес-процессов, 1(15), 50-60.

[89] Воронина, В. М. (2007). Прогнозирование банкротства с помощью количественных и качественных методов анализа. Методика прогнозирования банкротства, 18(99).

[90] Давыдова, Г. В. (1999). Методика количественной оценки риска банкротства предприятий. Управление риском, 1999.

[91] Демешев, Б. Б., & Тихонова, А. С. (2014a). Динамика прогнозной силы моделей банкротства для средних и малых российских компаний оптовой и розничной торговли. Корпоративные финансы.

[92] Демешев, Б. Б., & Тихонова, А. С. (2014b). Прогнозирование банкротства российских компаний: межотраслевое сравнение. Корпоративные финансы, 359-386.

[93] Жданов, В. Ю., & Афанасьева, О. А. (2011). Модель диагностики риска банкротства предприятий авиационно-промышленного комплекса. Корпоративные финансы, 4(20), 77-89.

[94] Зайцева, О. П. (1998). Антикризисный менеджмент в российской фирме. Антикризисное управление.

[95] Макеева, Е. Ю., & Бакурова, А. О. (2012). Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей. Корпоративные финансы, 3(23), 22-30.

[96] Макушина, Е. Ю., & Шихлярова, И. А. (2018). Моделирование вероятности банкротства российских нефинансовых компаний. Финансы и кредит, 24, 95-110.

[97] Федорова, Е. А., Демин, И. С., & Рогов, О. Ю. (2019). Применение словарей тональности для текстового анализа. Прикладная информатика, 14(1), 5-15.

[98] Федорова, Е. А., Лазарев, М. П., & Федин, А. В. (2016). Прогнозирование банкротства предприятия с учетом факторов внешней среды. Финансовая аналитика: проблемы и решения, 8768, 2-12.

[99] Федорова, Е. А., & Тимофеев, Я. В. (2015a). Нормативы финансовой устойчивости российских предприятий: отраслевые особенности. Корпоративные финансы.

[100] Федорова, Е. А., & Тимофеев, Я. В. (2015b). Разработка моделей прогнозирования банкротства российских предприятий для отраслей строительства и сельского хозяйства. Финансы и кредит, 8709, 2-10.

Приложение А. Данные по нетекстовым факторам

Таблица 16. Список нетекстовых факторов

#	Категория	Фактор	Код	ИСТОЧНИК
1	Рычаг	Debt/Assets	D/A	(Beaver, 1966)
2		Debt/Equity	D/E	(Fulmer, 1984)
3		Liabilities/Assets	L/A	(Altman & Sabato, 2007)
4	Покрытие	Cash flow from operations/Debt	CFFO/D	(Bellovary et al., 2007)
5		Cash flow/Debt	FCF/D	(Beaver, 1966)
6		EBITDA/Interest expenses	EBITDA/IE	(Altman & Sabato, 2007)
7		EBT/Current liabilities	EBT/CL	(Springate, 1978)
8		Gross profit/Debt	GP/D	(Taffler & Tisshaw, 1977)
9		Current liabilities/Equity	CL/E	(Altman & Sabato, 2007)
10	Ликвидность	Cash/Assets	C/A	(Altman & Sabato, 2007)
11		Cash/Gross profit	C/GP	(Altman & Sabato, 2007)
12		Current assets/Assets	CA/A	(Bellovary et al., 2007)
13		Current assets/Current liabilities	CA/CL	(Beaver, 1966)
14		Current assets/Debt	CA/D	(Taffler & Tisshaw, 1977)
15		Current liabilities/Assets	CL/A	(Fulmer, 1984)
16		Intangible assets/Assets	IA/A	(Altman & Sabato, 2007)
17		Quick assets/Current liabilities	QA/CL	(Bellovary et al., 2007)
18		Quick assets/Assets	QA/A	(Campbell et al., 2008)
19		Working capital/Assets	WC/A	(Altman & Sabato, 2007)
20		Working capital/Debt	WC/D	(Fulmer, 1984)
21	Прибыльность	Cash flow from operations/Assets	CFFO/A	(Bellovary et al., 2007)
22		Current assets/Revenue	CA/REV	(Bellovary et al., 2007)
23		EBIT/Equity	EBIT/E	1984
24		EBIT/Revenue	EBIT/R	(Altman & Sabato, 2007)
25		EBITDA/Assets	EBITDA/A	(Altman & Sabato, 2007)
26		Net income/Assets	NI/A	(Altman & Sabato, 2007)
27		Net income/Equity	NI/E	(Bellovary et al., 2007)
28		Net income/Revenue	NI/R	(Altman & Sabato, 2007)
29		Retained earnings/Assets	RE/A	(Altman & Sabato, 2007)
30		Equity/Market	E/M	(Campbell et al., 2008)
31	Активность	Accounts payable/Revenue	AP/R	(Altman & Sabato, 2007)
32		Accounts receivable/Liabilities	AR/L	(Altman & Sabato, 2007)
33		Inventory/Revenue	INV/R	(Bellovary et al., 2007)
34		Revenue/Assets	R/A	(Altman & Sabato, 2007)
35	Макро	Assets/GNP deflator	A/GNP	(Ohlson, 1980)
36		Real 3-month treasury bill rate	RF	(Nick Wilson & Hernandez, 2013)
37		CPI	CPI	(Nick Wilson & Hernandez, 2013)
38	Рынок	Price/Book value	P/B	(Campbell et al., 2008)
39		Price/Earnings per share	P/E	(Campbell et al., 2008)
40		Excess return/Index return	ER	(Campbell et al., 2008)
41	Размер	Common equity/Assets	CE/A	(Altman et al., 1977)
42		Assets	A	(Altman & Sabato, 2007)



Таблица 17. Описательные статистики нетекстовых факторов на (1) 20

	Минимум	Максимум	Среднее	Медиана	Отклонение
D/A	0.000	2.976	0.376	0.299	0.315
D/E	-72.836	65.893	0.743	0.545	7.495
L/A	0.035	3.887	0.698	0.622	0.410
CFFO/D	-76.614	134.409	0.461	0.198	7.799
FCF/D	-199.859	54.664	-0.772	0.088	10.933
EBITDA/IE	-104.530	919.477	14.026	4.795	46.856
EBT/CL	-21.613	86.562	0.181	0.157	3.968
GP/D	-4.828	553.782	4.165	0.635	28.913
CL/E	-96.505	52.077	0.338	0.379	5.427
C/A	0.000	1.000	0.103	0.059	0.129
C/GP	-14.310	19.496	0.602	0.248	2.100
CA/A	0.023	1.000	0.371	0.326	0.223
CA/CL	0.058	27.955	1.980	1.689	1.762
CA/D	0.038	393.620	5.736	1.018	31.284
CL/A	0.018	1.763	0.253	0.196	0.224
IA/A	0.000	1.000	0.175	0.096	0.203
QA/CL	0.000	26.955	1.505	1.216	1.584
QA/A	0.000	0.964	0.266	0.223	0.176
WC/A	0.043	2.112	0.623	0.565	0.352
WC/D	0.071	715.389	9.538	1.675	53.381
CFFO/A	-0.802	1.127	0.074	0.076	0.127
CA/REV	0.031	15.790	0.678	0.384	1.221
EBIT/E	-56.624	18.304	0.018	0.136	2.798
EBIT/R	-7.546	0.756	-0.050	0.060	0.552
EBITDA/A	-1.816	1.489	0.065	0.092	0.213
NI/A	-2.808	3.597	-0.006	0.026	0.306
NI/E	-28.795	17.701	0.063	0.097	2.079
NI/R	-7.769	5.814	-0.077	0.036	0.720
RE/A	-9.773	2.102	-0.086	0.103	1.119
E/M	-0.001	0.001	0.000	0.000	0.000
AP/R	0.001	4.438	0.145	0.065	0.320
AR/L	0.000	7.620	0.159	0.095	0.332
INV/R	0.000	13.510	0.174	0.080	0.655
R/A	0.014	12.126	1.037	0.799	0.998
A/GNP	-0.090	10.805	7.106	7.101	1.416
RF	0.000	0.020	0.005	0.003	0.006
CPI	0.002	0.033	0.017	0.015	0.007
P/B	-95.004	28.714	0.368	0.422	6.133
P/E	-178.996	1352.605	9.707	1.677	85.045
ER	-9.483	7.678	-1.151	-1.173	2.221
CE/A	-2.887	1.000	0.283	0.365	0.426
A	0.000	10.895	7.152	7.138	1.418

Таблица 18. Корреляция нетекстовых факторов (1/3)

	Bankrupt	AP/R	AR/L	INV/R	R/A	CE/A	CFFO/D	FCF/D	EBITDA/IE	EBT/CL	GP/D	CL/E	D/A	D/E	L/A	C/A	C/GP	CA/A	CA/CL
Bankrupt	1.00
AP/R	0.02	1.00
AR/L	-0.06	0.01	1.00
INV/R	0.06	0.74	-0.01	1.00
R/A	-0.05	-0.26	0.49	-0.15	1.00
CE/A	-0.23	-0.15	0.29	-0.09	0.09	1.00
CFFO/D	-0.01	-0.01	0.02	-0.01	0.02	0.03	1.00
FCF/D	-0.09	-0.03	-0.01	-0.01	0.04	0.08	0.30	1.00
EBITDA/IE	-0.01	-0.16	0.01	-0.06	0.04	0.01	0.05	0.11	1.00
EBT/CL	-0.08	-0.04	0.48	-0.02	0.11	0.22	0.03	0.08	0.06	1.00
GP/D	0.02	-0.02	0.05	-0.01	0.08	0.03	0.33	0.55	0.05	0.00	1.00
CL/E	-0.03	0.00	0.01	-0.06	0.03	0.01	0.00	0.00	0.00	0.00	0.00	1.00
D/A	0.14	-0.04	-0.32	-0.07	-0.17	-0.79	-0.04	0.01	-0.02	-0.17	-0.07	-0.01	1.00
D/E	-0.01	0.00	-0.02	-0.01	-0.02	0.00	0.00	0.00	0.00	0.00	0.00	0.78	0.01	1.00
L/A	0.23	0.17	-0.28	0.10	-0.08	-0.97	-0.03	-0.08	-0.01	-0.22	-0.03	-0.01	0.80	0.01	1.00
C/A	-0.03	-0.11	0.24	-0.06	0.13	0.19	0.04	0.02	-0.05	0.13	0.02	-0.02	-0.19	-0.01	-0.17	1.00
C/GP	0.00	0.16	0.01	0.05	-0.02	0.03	0.00	-0.03	-0.97	-0.03	0.00	0.00	-0.02	0.00	-0.03	0.08	1.00
CA/A	-0.06	-0.11	0.45	0.02	0.53	0.20	0.01	0.03	0.00	0.08	0.05	0.01	-0.29	-0.02	-0.18	0.50	0.02	1.00
CA/CL	-0.06	-0.13	0.21	-0.02	0.00	0.32	0.02	-0.01	-0.06	0.24	0.01	-0.01	-0.19	0.01	-0.33	0.29	0.08	0.35	1.00



Таблица 19. Корреляция нетекстовых факторов (2/3)

	Bankrupt	AP/R	AR/L	INV/R	R/A	CE/A	CFFO/D	FCF/D	EBITDA/IE	EBT/CL	GP/D	CL/E	D/A	D/E	L/A	C/A	C/GP	CA/A	CA/CL
CA/D	0.03	-0.01	0.05	0.00	0.05	0.03	0.31	0.48	0.01	-0.01	0.96	0.00	-0.07	0.00	-0.03	0.02	0.01	0.04	0.04
CL/A	0.16	0.06	0.16	0.04	0.31	-0.37	-0.01	0.01	0.01	-0.05	0.02	-0.01	0.21	-0.02	0.40	0.12	-0.01	0.35	-0.30
IA/A	-0.01	-0.18	-0.09	-0.14	-0.04	-0.02	-0.01	0.05	0.00	0.02	0.00	-0.01	0.12	-0.04	0.04	-0.10	-0.01	-0.14	-0.08
QA/CL	-0.05	-0.11	0.13	-0.08	-0.08	0.27	0.02	0.00	-0.07	0.23	0.00	-0.01	-0.14	0.01	-0.27	0.31	0.09	0.24	0.94
QA/A	-0.07	-0.11	0.28	-0.12	0.34	0.17	0.01	0.04	-0.01	0.08	0.02	0.02	-0.25	-0.01	-0.15	0.56	0.03	0.80	0.32
WC/A	0.05	-0.04	0.39	0.04	0.52	-0.07	0.00	0.02	0.01	0.03	0.04	0.00	-0.08	-0.02	0.10	0.40	0.01	0.86	0.07
WC/D	0.03	-0.01	0.04	0.00	0.04	0.02	0.30	0.47	0.02	-0.01	0.96	0.00	-0.07	0.00	-0.02	0.02	0.01	0.03	0.02
A	-0.03	0.21	-0.23	0.10	-0.29	-0.19	-0.02	0.02	0.01	-0.05	-0.04	0.00	0.11	0.01	0.18	-0.32	-0.03	-0.36	-0.17
CFFO/A	-0.02	-0.02	0.02	-0.02	0.01	0.04	0.90	0.01	0.01	0.06	0.00	0.00	-0.03	0.00	-0.04	0.04	0.00	-0.01	0.02
CA/REV	0.01	0.56	-0.06	0.41	-0.20	-0.06	-0.01	-0.05	-0.68	-0.06	-0.01	-0.01	-0.01	0.00	0.07	0.05	0.69	0.06	0.20
EBIT/E	-0.03	-0.01	0.00	-0.01	0.03	-0.02	0.00	0.01	0.01	0.05	0.00	0.48	0.02	0.60	0.02	-0.05	0.00	0.01	0.00
EBIT/R	-0.10	-0.14	0.02	-0.05	0.05	0.11	0.01	0.09	0.80	0.28	0.00	0.01	-0.10	0.00	-0.11	-0.08	-0.80	-0.01	-0.04
EBITDA/A	-0.19	-0.14	0.10	-0.09	0.21	0.28	0.03	0.13	0.08	0.45	0.01	0.02	-0.21	0.01	-0.28	0.07	-0.03	0.08	0.05
NI/A	-0.14	-0.04	0.22	-0.01	0.14	0.39	0.01	0.13	0.06	0.62	0.00	0.02	-0.33	0.02	-0.38	0.07	-0.02	0.09	0.11
NI/E	0.00	0.00	0.01	0.01	0.02	-0.05	0.00	0.01	0.01	0.07	0.00	0.09	0.04	0.26	0.04	-0.02	0.00	0.00	-0.01
NI/R	-0.09	-0.10	0.04	-0.04	0.06	0.16	0.00	0.10	0.76	0.33	0.00	0.02	-0.15	0.01	-0.15	-0.07	-0.77	0.01	-0.04
RE/A	-0.14	-0.03	0.03	0.00	0.08	0.41	0.00	0.07	0.04	0.09	0.01	0.01	-0.37	0.00	-0.42	-0.08	-0.02	0.01	0.03
E/M	-0.08	0.02	-0.03	-0.02	-0.10	0.13	-0.01	0.01	0.01	0.03	-0.01	0.01	-0.14	0.00	-0.14	-0.09	-0.01	-0.15	-0.06
A/GNP	-0.03	0.21	-0.23	0.10	-0.29	-0.19	-0.02	0.02	0.01	-0.05	-0.04	0.00	0.10	0.01	0.18	-0.32	-0.03	-0.36	-0.17



Таблица 20. Корреляция нетекстовых факторов (3/3)

	CA/D	CL/A	IA/A	QA/CL	QA/A	WC/A	WC/D	A	CFFO/A	CA/REV	EBIT/E	EBIT/R	EBITDA/A	NI/A	NI/E	NI/R	RE/A	E/M	A/GNP
CA/D	1.00
CL/A	0.01	1.00
IA/A	0.00	-0.03	1.00
QA/CL	0.03	-0.28	-0.05	1.00
QA/A	0.03	0.30	-0.07	0.38	1.00
WC/A	0.03	0.78	-0.11	0.00	0.70	1.00
WC/D	0.99	0.02	0.00	0.01	0.02	0.03	1.00
A	-0.05	-0.11	-0.01	-0.12	-0.28	-0.30	-0.04	1.00
CFFO/A	0.00	-0.02	0.00	0.01	-0.01	-0.02	0.00	-0.02	1.00
CA/REV	0.01	0.00	-0.12	0.24	0.11	0.04	0.00	0.08	-0.02	1.00
EBIT/E	0.00	0.02	0.01	-0.01	0.01	0.02	0.00	0.01	0.01	-0.01	1.00
EBIT/R	-0.02	-0.08	0.07	-0.06	-0.03	-0.05	-0.01	0.07	0.03	-0.62	0.03	1.00
EBITDA/A	-0.02	-0.16	0.06	0.02	0.05	-0.04	-0.02	-0.03	0.09	-0.13	0.07	0.45	1.00
NI/A	-0.01	-0.23	0.05	0.09	0.07	-0.07	-0.02	0.01	0.06	-0.04	0.04	0.39	0.77	1.00
NI/E	0.00	0.03	0.03	-0.01	-0.01	0.02	0.00	0.01	0.01	-0.01	0.80	0.04	0.06	0.06	1.00
NI/R	-0.01	-0.10	0.05	-0.06	-0.02	-0.05	-0.01	0.05	0.03	-0.55	0.03	0.94	0.40	0.50	0.05	1.00
RE/A	0.00	-0.19	0.03	-0.02	-0.06	-0.10	0.00	0.18	0.04	-0.06	0.03	0.22	0.41	0.40	0.02	0.23	1.00
E/M	-0.02	-0.11	-0.02	-0.04	-0.10	-0.16	-0.01	0.50	0.00	-0.01	0.00	0.05	0.05	0.07	-0.01	0.05	0.13	1.00
A/GNP	-0.05	-0.11	-0.01	-0.12	-0.28	-0.30	-0.04	1.00	-0.02	0.09	0.01	0.07	-0.03	0.01	0.01	0.05	0.18	0.51	1.00

Приложение Б. Данные по текстовым факторам

Таблица 21. Количество новостей на каждую компанию

	2011	2012	2013	2014	2015	2016	2017	2018
Максимум	45.00	41.00	44.00	110.00	42.00	18.00	23.00	129.00
Медиана	2.00	2.00	2.00	2.00	1.00	1.00	2.00	7.00
Среднее	10.13	6.96	5.56	7.00	5.29	3.53	2.83	11.74
Минимум	1.00	1.00	1.00	1.00	1.00	1.00	1.00	1.00
Отклонение	13.51	9.66	7.55	15.69	8.64	4.81	3.35	15.50

Таблица 22. Количество слов на каждую новость

	2011	2012	2013	2014	2015	2016	2017	2018
Максимум	19.00	23.00	17.00	16.00	15.67	14.00	18.00	16.00
Медиана	9.73	9.00	8.80	10.00	10.50	9.75	10.17	10.11
Среднее	9.80	9.59	8.81	10.16	10.65	10.06	11.07	10.48
Минимум	6.71	5.00	6.00	5.33	6.71	6.50	6.00	6.00
Отклонение	2.51	3.37	1.67	1.96	2.06	2.00	2.98	2.01

Таблица 23. Количество значимых слов на каждую новость

	2011	2012	2013	2014	2015	2016	2017	2018
Максимум	8.00	8.00	7.00	6.00	4.33	6.00	7.00	8.00
Медиана	2.00	2.00	1.67	1.50	1.50	2.00	2.00	1.81
Среднее	2.57	2.37	1.86	1.87	1.74	2.33	2.44	2.00
Минимум	0.00	0.00	0.25	0.00	0.50	0.67	0.00	0.33
Отклонение	1.66	1.46	1.21	1.25	0.93	1.13	1.30	1.02

Таблица 24. Корреляция текстовых факторов, L&M

	Bankrupt	Отрицательная	Положительная	Неопределенная	Спорная	Ограничивающая	Избыточная
Bankrupt	1.00
Отрицательная	0.20	1.00
Положительная	-0.06	-0.30	1.00
Неопределенная	0.05	-0.03	-0.07	1.00
Спорная	-0.06	-0.20	-0.03	0.00	1.00
Ограничивающая	0.01	-0.01	-0.01	0.03	0.12	1.00
Избыточная	-0.04	-0.10	-0.05	-0.07	-0.10	-0.03	1.00

Таблица 25. Корреляция текстовых факторов, NRC

	Bankrupt	Bankrupt	Злость	Симпатия	Отвращение	Страх	Радость	Пессимизм	Оптимизм	Грусть	Неожиданность
Bankrupt	1.00
Злость	0.12	1.00
Симпатия	0.06	0.27	1.00
Отвращение	0.12	0.54	0.13	1.00
Страх	0.09	0.66	0.40	0.47	1.00
Радость	-0.01	0.16	0.43	0.06	0.06	1.00
Пессимизм	0.17	0.57	0.24	0.49	0.56	0.04	1.00
Оптимизм	-0.03	0.18	0.60	0.03	0.13	0.58	0.05	1.00
Грусть	0.13	0.71	0.30	0.52	0.62	0.14	0.62	0.17	1.00
Неожиданность	0.01	0.21	0.40	0.26	0.39	0.26	0.15	0.24	0.25	1.00
Доверие	-0.02	0.22	0.51	0.05	0.07	0.56	0.09	0.71	0.20	0.16	1.00

Таблица 26. Корреляция тональностей и зависимой переменной, GI

	Bankrupt	Положительная	Отрицательная	Сильная	Слабая	Активная	Пассивная
Bankrupt	1.00
Положительная	0.02	1.00
Отрицательная	0.17	0.11	1.00
Сильная	0.02	0.46	0.31	1.00
Слабая	0.15	0.18	0.62	0.23	1.00
Активная	0.05	0.27	0.37	0.53	0.23	1.00
Пассивная	0.13	0.27	0.37	0.26	0.53	0.26	1.00



Приложение В.Значимость и выбор факторов

Таблица 27. Результаты тестирования словарей

	L&M	NRC	GI
	(1) 20	(2) 20	(3) 20	(1) 20	(2) 20	(3) 20	(1) 20	(2) 20	(3) 20
Accuracy	0.544	0.525	0.529	0.554	0.549	0.566	0.565	0.586	0.583
Recall	0.115	0.122	0.107	0.144	0.179	0.195	0.171	0.259	0.237
Specifity	0.970	0.924	0.947	0.965	0.918	0.938	0.959	0.912	0.929
Precision	0.789	0.615	0.667	0.804	0.687	0.758	0.805	0.746	0.768
PR-AUC	0.531	0.544	0.552	0.512	0.533	0.563	0.516	0.550	0.563

Таблица 28. Результаты отбора факторов

Категория	Фактор	r	Взаим. инф.	F-стат.	p-value	Ранг RFE
Рычаг	CL/E	-0.031	0.094	8.851	0.003	1
	D/A	0.140	0.077	51.313	0.000	1
	D/E	-0.014	0.139	4.348	0.037	1
Покрытие	CFFO/D	-0.006	0.118	0.086	0.769	1
	FCF/D	-0.093	0.113	22.985	0.000	1
	EBITDA/IE	-0.007	0.159	17.688	0.000	1
	EBT/CL	-0.082	0.175	8.006	0.005	2
Ликвидность	C/A	-0.031	0.000	5.921	0.015	3
	CA/A	-0.060	0.077	12.930	0.000	1
	CA/D	0.028	0.059	27.198	0.000	5
	CL/A	0.165	0.040	81.456	0.000	1
	IA/A	-0.006	0.035	0.062	0.803	7
	QA/CL	-0.051	0.048	9.278	0.002	6
	QA/A	-0.068	0.039	17.496	0.000	1
	WC/A	0.051	0.021	10.094	0.002	2
Прибыльность	CA/REV	0.007	0.021	4.505	0.034	5
	EBIT/E	-0.034	0.104	4.636	0.032	2
	EBITDA/A	-0.194	0.103	101.820	0.000	1
	NI/A	-0.144	0.185	34.366	0.000	1
	NI/E	0.002	0.133	0.390	0.532	3
	NI/R	-0.086	0.189	31.961	0.000	6
	RE/A	-0.142	0.155	37.880	0.000	4
Активность	AP/R	0.023	0.034	4.401	0.036	1
	AR/L	-0.063	0.013	8.500	0.004	1
	INV/R	0.061	0.017	10.689	0.001	1
	R/A	-0.045	0.017	8.166	0.004	2

Таблица 29. Значимость переменных тональности

L&M
Тональность	Взаим. инф.	F-стат.	p-value
Отрицательная	0.009	32.634	0.000
Положительная	0.000	0.007	0.933
Неопределенная	0.022	23.635	0.000
Спорная	0.017	0.019	0.889
Ограничивающая	0.003	0.695	0.405
Избыточная	0.000	2.959	0.086
NRC
Тональность	Взаим. инф.	F-стат.	p-value
Злость	0.023	18.155	0.000
Симпатия	0.006	8.324	0.004
Отвращение	0.008	16.700	0.000
Страх	0.004	13.230	0.000
Радость	0.018	1.119	0.290
Пессимизм	0.005	17.264	0.000
Оптимизм	0.000	0.541	0.462
Грусть	0.000	16.089	0.000
Неожиданность	0.021	1.988	0.159
Доверие	0.007	1.023	0.312
GI
Тональность	Взаим. инф.	F-стат.	p-value
Положительная	0.000	0.037	0.847
Отрицательная	0.000	19.639	0.000
Сильная	0.005	1.668	0.197
Слабая	0.023	24.802	0.000
Активная	0.000	4.531	0.034
Пассивная	0.007	6.607	0.010



Рисунок 15. PR-AUC логит-моделив зависимости от числа финансовых факторов

Таблица 30. Коэффициенты переменных полной логит-модели

	LR (1) 20	LR (3) 20	LR (1) 50	LR (3) 50
Альфа	-1.371	-1.008	0.599	0.060
CL/E	0.045	-0.319	-0.048	-0.036
D/A	-0.117	0.218	-0.195	0.230
D/E	-0.236	0.150	0.101	-0.023
CFFO/D	-2.297	0.066	0.030	-0.047
FCF/D	-3.448	-1.112	-0.832	-0.135
EBITDA/IE	-0.621	-0.377	-0.786	-0.125
CA/A	-0.271	-0.575	-0.555	-0.197
CL/A	0.915	0.645	1.453	0.227
QA/A	-0.727	-0.272	-1.554	-0.219
EBIT/E	-0.049	-0.242	0.041	-0.069
EBITDA/A	-1.373	-1.058	-0.990	-0.206
NI/A	0.486	0.188	0.215	-0.096
AP/R	0.257	0.018	1.739	0.117
AR/L	-0.497	-0.047	-0.232	-0.158
INV/R	0.370	0.243	0.299	0.063
CE/A	-0.077	-0.775	-0.844	-0.364
A/GNP	0.465	0.471	-0.881	-0.094
E/M	-4.251	-2.583	-1.449	-0.278
P/B	-0.361	-0.082	-0.549	-0.016
P/E	0.164	0.208	0.491	-0.006
ER	-0.007	-0.065	-0.078	0.033
Случайный лес	-0.387	-0.356	-0.252	-0.024
CPI	-0.155	0.164	-0.261	0.014
Потреб. товары	0.110	0.081	0.184	0.000
Финансы	-0.290	-0.420	-0.800	-0.032
Здравоохранение	0.383	0.016	0.161	-0.046
Пром. товары	0.015	0.027	0.195	0.015
Услуги	0.377	0.217	0.444	0.071
Технологии	0.158	0.160	-0.047	0.022
Инфраструктура	0.155	0.220	0.838	0.034
Отрицательная	0.448	0.554	0.405	0.196
Положительная	0.107	0.041	0.321	0.096
Неопределенная	0.376	0.053	0.977	0.102
Спорная	-0.706	-0.042	-0.396	0.063
Ограничивающая	-0.080	-0.130	-0.005	-0.028
Избыточная	-0.305	-0.158	-0.022	0.034

Таблица 31. Значимость переменных полной модели случайного леса

	RF (1) 20	RF (3) 20	RF (1) 50	RF (3) 50
CL/E	0.0595	0.0248	0.0222	0.0722
D/A	0.0096	0.0372	0.0022	0.0316
D/E	0.0320	0.0388	0.0427	0.0405
CFFO/D	0.0185	0.0703	0.0622	0.0544
FCF/D	0.0429	0.0969	0.0421	0.0285
EBITDA/IE	0.1009	0.0825	0.1538	0.0544
CA/A	0.0316	0.0304	0.0730	0.0233
CL/A	0.0328	0.0200	0.0214	0.0190
QA/A	0.0184	0.0235	0.0565	0.0266
EBIT/E	0.0186	0.0387	0.0455	0.0380
EBITDA/A	0.1153	0.0458	0.0503	0.0268
NI/A	0.1376	0.1304	0.0831	0.1115
AP/R	0.0191	0.0163	0.0044	0.0157
AR/L	0.0159	0.0280	0.0163	0.0253
INV/R	0.0209	0.0186	0.0140	0.0221
CE/A	0.0653	0.0945	0.0968	0.0626
A/GNP	0.0281	0.0285	0.0201	0.0197
E/M	0.0740	0.0389	0.0430	0.0561
P/B	0.0840	0.0669	0.1061	0.1795
P/E	0.0396	0.0347	0.0197	0.0589
ER	0.0126	0.0078	0.0053	0.0097
Случайный лес	0.0130	0.0099	0.0025	0.0061
CPI	0.0048	0.0084	0.0078	0.0074
Потреб. товары	0.0101	0.0184	0.0175	0.0298
Финансы	0.0114	0.0599	0.0244	0.0156
Здравоохранение	0.0359	0.0632	0.0854	0.1075
Пром. товары	0.0411	0.0408	0.0155	0.0134
Услуги	0.0444	0.0327	0.0524	0.0160
Технологии	0.1152	0.1187	0.1222	0.0695
Инфраструктура	0.0214	0.0289	0.0388	0.0465
Отрицательная	0.0004	0.0034	0.0040	0.0050
Положительная	0.0014	0.0021	0.0000	0.0022
Неопределенная	0.0004	0.0009	0.0000	0.0000
Спорная	0.0024	0.0018	0.0051	0.0027
Ограничивающая	0.0004	0.0000	0.0000	0.0000
Избыточная	0.0000	0.0000	0.0000	0.0000

Приложение Г. Результаты обучения моделей

Таблица 32. Метрики качества длинных моделей на (1) 20 на обучающей и тестовой выборках

	Логит	Персептрон	Опорные вектора	Случайный лес
	Обуч.	Тест.	Обуч.	Тест.	Обуч.	Тест.	Обуч.	Тест.
Accuracy	0.859	0.856	1.000	0.962	0.921	0.894	0.989	0.935
Recall	0.863	0.855	1.000	0.977	0.965	0.947	0.990	0.939
Specifity	0.855	0.856	1.000	0.947	0.878	0.841	0.987	0.932
Precision	0.857	0.855	1.000	0.948	0.888	0.855	0.987	0.932
PR-AUC	0.924	0.924	0.957	0.957	0.936	0.936	0.972	0.972

Таблица 33. Метрики качества длинных моделей на однолетних выборках

	Логит	Персептрон
	(1) 20	(1) 25	(1) 33	(1) 50	(1) 20	(1) 25	(1) 33	(1) 50
Accuracy	0.856	0.863	0.824	0.849	0.962	0.926	0.926	0.995
Recall	0.855	0.873	0.838	0.864	0.977	0.951	0.971	0.990
Specifity	0.856	0.853	0.809	0.833	0.947	0.902	0.882	1.000
Precision	0.855	0.856	0.814	0.840	0.948	0.907	0.892	1.000
PR-AUC	0.924	0.910	0.885	0.912	0.957	0.927	0.958	0.899
	Опорные вектора	Случайный лес
	(1) 20	(1) 25	(1) 33	(1) 50	(1) 20	(1) 25	(1) 33	(1) 50
Accuracy	0.894	0.877	0.882	0.849	0.935	0.922	0.897	0.884
Recall	0.947	0.912	0.926	0.864	0.939	0.951	0.956	0.912
Specifity	0.841	0.843	0.838	0.833	0.932	0.892	0.838	0.857
Precision	0.855	0.853	0.851	0.840	0.932	0.898	0.855	0.861
PR-AUC	0.936	0.949	0.912	0.921	0.972	0.990	0.966	0.978

Таблица 34. Метрики качества длинных моделей на двухлетних выборках

	Логит	Персептрон
	(2) 20	(2) 25	(2) 33	(2) 50	(2) 20	(2) 25	(2) 33	(2) 50
Accuracy	0.863	0.854	0.830	0.806	0.926	0.919	0.905	0.890
Recall	0.873	0.879	0.833	0.768	0.941	0.929	0.939	0.863
Specifity	0.853	0.828	0.826	0.844	0.912	0.909	0.871	0.917
Precision	0.856	0.837	0.827	0.830	0.914	0.911	0.879	0.911
PR-AUC	0.910	0.914	0.930	0.921	0.927	0.939	0.949	0.970
	Опорные вектора	Случайный лес
	(2) 20	(2) 25	(2) 33	(2) 50	(2) 20	(2) 25	(2) 33	(2) 50
Accuracy	0.877	0.891	0.886	0.853	0.922	0.947	0.932	0.942
Recall	0.912	0.924	0.909	0.821	0.951	0.975	0.970	0.947
Specifity	0.843	0.859	0.864	0.885	0.892	0.919	0.894	0.938
	Опорные вектора	Случайный лес
	(2) 20	(2) 25	(2) 33	(2) 50	(2) 20	(2) 25	(2) 33	(2) 50
Precision	0.853	0.867	0.870	0.876	0.898	0.923	0.901	0.938
PR-AUC	0.949	0.741	0.956	0.943	0.990	0.986	0.991	0.991

Таблица 35. Метрики качества длинных моделей на трехлетних выборках

	Логит	Персептрон
	(3) 20	(3) 25	(3) 33	(3) 50	(3) 20	(3) 25	(3) 33	(3) 50
Accuracy	0.824	0.836	0.883	0.949	0.926	0.939	0.887	0.953
Recall	0.838	0.835	0.890	0.981	0.971	0.972	0.864	0.968
Specifity	0.809	0.838	0.876	0.918	0.882	0.907	0.910	0.939
Precision	0.814	0.837	0.878	0.922	0.892	0.912	0.906	0.941
PR-AUC	0.885	0.917	0.932	0.989	0.958	0.978	0.946	0.985
	Опорные вектора	Случайный лес
	(3) 20	(3) 25	(3) 33	(3) 50	(3) 20	(3) 25	(3) 33	(3) 50
Accuracy	0.882	0.883	0.890	0.933	0.897	0.949	0.853	0.942
Recall	0.926	0.890	0.876	0.941	0.956	0.981	0.821	0.947
Specifity	0.838	0.876	0.903	0.925	0.838	0.918	0.885	0.938
Precision	0.851	0.878	0.901	0.926	0.855	0.922	0.876	0.938
PR-AUC	0.912	0.932	0.954	0.983	0.966	0.989	0.943	0.991



Рисунок16. Precision-Recallкривыеразличных длинных моделей

Рисунок 17. Precision-Recallкривыедлиннойлогит-модели



Рисунок18. Precision-Recallкривыедлинноймодели случайного леса



Рисунок19. PR-AUCдлинноймоделислучайного леса в зависимости от числа деревьев

Рисунок 20. Accuracyразличных длинных моделей в разрезе по пропорциям

Рисунок 21. Accuracyразличных длинных моделей в разрезе по горизонтам



Рисунок 22. Specifityразличных длинных моделей в разрезе по пропорциям

	Логит
	(1) 20	(1) 25	(1) 33	(1) 50	(2) 20	(2) 25	(2) 33	(2) 50	(3) 20	(3) 25	(3) 33	(3) 50
C	1.76	0.76	1.76	1.76	1.76	1.01	0.01	0.01	1.51	0.26	1.51	0.01
tol	0.101	0.001	0.001	0.301	0.401	0.701	0.801	0.001	0.901	0.901	0.501	0.001
	Персептрон
	(1) 20	(1) 25	(1) 33	(1) 50	(2) 20	(2) 25	(2) 33	(2) 50	(3) 20	(3) 25	(3) 33	(3) 50
alpha	0.26	0.26	0.51	1.51	1.51	0.51	0.51	1.26	1.01	1.01	1.01	1.51
neurons (1)	14	16	12	16	16	12	16	10	16	12	14	10
neurons (2)	7	8	3	8	8	6	5	5	5	6	7	5
tol	1.0E-04	1.0E-04	1.0E-04	1.0E-04	1.0E-04	1.0E-04	1.0E-04	1.0E-04	1.0E-04	1.0E-04	1.0E-04	1.0E-04
	Опорные вектора
	(1) 20	(1) 25	(1) 33	(1) 50	(2) 20	(2) 25	(2) 33	(2) 50	(3) 20	(3) 25	(3) 33	(3) 50
C	1.76	1.76	1.76	1.76	1.76	1.76	1.76	0.51	1.76	1.76	1.76	1.76
tol	1.0E-04	1.0E-01	2.0E-01	3.0E-01	8.0E-01	1.0E-04	1.0E-04	2.0E-01	1.0E-04	1.0E-01	1.0E-04	5.0E-01
	Случайный лес
	(1) 20	(1) 25	(1) 33	(1) 50	(2) 20	(2) 25	(2) 33	(2) 50	(3) 20	(3) 25	(3) 33	(3) 50
max depth	8	10	10	8	10	8	10	8	10	10	10	10
min samples	6	10	10	6	8	10	10	6	6	6	10	6
trees	10	14	14	14	14	14	13	12	14	14	14	13

Таблица 36. Параметризация длинных моделей

Рисунок 23. Одно из 13 решающих деревьев, построенных при обучении длинной модели на (1) 20 с помощью случайного леса

ПриложениеД. Листинг

Отрывок 1. Работа с текстом



Отрывок 2. Работа с нетекстовыми факторами



Отрывок 3. Обучениемоделей



Приложение Е. Состав выборок

Таблица 37. Список компаний-банкротов

#	Название	Дата	Отрасль	Величинаактивов
1	21st Century Oncology Holdings, Inc.	25.05.2017	Здравоохранение	От 500 тыс. до 1 млн.
2	A. M. Castle & Co.	18.06.2017	Услуги	От 500 тыс. до 1 млн.
3	A123 Systems, Inc.	16.10.2012	Технологии	От 500 тыс. до 1 млн.
4	Adeptus Health Inc.	19.04.2017	Здравоохранение	От 100 тыс. до 500 тыс.
5	Aeropostale, Inc.	04.05.2016	Услуги	От 500 тыс. до 1 млн.
6	Alpha Natural Resources, Inc.	03.08.2015	Добыча	От 10 млн. до 100 млн.
7	American Apparel, Inc.	05.10.2015	Финансы	От 100 тыс. до 500 тыс.
8	Ampal-American Israel Corporation	29.08.2012	Финансы	От 500 тыс. до 1 млн.
9	AMR Corporation	29.11.2011	Услуги	От 100 тыс. до 500 тыс.
10	Arch Coal, Inc.	11.01.2016	Добыча	От 10 млн. до 100 млн.
11	Armstrong Energy, Inc.	01.11.2017	Добыча	От 500 тыс. до 1 млн.
12	Aspect Software Parent Inc.	09.03.2016	Услуги	От 500 тыс. до 1 млн.
13	Atlas Resource Partners, L.P.	27.07.2016	Добыча	От 500 тыс. до 1 млн.
14	ATP Oil & Gas Corporation	17.08.2012	Добыча	От 1 млн. до 10 млн.
15	Avaya Inc.	19.01.2017	Технологии	От 1 млн. до 10 млн.
16	Basic Energy Services, Inc.	25.10.2016	Добыча	От 1 млн. до 10 млн.
17	Black Elk Energy Offshore Operations, LLC	11.08.2015	Добыча	От 500 тыс. до 1 млн.
18	Bon Ton Stores, Inc.	04.02.2018	Услуги	От 1 млн. до 10 млн.
19	Bonanza Creek Energy, Inc.	04.01.2017	Добыча	От 500 тыс. до 1 млн.
20	Borders Group, Inc.	16.02.2011	Услуги	От 500 тыс. до 1 млн.
21	Breitburn Energy Partners LP	15.05.2016	Добыча	От 1 млн. до 10 млн.
22	Broadview Networks Holdings, Inc.	22.08.2012	Инфраструктура	От 100 тыс. до 500 тыс.
23	Caesars Entertainment Operating Company, Inc.	12.01.2015	Услуги	От 10 млн. до 100 млн.
24	Cal Dive International, Inc.	03.03.2015	Добыча	От 500 тыс. до 1 млн.
25	Capitol Bancorp Ltd.	09.08.2012	Финансы	От 1 млн. до 10 млн.
26	Central European Distribution Corporation	07.04.2013	Услуги	От 1 млн. до 10 млн.
27	Cenveo, Inc.	02.02.2018	Потреб. товары	От 1 млн. до 10 млн.
28	Chaparral Energy, Inc.	09.05.2016	Добыча	От 1 млн. до 10 млн.
29	China Natural Gas, Inc.	08.02.2013	Услуги	От 100 тыс. до 500 тыс.
30	Ciber, Inc.	09.04.2017	Услуги	От 500 тыс. до 1 млн.
31	Claires Stores, Inc.	19.03.2018	Услуги	От 1 млн. до 10 млн.
32	Coldwater Creek Inc.	11.04.2014	Услуги	От 500 тыс. до 1 млн.
33	Corinthian Colleges, Inc.	04.05.2015	Услуги	От 1 млн. до 10 млн.
34	Cumulus Media Inc.	29.11.2017	Инфраструктура	От 1 млн. до 10 млн.
35	Delta Petroleum Corporation	15.12.2011	Добыча	От 100 тыс. до 500 тыс.
36	Dendreon Corporation	10.11.2014	Пром. товары	От 1 млн. до 10 млн.
37	Dex Media, Inc.	16.05.2016	Услуги	От 1 млн. до 10 млн.
38	Dolan Company	23.03.2014	Услуги	От 500 тыс. до 1 млн.
39	Eastman Kodak Company	19.01.2012	Пром. товары	От 1 млн. до 10 млн.
40	Edison Mission Energy	17.12.2012	Услуги	От 1 млн. до 10 млн.
41	Emerald Oil, Inc.	22.03.2016	Добыча	От 100 тыс. до 500 тыс.
42	Endeavour International Corporation	10.10.2014	Добыча	От 500 тыс. до 1 млн.
43	Energy Conversion Devices, Inc.	14.02.2012	Технологии	От 100 тыс. до 500 тыс.
44	Energy Future Holdings Corp.	29.04.2014	Услуги	От 10 млн. до 100 млн.
45	Erickson Incorporated	08.11.2016	Пром. товары	От 100 тыс. до 500 тыс.
46	EV Energy Partners, L.P.	02.04.2018	Добыча	От 1 млн. до 10 млн.
47	EXCO Resources, Inc.	15.01.2018	Добыча	От 1 млн. до 10 млн.
48	Exide Technologies	10.06.2013	Технологии	От 1 млн. до 10 млн.
49	Fairway Group Holdings Corp.	02.05.2016	Услуги	От 100 тыс. до 500 тыс.
50	First Mariner Bancorp	10.02.2014	Финансы	От 1 млн. до 10 млн.
51	First NBC Bank Holding Company	11.05.2017	Финансы	От 1 млн. до 10 млн.
52	FirstEnergy Solutions Corp.	31.03.2018	Услуги	От 10 млн. до 100 млн.
53	Forbes Energy Services Ltd.	22.01.2017	Добыча	От 500 тыс. до 1 млн.
54	FriendFinder Networks Inc.	17.09.2013	Услуги	От 100 тыс. до 500 тыс.
55	GateHouse Media, Inc.	27.09.2013	Услуги	От 500 тыс. до 1 млн.
56	GenOn Energy, Inc.	14.06.2017	Добыча	От 10 млн. до 100 млн.
57	Geokinetics Inc.	10.03.2013	Финансы	От 500 тыс. до 1 млн.
58	Global Brokerage, Inc.	11.12.2017	Добыча	От 1 млн. до 10 млн.
59	Global Geophysical Services, Inc.	25.03.2014	Добыча	От 500 тыс. до 1 млн.
60	GMX Resources Inc.	01.04.2013	Технологии	От 500 тыс. до 1 млн.
61	GT Advanced Technologies Inc.	06.10.2014	Пром. товары	От 1 млн. до 10 млн.
62	GulfMark Offshore, Inc.	17.05.2017	Потреб. товары	От 1 млн. до 10 млн.
63	Gymboree Corporation	11.06.2017	Добыча	От 1 млн. до 10 млн.
64	Halcon Resources Corporation	27.07.2016	Пром. товары	От 100 тыс. до 500 тыс.
65	Hawker Beechcraft Acquisition Company, LLC	03.05.2012	Добыча	От 1 млн. до 10 млн.
66	Hercules Offshore, Inc.	13.08.2015	Добыча	От 1 млн. до 10 млн.
67	hhgregg, Inc.	06.03.2017	Услуги	От 500 тыс. до 1 млн.
68	Horsehead Holding Corp.	02.02.2016	Пром. товары	От 500 тыс. до 1 млн.
69	iHeartMedia, Inc.	14.03.2018	Инфраструктура	От 10 млн. до 100 млн.
70	Illinois Power Generating Company	09.12.2016	Услуги	От 1 млн. до 10 млн.
71	International Shipholding Corporation	01.08.2016	Услуги	От 500 тыс. до 1 млн.
72	ITT Educational Services, Inc.	16.09.2016	Услуги	От 500 тыс. до 1 млн.
73	J.G. Wentworth Company	12.12.2017	Финансы	От 1 млн. до 10 млн.
74	James River Coal Company	07.04.2014	Добыча	От 1 млн. до 10 млн.
75	Key Energy Services, Inc.	24.10.2016	Добыча	От 1 млн. до 10 млн.
76	KIT digital, Inc.	25.04.2013	Услуги	От 100 тыс. до 500 тыс.
77	Lee Enterprises, Incorporated	12.12.2011	Услуги	От 1 млн. до 10 млн.
78	LifeCare Holdings, Inc.	11.12.2012	Здравоохранение	От 500 тыс. до 1 млн.
79	Linn Energy, LLC	11.05.2016	Добыча	От 1 млн. до 10 млн.
80	LodgeNet Interactive Corporation	27.01.2013	Инфраструктура	От 100 тыс. до 500 тыс.
81	LRI Holdings, Inc.	08.08.2016	Услуги	От 500 тыс. до 1 млн.
82	Mattress Firm Holding Corp.	05.10.2018	Услуги	От 500 тыс. до 1 млн.
83	Memorial Production Partners LP	16.01.2017	Добыча	От 500 тыс. до 1 млн.
84	MF Global Holdings Ltd.	31.10.2011	Финансы	От 10 млн. до 100 млн.
85	Midstates Petroleum Company, Inc.	30.04.2016	Добыча	От 500 тыс. до 1 млн.
86	Milagro Oil & Gas, Inc.	15.07.2015	Добыча	От 500 тыс. до 1 млн.
87	MModal Inc.	20.03.2014	Услуги	От 500 тыс. до 1 млн.

Страница:

•  1 
•  2 
•  3 
•  4 

дипломная работа "Текстовый анализ новостей в применении к прогнозированию банкротства компаний" скачать

Подобные документы

• Модели прогнозирования банкротства компаний в российской практике

  Модели дискриминантного анализа. Эффективность классических западных и российских моделей предсказания банкротства. Отраслевая специфика. Описание статей, включающее характеристики выборки, метод, список факторов и прогнозную силу метода анализа.
  
  реферат [68,6 K], добавлен 24.07.2016
  

• Диагностика банкротства по моделям Давыдовой-Беликова

  Определение возможности банкротства субъектов хозяйствования. Характеристика моделей экспресс-прогнозирования вероятности наступления банкротства Давыдовой-Беликова и Сайфулина-Кадыкова. Юридические аспекты и акты регулирования процедуры банкротства.
  
  курсовая работа [84,1 K], добавлен 30.09.2009
  

• Система банкротства в Российской Федерации. Методы прогнозирования возможного банкротства предприятия

  Два подхода к прогнозированию банкротства. Три модели Альтмана. Методика О.П. Зайцевой. Методика ФСФО РФ. Методика определения класса кредитоспособности. Методика балльных оценок. Критерии А.И. Ковалева, В.П. Привалова. Методика А.О. Недосекина.
  
  реферат [19,8 K], добавлен 10.05.2007
  

• Понятие и признаки банкротства

  Институт банкротства как механизм обеспечения социальной ответственности предпринимателей. Сущность и виды банкротства, количественные и качественные факторы его предсказания. Диагностика, контроль и предупреждение неплатежеспособности предприятий.
  
  презентация [1,5 M], добавлен 21.05.2015
  

• Диагностика банкротства по модели Зайцевой

  Понятие банкротства, его основные причины и необходимость прогнозирования. Отечественные и зарубежные модели экспресс-прогнозирования возможности наступления банкротства. Сущность модели О.П. Зайцевой и расчет вероятности наступления банкротства.
  
  курсовая работа [98,7 K], добавлен 30.09.2009
  

• Диагностика банкротства предприятия и пути финансового оздоровления

  Понятие и признаки банкротства, его причины и виды. Факторы возникновения кризисных ситуаций на предприятиях. Методы диагностики вероятности банкротства многокритериальным способом, при помощи дискриминантных факторных моделей на примере ОАО "АКВА".
  
  курсовая работа [51,7 K], добавлен 09.12.2013
  

• Риск банкротства в предпринимательской деятельности

  Экономическая сущность банкротства предприятия, его основные критерии в мировой хозяйственной практике. Методы диагностики финансовой несостоятельности хозяйствующих субъектов. Разработка мероприятий по прогнозированию банкротства конкретного предприятия.
  
  курсовая работа [69,8 K], добавлен 12.04.2012
  

• Институт банкротства

  Понятие банкротства и его предпосылки. Социально экономические последствия банкротства. Развитие института банкротства в России и за рубежом. Банкротство физического лица и его особенности в РФ. Правовое регулирование порядка банкротства юридических лиц.
  
  курсовая работа [57,3 K], добавлен 26.05.2015
  

• Прогнозирование несостоятельности (банкротства) предприятия

  Проблема прогнозирования банкротства предприятий в Российской Федерации. Организационно-экономическая характеристика ООО "Мана", анализ его финансовой устойчивости, платежеспособности и кредитоспособности. Диагностика банкротства по модели Альтмана.
  
  реферат [101,5 K], добавлен 08.06.2013
  

• Диагностика банкротства предприятия

  Рассмотрение теоретических основ диагностики банкротства. Исследование методик прогнозирования несостоятельности. Анализ финансового состояния ООО "Отчизна". Изучение мероприятий по повышению финансовой устойчивости для уменьшения риска банкротства.
  
  курсовая работа [302,1 K], добавлен 12.10.2010
  

Другие документы, подобные "Текстовый анализ новостей в применении к прогнозированию банкротства компаний"

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам