Simple view
Full metadata view
Authors
Statistics
Early warning indicators for bankruptcy and distressed corporates
Wskaźniki wczesnego wykrywania bankructwa i problemów finansowych w spółkach
trudności finansowe, bankructwo, modelowanie predyktywne
financial distress, bankruptcy, predictive modelling
Istnieje wiele modeli pozwalajacych jak najwczesniej przewidziec i oszacowacpotencjalne bankructwo lub trudnosci finansowe przedsiebiorstw. Głównym celemprojektu było przetestowanie istniejacego modelu o nazwie Early Warnings Dashboard.Model ten został opracowany przez miedzynarodowy bank inwestycyjny,który chciał pozostac anonimowy, w celu oceny ryzyka finansowego w kontekscieobecnej sytuacji gospodarczej. Główna funkcja modelu była ocena wszystkichklientów korporacyjnych banku, przy uzyciu wartosci wyrazajacej prawdopodobienstwoich niewypłacalnosci. Miara ilosciowa, zwana DScore, zostałaobliczona na podstawie róznych wskazników finansowych, którym przypisanoodpowiednie wagi.Nasza praca została podzielona na piec kroków: (1) poznanie wspólnych wskaznikówfinansowych, (2) uzyskanie danych firm, (3) wstepne przetwarzanie danych, (4)analize danych i (5) wyciagniecie wniosków. Otrzymalismy dane o trzech dodatkowychwskaznikach nieuwzglednionych w istniejacym modelu, które zgodnie zwiedza o tych wskaznikach powinny dokładnie odzwierciedlac sytuacje finansowafirmy. Naszym zadaniem było ponowne przetestowanie modelu Early WarningsDashboard w połaczeniu z tymi trzema wskaznikami.Dane o 13 firmach sledzonych przez ostatnie 10 lat zostały przeanalizowane przyuzyciu Python jako jezyka programowania i Jupyter Notebook jako srodowiskaprogramowania. Stwierdzilismy, ze zaden z nowych wskazników nie ma ogólniewysokiej korelacji dla zadnej z analizowanych firm. Mozliwe sa jednak dalszekorekty, poniewaz istniejacy model jest rozwiazaniem elastycznym. Jest to pozazakresem projektu i nie bedzie omawiane w tej pracy.
Various models are available to predict and quantify potential bankruptcyor financial difficulties of companies as early as possible. The main purpose ofthe project was to test an existing model called Early Warnings Dashboard.This model was developed by a multinational investment bank, who wished toremain anonymous, to assess financial risks in the context of the current economiclandscape. The main function of the model was to score all corporateclients of the bank, using a value expressing the likelihood of their default. Aquantifying measure, called DScore, was calculated based on various financialindicators which were assigned appropriate weights.Our work was divided into five steps: (1) getting to know common financialindicators, (2) obtaining companies data, (3) pre-processing the data, (4) analyzingthe data and (5) drawing conclusions. We were given the data of threeadditional indicators not included in the existing model, which according tocommon knowledge reflect a company’s financial condition accurately. Our taskwas to back-test the Early Warnings Dashboard in combination with those threeindicators.Data from 13 companies tracked over the period of 10 years was analyzed usingPython as the programming language and Jupyter Notebook as the programmingenvironment. We have found that none of the new indicators have universallyhigh correlation for any of the analyzed companies. However, furtheradjustments are possible as the existing model is a flexible solution. This isbeyond the scope of the project and will not be discussed in this work.
dc.abstract.en | Various models are available to predict and quantify potential bankruptcyor financial difficulties of companies as early as possible. The main purpose ofthe project was to test an existing model called Early Warnings Dashboard.This model was developed by a multinational investment bank, who wished toremain anonymous, to assess financial risks in the context of the current economiclandscape. The main function of the model was to score all corporateclients of the bank, using a value expressing the likelihood of their default. Aquantifying measure, called DScore, was calculated based on various financialindicators which were assigned appropriate weights.Our work was divided into five steps: (1) getting to know common financialindicators, (2) obtaining companies data, (3) pre-processing the data, (4) analyzingthe data and (5) drawing conclusions. We were given the data of threeadditional indicators not included in the existing model, which according tocommon knowledge reflect a company’s financial condition accurately. Our taskwas to back-test the Early Warnings Dashboard in combination with those threeindicators.Data from 13 companies tracked over the period of 10 years was analyzed usingPython as the programming language and Jupyter Notebook as the programmingenvironment. We have found that none of the new indicators have universallyhigh correlation for any of the analyzed companies. However, furtheradjustments are possible as the existing model is a flexible solution. This isbeyond the scope of the project and will not be discussed in this work. | pl |
dc.abstract.pl | Istnieje wiele modeli pozwalajacych jak najwczesniej przewidziec i oszacowacpotencjalne bankructwo lub trudnosci finansowe przedsiebiorstw. Głównym celemprojektu było przetestowanie istniejacego modelu o nazwie Early Warnings Dashboard.Model ten został opracowany przez miedzynarodowy bank inwestycyjny,który chciał pozostac anonimowy, w celu oceny ryzyka finansowego w kontekscieobecnej sytuacji gospodarczej. Główna funkcja modelu była ocena wszystkichklientów korporacyjnych banku, przy uzyciu wartosci wyrazajacej prawdopodobienstwoich niewypłacalnosci. Miara ilosciowa, zwana DScore, zostałaobliczona na podstawie róznych wskazników finansowych, którym przypisanoodpowiednie wagi.Nasza praca została podzielona na piec kroków: (1) poznanie wspólnych wskaznikówfinansowych, (2) uzyskanie danych firm, (3) wstepne przetwarzanie danych, (4)analize danych i (5) wyciagniecie wniosków. Otrzymalismy dane o trzech dodatkowychwskaznikach nieuwzglednionych w istniejacym modelu, które zgodnie zwiedza o tych wskaznikach powinny dokładnie odzwierciedlac sytuacje finansowafirmy. Naszym zadaniem było ponowne przetestowanie modelu Early WarningsDashboard w połaczeniu z tymi trzema wskaznikami.Dane o 13 firmach sledzonych przez ostatnie 10 lat zostały przeanalizowane przyuzyciu Python jako jezyka programowania i Jupyter Notebook jako srodowiskaprogramowania. Stwierdzilismy, ze zaden z nowych wskazników nie ma ogólniewysokiej korelacji dla zadnej z analizowanych firm. Mozliwe sa jednak dalszekorekty, poniewaz istniejacy model jest rozwiazaniem elastycznym. Jest to pozazakresem projektu i nie bedzie omawiane w tej pracy. | pl |
dc.affiliation | Wydział Matematyki i Informatyki | pl |
dc.area | obszar nauk ścisłych | pl |
dc.contributor.advisor | Żelawski, Marcin - 132962 | pl |
dc.contributor.author | Zdybał, Dagmara | pl |
dc.contributor.departmentbycode | UJK/WMI2 | pl |
dc.contributor.reviewer | Żelawski, Marcin - 132962 | pl |
dc.contributor.reviewer | Tabor, Jacek - 132362 | pl |
dc.date.accessioned | 2020-07-28T07:28:44Z | |
dc.date.available | 2020-07-28T07:28:44Z | |
dc.date.submitted | 2020-07-21 | pl |
dc.fieldofstudy | informatyka | pl |
dc.identifier.apd | diploma-142627-244295 | pl |
dc.identifier.project | APD / O | pl |
dc.identifier.uri | https://ruj.uj.edu.pl/xmlui/handle/item/241926 | |
dc.language | eng | pl |
dc.subject.en | financial distress, bankruptcy, predictive modelling | pl |
dc.subject.pl | trudności finansowe, bankructwo, modelowanie predyktywne | pl |
dc.title | Early warning indicators for bankruptcy and distressed corporates | pl |
dc.title.alternative | Wskaźniki wczesnego wykrywania bankructwa i problemów finansowych w spółkach | pl |
dc.type | licenciate | pl |
dspace.entity.type | Publication |