Marcus Baulig

Machine Learning in Statistics

Forecasting Applications in Corporate Finance


voorkant	achterkant

ISBN:

978-3-8440-6820-7

Reeks:

Statistik

Trefwoorden:

Machine Learning; Corporate Finance; Forecasting

Soort publicatie:

Dissertatie

Taal:

Engels

Pagina's:

142 pagina's

Gewicht:

209 g

Formaat:

21 x 14,8 cm

Bindung:

Softcover

Prijs:

45,80 € / 57,30 SFr

Verschijningsdatum:

Juli 2019

Kopen:

Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.


	Document		Document
	Soort bestand		PDF
	Kosten		34,35 EUR
	Acties		Tonen en kopen van het bestand - 910 kB (931603 Byte)
	Acties		Kopen en downloaden van het bestand - 910 kB (931603 Byte)


	Document		Inhoudsopgave
	Soort bestand		PDF
	Kosten		gratis
	Acties		Het bestand tonen - 171 kB (175113 Byte)
	Acties		downloaden van het bestand - 171 kB (175113 Byte)

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:	niet aangemeld
Acties:	aanmelden/registreren Paswoord vergeten?

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

Given the growing awareness of machine learning outside of computer science in both academia and business in recent years, the author examines two corporate finance forecasting problems and shows how machine learning models compare to established literature models. The forecasting of future corporate bankruptcies serves vicariously as a classification problem and the forecasting of future corporate earnings as a regression problem, which are both traditionally approached with econometric techniques such as logistic and linear regression.

The author forecasts bankruptcies and earnings using a diverse set of machine learning models—ranging from subset selection models to highly flexible Boosting models—and combines these models to stacked ensembles. Ensemble learning can potentially outstrip the performance of individual machine learning models and to date has not been investigated for bankruptcy and earnings forecasts. Besides the focus on high performing models, the author creates highly interpretable logistic and linear regression models with the most predictive variables assessed over all machine learning models.

For both forecast problems, stacked ensembles show in their optimal calibration the best forecast performance, exceeding established literature models by at least 5% in terms of standard evaluation criteria. Individual machine learning models achieve at least an improvement of 4% and self-generated regression models at least 1%.

Despite the already capable performance of established literature models in the field of corporate finance, the utilization of machine learning successfully enriches the way researchers can transform data into forecasts.