Publicação
Predicting corporate default : a comparative analysis of machine learning and traditional statistical models
| datacite.subject.fos | Ciências Sociais::Economia e Gestão | |
| datacite.subject.sdg | 08:Trabalho Digno e Crescimento Económico | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| datacite.subject.sdg | 16:Paz, Justiça e Instituições Eficazes | |
| datacite.subject.sdg | 04:Educação de Qualidade | |
| dc.contributor.advisor | Schliephake, Eva | |
| dc.contributor.author | Liedtke, Lukas | |
| dc.date.accessioned | 2026-09-04T16:07:23Z | |
| dc.date.available | 2026-09-04T16:07:23Z | |
| dc.date.issued | 2026-06-24 | |
| dc.date.submitted | 2026-05-28 | |
| dc.description.abstract | This study examines the predictive performance of traditional statistical and machine learning models in corporate default forecasting. While accurately identifying financial distress is essential for effective risk management, forecasting firm failures remains challenging due to the complexity of underlying patterns and unforeseeable economic shocks. Using a comprehensive firm-year panel of publicly listed U.S. corporations from 1985 to 2024, this analysis compares benchmark approaches, including Altman’s Z’’-score, logistic regression, and discrete-time hazard models, with machine learning methods such as artificial neural networks, support vector machines, and random forests. All models are estimated using identical feature sets containing accounting and marketbased predictors, standardized preprocessing steps, and a walk-forward validation approach to ensure comparability. Predictive performance is evaluated using ROC-AUC, PR-AUC, and the typeI error rate.The analysis reveals that random forests consistently achieve the strongest forecasting performance. However, the improvement over traditional models remains moderate, as logistic regression and the hazard models deliver highly robust results. In contrast, artificial neural networks and support vector machines do not exhibit a consistent advantage over the benchmarks. Furthermore,while the training window length has a relatively limited impact, variable selection emerges as a key factor, with market-based predictors providing particularly informative signals of financial distress. Overall, the results indicate that while machine learning methods can offer marginal gains in predictive performance, traditional approaches remain highly relevant. Increased model complexity does not automatically lead to improved forecasting ability, and the choice of variables plays a more important role than the choice of modeling approach. | eng |
| dc.description.abstract | Este estudo analisa o desempenho preditivo de modelos estatísticos tradicionais e de machine learning na previsão de incumprimento empresarial. Embora a identificação de dificuldades financeiras seja essencial para a gestão eficaz do risco, a previsão de falências permanece desafiante devido à complexidade dos padrões subjacentes e à ocorrência de choques económicos imprevistos. Com base num painel de empresas cotadas nos Estados Unidos entre 1985 e 2024, a análise compara abordagens de referência, incluindo o Z’’-score de Altman, a regressão logística e modelos de risco discreto no tempo, com métodos de machine learning, como artificial neural networks, supportvector machines e random forests. Todos os modelos utilizam variáveis idênticas, incluindo indicadores contabilísticos e de mercado, procedimentos de pré-processamento padronizados e uma estratégia de validação walk-forward para garantir comparabilidade. O desempenho é avaliado através de ROC-AUC, PR-AUC e erro do tipo I.Os resultados mostram que as random forests apresentam o melhor desempenho preditivo. No entanto, a melhoria face aos modelos tradicionais é moderada, sendo que a regressão logística e osmodelos de risco discreto obtêm resultados competitivos. As artificial neural networks e as support vector machines não demonstram vantagem consistente. Além disso, a duração da janela de treino tem impacto limitado, enquanto a seleção de variáveis é determinante. Em particular, indicadores de mercado fornecem sinais mais informativos de dificuldade financeira. Em síntese, os métodos de machine learning oferecem ganhos incrementais, mas os modelos tradicionais permanecem relevantes, sendo a escolha das variáveis mais importante do que a do modelo. | por |
| dc.identifier.other | 418e71ef-d517-4921-926b-1d2fc6b880ed | |
| dc.identifier.tid | 204327709 | |
| dc.identifier.uri | http://hdl.handle.net/10400.14/59256 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Corporate default prediction | eng |
| dc.subject | Credit risk | eng |
| dc.subject | Financial distress | eng |
| dc.subject | Machine learning | eng |
| dc.subject | Artificial neural networks | eng |
| dc.subject | Support vector machines | eng |
| dc.subject | Random forest | eng |
| dc.subject | Previsão de incumprimento empresarial | por |
| dc.subject | Risco de crédito | por |
| dc.subject | Dificuldades financeiras | por |
| dc.subject | Support vector machine | por |
| dc.title | Predicting corporate default : a comparative analysis of machine learning and traditional statistical models | por |
| dc.title.alternative | Previsão de incumprimento empresarial : uma análise comparativa de modelos de machine learning e modelos estatísticos tradicionais | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Gestão e Administração de Empresas |
Ficheiros
Principais
1 - 1 de 1