Financial Distress Prediction Using Machine Learning and XAI: Developing an Early Warning Model for Listed Nordic Corporations

• Main Authors: Nylén-Forthun, Emil, Møller, Mats, Abrahamsen, Nils-Gunnar Birkeland
• Format: Dissertation
• Language: English

Denne oppgaven lanserer en forklarbar modell for tidlig varsling av økonomisk vanskeligstilthet hos børsnoterte selskaper som er generaliserbar på tvers av landegrenser i Norden. En Light Gradient Boosting Machine (LightGBM) og et kunstig nevralt nettverk måles opp mot en logistisk regresjonsmodell som referanse på et datasett bestående av kvartalsvis regnskapsdata, informasjon fra finansmarkedene og makroøkonomiske indikatorer. Etter datavask omfatter datasettet totalt 639 børsnoterte nordiske selskaper i perioden Q1 2001 til Q2 2022. LightGBM utkonkurrerer de andre modellene, og med en ROC-AUC-poengsum på 0.93 og F1-poengsum på 0.63, overgår referansemodellen med en betydelig margin. Vi fremlegger også et ende-til-ende-rammeverk for innsamling og prosessering av data som kan gjenskapes for både akademiske og industrielle formål. Vi bruker en proxybasert definisjon på økonomisk vanskeligstilthet som er i tråd med finansiell intuisjon og bransjepraksis. Denne proxyen er basert på forholdstall for solvens (rentedekningsgrad) og likviditet (likviditetsgrad 1), og i samsvar med standard måltall for obligasjons- og låneforpliktelser. Valg av inputvariabler og modellforklaring gjøres ved bruk av SHAP, et rammeverk for forklarbar kunstig intelligens, og resultatene viser tydelig at variabler relatert til likviditet, solvens og selskapsstørrelse er av stor betydning for modellens output. Analysen avdekker også at inkludering av sesongmessighet, samt makro- og markedsinformasjon viser seg å være fordelaktig grunnet interaksjonseffekter med andre variabler. Kombinasjonen av følgende elementer skiller denne oppgaven fra tilsvarende arbeid: (i) Observasjon av sesongmessig variasjon på kvartalsbasis, noe som sjeldent belyses i relatert litteratur, (ii) det geografiske fokusområdet (Norden), (iii) inkludering av makro- og markedsvariabler som fanger selskapets omgivelser. I tillegg sammenlikner denne oppgaven to toppmoderne maskinlæringsmodeller og en anerkjent referansemodell, noe som bidrar til den komparative litteraturen.