用于僵尸企业搜寻的机器学习：基于企业账户与非随机缺失值的困境预测
计量经济学
2023-06-16 v1
摘要
在本文中，我们提出使用机器学习技术预测僵尸企业。首先，我们在 2008 年至 2017 年意大利活跃的 304,906 家企业的披露财务信息和非随机缺失值上训练和测试算法，推导出失败风险。然后，我们在预测值高于某一阈值的条件下识别出最高的财务困境，该阈值使得假阳性率（对企业失败的误预测）和假阴性率（对活跃企业的误预测）的组合最小。因此，我们将僵尸企业定义为持续处于财务困境状态的企业，即其预测连续至少三年落入阈值以上的风险类别。为此，我们实现了一种利用缺失值信息的梯度提升算法（XGBoost）。在我们的预测模型中纳入缺失值至关重要，因为未披露账户的模式与企业失败相关。最后，我们表明我们偏好的机器学习算法优于（i）Z-score 和 Distance-to-Default 等代理模型，（ii）传统计量经济学方法，以及（iii）其他广泛使用的机器学习技术。我们提供的证据表明，僵尸企业平均生产率和规模更低，并且在危机时期趋于增加。最后，我们认为我们的应用可帮助金融机构和公共当局设计基于证据的政策——例如最优破产法和信息披露政策。
引用
@article{arxiv.2306.08165,
title = {Machine Learning for Zombie Hunting: Predicting Distress from Firms' Accounts and Missing Values},
author = {Falco J. Bargagli-Stoffi and Fabio Incerti and Massimo Riccaboni and Armando Rungi},
journal= {arXiv preprint arXiv:2306.08165},
year = {2023}
}
备注
arXiv admin note: text overlap with arXiv:2102.04382 by other authors