Détection précoce de la faillite des entreprises
Pertinence des méthodes neuronales et SVM dans la prévision de la défaillance des entreprises
Versandkostenfrei!
Versandfertig in 6-10 Tagen
62,99 €
inkl. MwSt.
PAYBACK Punkte
31 °P sammeln!
Les défaillances des entreprises sont en constante évolution. Il se pose donc le problème crucial de la détection de ces défaillances. L'objectif de cet ouvrage est d'étudier différentes méthodes de prévision aussi bien paramétriques que non paramétriques. Plus précisément, dans l'approche paramétrique, nous avons recouru aux méthodes de sélection des variables discriminantes en utilisant l'analyse discriminante et l'analyse en composantes principales. En ce qui concerne l'approche non paramétrique, nous avons utilisé la technique des réseaux de neurones et des SVM. Les deux...
Les défaillances des entreprises sont en constante évolution. Il se pose donc le problème crucial de la détection de ces défaillances. L'objectif de cet ouvrage est d'étudier différentes méthodes de prévision aussi bien paramétriques que non paramétriques. Plus précisément, dans l'approche paramétrique, nous avons recouru aux méthodes de sélection des variables discriminantes en utilisant l'analyse discriminante et l'analyse en composantes principales. En ce qui concerne l'approche non paramétrique, nous avons utilisé la technique des réseaux de neurones et des SVM. Les deux approches s'appuient sur un échantillon de 300 PME, caractérisé par 29 ratios financiers. Les modèles développés montrent la supériorité des techniques d'intelligence artificielle en termes de performance de prévision par rapport à l'analyse discriminante. Aussi, au sein de cette recherche nous avons intégré dans l'analyse des variables qualitatives collectées à l'aide d'un questionnaire et nous avons constaté que l'association de ces dernières aux variables quantitatives améliore à chaque fois la qualité de prévision pour les différents modèles établis, d'où s'avère l'importance cruciale de ces variables.
Andere Kunden interessierten sich für
