Capacity of Neural Networks and Discriminant Analysis in Classifying Potential Debtors

Agarwal, A. (1999). Abductive networks for two-group classification: a comparison with neural networks (pp. 1–12). ESANN 2008, European Symposium on Artificial Neural Networks, Bruges, Belgium 15.Search in Google Scholar

Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, XXIII, 189–209.10.1111/j.1540-6261.1968.tb00843.xSearch in Google Scholar

Angelini, E., Tollo, G., Roli, A. (2008). A neural network approach for credit risk evaluation. The Quarterly Review of Economics and Finance, 48, 733–755.10.1016/j.qref.2007.04.001Open DOISearch in Google Scholar

Antonowicz, P. (2007). Metody oceny i prognoza kondycji ekonomiczno-finansowej przedsiębiorstwa. Gdańsk: Ośrodek Doradztwa i Doskonalenia Kadr.Search in Google Scholar

Appenzeller, D., Szarzec, K. (2004). Prognozowanie zagrożenia upadłością polskich spółek publicznych. Rynek Terminowy, 1, 120–128.Search in Google Scholar

Atiya, A.F. (2001). Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results. IEEE Transactions on Neural Networks, 12 (4).10.1109/72.935101Search in Google Scholar

Azayite, F.Z., Achchab, S. (2016). Hybrid Discriminant Neural Networks for bankruptcy prediction and risk scoring. Procedia Computer Science, 83, 670–674.10.1016/j.procs.2016.04.149Search in Google Scholar

Baesens, B., Setiono, R., Mues, C., Vanthienen, J. (2003) Using Neural Network Rule Extraction and Decision Tables for Credit-Risk Evaluation. Management Science, 49 (3).10.1287/mnsc.49.3.312.12739Open DOISearch in Google Scholar

Brabazon, A., Keenan, P. (2004). A hybrid genetic model for the prediction of corporate failure. Computational Management Science, 1, 293–310.10.1007/s10287-004-0017-6Search in Google Scholar

Bragg, S.M. (2010). Wskaźniki w analizie działalności przedsiębiorstwa. Oficyna Wolters Kluwer Business.Search in Google Scholar

Gajdka, J., Stos, D. (1996). Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw. In: R. Borowiecki (ed.), Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw. Kraków: AE w Krakowie.Search in Google Scholar

Gaudart, J., Giusiano, B., Huiart, L. (2004). Comparsion of the performance of multi-layer perceptron and linear regression for epidemiological data. Computional Statistics & Data Analysis, 44, 547–570.10.1016/S0167-9473(02)00257-8Search in Google Scholar

Hadasik, D. (1998). Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. ZN 153, Seria II, Prace Habilitacyjne. Poznań: Wydawnictwo AE w Poznaniu.Search in Google Scholar

Hamrol, M., Czajka, B., Piechocki, M. (2004). Upadłość przedsiębiorstwa – model analizy dyskryminacyjnej. Przegląd Organizacji, 6.10.33141/po.2004.06.09Search in Google Scholar

Haykin, S. (2011). Neural Networks and Learning Machines. Third Edition. PHI Learning Private Limited, New Dehli-110001.Search in Google Scholar

Hołda, A. (2001). Prognozowanie jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej. Rachunkowość, 5, 306–310.Search in Google Scholar

Huang, Z., Chen, H., Hsu, C.J., Chen, W.H., Wu, S. (2004). Credit rating analysis with support vector machines and neural networks: a market comparative study. Decision Support Systems, 37, 543–558. Retrieved from: www.sciencedirect.com (9.05.2016).Search in Google Scholar

du Jardin, P. (2010). Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing, 10–12 (73), 2047–2060.10.1016/j.neucom.2009.11.034Search in Google Scholar

Karaa, A., Krichene, A. (2012). Credit-risk Assessment Using Support Vectors Machine and Multilayer Neural Network Models: A Comparative Study Case of a Tunisian bank. Accounting and Management Information Systems, 4 (11), 587–620.Search in Google Scholar

Khemakhem, S., Boujelbènea, Y. (2015). Credit risk prediction: A comparative study between discriminant analysis and the neural network approach. Accounting and Management Information Systems, 1 (14), 60–78.Search in Google Scholar

Kisieliska, J. (2008). Modele klasyfikacyjne prognozowania sytuacji finansowej gospodarstw rolniczych. Warszawa: Wydawnictwo SGGW.Search in Google Scholar

Lee, K., Booth, D., Alam, P. (2005). A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms. Expert Systems with Applications, 29, 1–16.10.1016/j.eswa.2005.01.004Open DOISearch in Google Scholar

Linder, R., Geier, J., Kölliker, M.J. (2004). Artificial neural networks, classification trees and regression: Which method for which customer? Database Marketing & Customer Strategy Management, 11, 344–356. DOI: 10.1057/3240233.10.1057/3240233Open DOISearch in Google Scholar

Mączyńska, E. (1994). Ocena kondycji przedsiębiorstwa (uproszczone metody). Życie Gospodarcze, 38.Search in Google Scholar

Mączyńska, E., Zawadzki, M. (2006). Dyskryminacyjne modele predykcji upadłości przedsiębiorstw. Ekonomista, 2, 205–217.Search in Google Scholar

Nigrin, A. (1993). Neural Networks for Pattern Recognition. Massachusetts Institute of Technology.10.7551/mitpress/4923.001.0001Search in Google Scholar

Ogwueleka, F.N., Misra, S., Colomo-Palacios, R., Fernández-Sanz, L. (2015). Neural Network and Classification Approach in Identifying Customer Behaviour in the Banking Sector: A Case Study of an International Bank. Human Factors and Ergonomics in Manufacturing & Service Industries, 1 (25), 28–42. DOI: 10.1002/hfm.20398.10.1002/hfm.20398Open DOISearch in Google Scholar

Oreski, S., Oreski, D., Oreski, G. (2012). Hybrid system with genetic algorithm and artificial neural networks and its application to retail credit risk assessment. Expert Systems with Application, 16 (39), 12605–12617. DOI: 10.1016/j.eswa.2012.05.023.10.1016/j.eswa.2012.05.023Open DOISearch in Google Scholar

Pacelli, V., Azzollini, M. (2011). An Artificial Neural Network Approach for Credit Risk Management. Journal of Intelligent Learning Systems and Applications, 103–112. DOI: 10.4236/jilsa.2011.32012.10.4236/jilsa.2011.32012Open DOISearch in Google Scholar

Pogodzińska, M., Sojak, S. (1995). Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa przedsiębiorstw. Acta Universitatis Nicolai Copernici: Ekonomia, 25 (299), 53–61.Search in Google Scholar

Prusak, B. (2005). Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw. Warszawa: Difin.Search in Google Scholar

Ravi, P., Ravi, K.V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques – a review. European Journal of Operational Research, 1 (180), 1–28.Search in Google Scholar

Sexton, R., Sriram, R., Etheridge, H. (2003). Improving decision effectiveness of artificial neural networks: a modified genetic algorithm approach. Decision Sciences, 34, 421–442.10.1111/j.1540-5414.2003.02309.xOpen DOISearch in Google Scholar

STATISTICA HELP. Retrieved from: http://documentation.statsoft.com (14.01.2016).Search in Google Scholar

Tollo, G. (2006). Credit Risk: A Neural Net Approach. Retrieved from: http://tmancini.di.uniroma1.it/rcra/workshops/RCRA-2006/files/ditollo.pdf (22.06.2016).Search in Google Scholar

West, D. (2000). Neural network credit scoring models. Computers and Operations Research, 27, 1131–1152.10.1016/S0305-0548(99)00149-5Search in Google Scholar

Wierzba, D. (2000). Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie analizy wskaźników finansowych – teoria i badania empiryczne. Zeszyty Naukowe Wyższej Szkoły Ekonomiczno-Informatycznej w Warszawie, 9, 79–105.Search in Google Scholar

Wójciak, M., Wójcicka, A. (2008). Zdolności dyskryminacyjne wskaźników finansowych w ocenie kondycji finansowej podmiotów gospodarczych. In: Taksonomia 15: Klasyfikacja i analiza danych – teoria i zastosowania. Wrocław: Uniwersytet Ekonomiczny we Wrocławiu.Search in Google Scholar

Wójciak, M., Wójcicka, A. (2009). The discriminative ability of financial ratios to evaluate the credit risk level. In: P. Chrzan, T. Czernik (eds.), Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach. Katowice: Wydawnictwo Akademii Ekonomicznej (AE) w Katowicach.Search in Google Scholar

Wójcicka, A. (2012). Calibration of a credit rating scale for Polish companies. Operations Research and Decisions, 3.Search in Google Scholar

Wójcicka, A. (2017a). Neural networks in credit risk evaluation of construction sector. Econometric Research in Finance, 1 (2).10.33119/ERFIN.2017.2.2.1Search in Google Scholar

Wójcicka, A. (2017b). Classification of trade sector entities in credibility assessment using neural networks. Optimum, 3 (87).10.15290/ose.2017.03.87.11Search in Google Scholar

Wójcicka, A. (2017c). Credit-risk decision process using neural networks in industrial sectors. In: T. Choudhry, J. Mizerka (eds.), Contemporary Trends in Accounting, Finance and Financial Institutions: Proceedings from the International Conference on Accounting, Finance and Financial Institutions (ICAFFI). Poznań: Springer Proceedings in Business and Economics (accepted to publication).10.1007/978-3-319-72862-9_6Search in Google Scholar

Wójcicka, A. (2017d). The dynamic approach to financial ratios analysis: an experimental approach. Paper presented during Econometric Research in Finance Workshop, 15.09.2017, Warsaw.Search in Google Scholar

Wójcicka, A., Wójtowicz, T. (2009). Wykorzystanie analizy wskaźnikowej w ocenie zdolności kredytowej przedsiębiorstwa – szanse i zagrożenia. Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego (SGGW) w Warszawie: Ekonomika i Organizacja Gospodarki Żywnościowej nr 78. Warszawa: Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego (SGGW) w Warszawie.Search in Google Scholar