Financial failure forecasting and neural networks: the contribution of variable selection techniques. Prévision de la défaillance et réseaux de neurones : l'apport des méthodes numériques de sélection de variables

Archive ouverte : Thèse

Du Jardin, Philippe

Edité par HAL CCSD

We evaluate the prediction accuracy of models designed using different classification methods depending on the technique used to select variables, and we study the relationship between the structure of the models and their ability to correctly predict financial failure. We show that a neural network based model using a set of variables selected with a criterion that it is adapted to the network leads to better results than a set chosen with criteria used in the financial literature. We also show that the way in which a set of variables may represent the financial profiles of healthy companies plays a role in Type I error reduction. . Les hypothèses qui sous-tendent les modèles de prédiction de la défaillance d'entreprise ont conduit leurs auteurs à privilégier comme méthodes d'élaboration, celles issues de la statistique et de l'analyse de données. Parmi toutes les méthodes employées – analyse discriminante, régression logistique, arbre de décision, etc. – les réseaux de neurones occupent une place privilégiée depuis une vingtaine d'années en raison de leurs propriétés mathématiques intrinsèques, mais aussi à cause des caractéristiques spécifiques qu'ils confèrent aux modèles. Pour autant, la performance d'un modèle numérique, c'est-à-dire sa capacité prédictive, ne dépend pas simplement de la famille de méthode qui l'a produit. Elle dépend des données employées pour son ajustement. Or, les travaux de recherche réalisés jusqu'à présent se sont appuyés essentiellement sur des variables de convenance, choisies parce qu'elles sont présentes dans les échantillons retenus ou parce qu'elles correspondent à des indicateurs traditionnels associés à la « santé financière » d'une entreprise. L'objet de ce travail doctoral s'inscrit dans cette perspective. Il vise à montrer en quoi les méthodes de sélection de variables adaptées aux réseaux de neurones, fondés sur des heuristiques d'énumération, offrent une alternative utile aux choix arbitraires de ces dernières ; ils permettent d'améliorer le degré de précision dans la prévision d'une défaillance et, grâce à une détection des variables pertinentes, d'approfondir la connaissance du problème traité.

• Contient
• Sujet
• Description
• Oeuvre