<p>Corporate failures pose a problem for banks, investors, customers, employees andinsurers. With a multivariate discrimination method, the study aims to find the specificfinancial ratios that most accurate reveals a company's financial health, which is ofinterest to all of the above parties. The data consist of 1042 Swedish small enterprisesand 30 different financial ratios between the years 2005‐2007. The result shows thatbankrupt firms three years before bankruptcy have a disadvantaged capital structurewith poor solvency and high debt. The year before bankruptcy, profitability and liquiditydeclined for bankruptcy group, and rates vary considerably in comparison with thesurviving companies. Our model can correctly classify 91,2 % of the total sample one yearbefore bankruptcy.</p> / <p>Företagskonkurser är dyrt för samhället och utgör ett problem för bland annat banker,investerare, kunder, anställda, försäkringsbolag och leverantörer. Studien syftar till attfinna de specifika nyckeltal vilka avslöjar ett företags finansiella hälsa, vilket är av intresseför alla ovanstående parter. Med en kvantitativ multivariat analysmetod har 30 olikanyckeltal från sammanlagt 1042 svenska mindre aktiebolag mellan åren 2005 och 2007studerats.Resultatet visar att konkursföretagen tre år innan konkurs har en missgynnandekapitalstruktur med svag soliditet och hög skuldsättning. Året innan konkurs harlönsamheten och likviditeten minskat för konkursgruppen och talen uppvisar storaskillnader i jämförelse med de överlevande företagen. Modellen klassificerar 91,2 % avföretagen korrekt ett år innan konkurs.</p>

Corporate failures pose a problem for banks, investors, customers, employees andinsurers. With a multivariate discrimination method, the study aims to find the specificfinancial ratios that most accurate reveals a company's financial health, which is ofinterest to all of the above parties. The data consist of 1042 Swedish small enterprisesand 30 different financial ratios between the years 2005‐2007. The result shows thatbankrupt firms three years before bankruptcy have a disadvantaged capital structurewith poor solvency and high debt. The year before bankruptcy, profitability and liquiditydeclined for bankruptcy group, and rates vary considerably in comparison with thesurviving companies. Our model can correctly classify 91,2 % of the total sample one yearbefore bankruptcy. / Företagskonkurser är dyrt för samhället och utgör ett problem för bland annat banker,investerare, kunder, anställda, försäkringsbolag och leverantörer. Studien syftar till attfinna de specifika nyckeltal vilka avslöjar ett företags finansiella hälsa, vilket är av intresseför alla ovanstående parter. Med en kvantitativ multivariat analysmetod har 30 olikanyckeltal från sammanlagt 1042 svenska mindre aktiebolag mellan åren 2005 och 2007studerats.Resultatet visar att konkursföretagen tre år innan konkurs har en missgynnandekapitalstruktur med svag soliditet och hög skuldsättning. Året innan konkurs harlönsamheten och likviditeten minskat för konkursgruppen och talen uppvisar storaskillnader i jämförelse med de överlevande företagen. Modellen klassificerar 91,2 % avföretagen korrekt ett år innan konkurs.

Bakgrund: Varje år går många företag i konkurs och detta innebär stora kostnader på kort sikt. Kreditgivare, ägare, investerare, borgenärer, företagsledning, anställda samt samhället är de som i störst utsträckning drabbas av detta. För att kunna bedöma ett företags ekonomiska hälsa är det därför en viktig del att kunna prognostisera risken för en konkurs. Till hjälp har vi olika konkursmodeller som har utvecklats sedan början av 1960-talet och fram till idag. Syfte: Att undersöka tre internationella konkursmodeller för att se om dessa kan tillämpas på svenska företag samt jämföra träffsäkerheten från vår studie med konkursmodellernas originalstudier. Metod: Undersökningen är baserad på en kvantitativ forskningsstrategi med en deduktiv ansats. Urvalet grundas på företag som gick i konkurs år 2014. Till detta kommer också en kontrollgrupp bestående av lika stor andel friska företag att undersökas. Det slumpmässiga urvalet kom att bestå av 30 konkursföretag samt 30 friska företag från tillverknings- och industribranschen. Teori: I denna studie undersöks tre konkursmodeller; Altman, Fulmer och Springate. Dessa modeller och tidigare forskning presenteras utförligare i teoriavsnittet. Dessutom beskrivs under teoriavsnittet några nyckeltal som är relevanta vid konkursprediktion. Resultat och slutsats: Modellerna är inte tillämpbara på svenska företag då resultaten från vår studie inte visar tillräcklig träffsäkerhet och är därför måste betecknas som otillförlitliga. / Background: Each year many companies go bankrupt and it is associated with significant costs in the short term. Creditors, owners, investors, management, employees and society are those that gets most affected by the bankruptcy. To be able to estimate a company’s financial health it is important to be able to predict the risk of a bankruptcy. To help, we have different bankruptcy prediction models that have been developed through time, since the 1960s until today, year 2015. Purpose: To examine three international bankruptcy prediction models to see if they are  applicable to Swedish business and also compare the accuracy from our study with each bankruptcy prediction models original study. Method: The study was based on a quantitative research strategy and also a deductive research approach. The selection was based on companies that went bankrupt in year 2014. Added to this is a control group consisting of healthy companies that will also be examined. Finally, the random sample consisted of 30 bankrupt companies and 30 healthy companies that belong to the manufacturing and industrial sectors. Theory: In this study three bankruptcy prediction models are examined; Altman, Fulmer and Springate. These models and also previous research in bankruptcy prediction are further described in the theory section. In addition some financial ratios that are relevant in bankruptcy prediction are also described. Result and conclusion: The models are not applicable in the Swedish companies.  The results of this study have not showed sufficient accuracy and they can therefore be regarded as unreliable.

This thesis focuses on statistical and machine learning methods designed for sequential and repeated measurement data. We start off by considering the classic general linear model (MANOVA) followed by its generalization, the growth curve model (GMANOVA), designed for analysis of repeated measurement data. By considering a binary classification problem of normal data together with the corresponding maximum likelihood estimators for the growth curve model, we demonstrate how a classification rule based on linear discriminant analysis can be derived which can be used for repeated measurement data in a meaningful way. We proceed to the topics of neural networks which serve as our second method of classification. The reader is introduced to classic neural networks and relevant subtopics are discussed. We present a generalization of the classic neural network model to the recurrent neural network model and the LSTM model which are designed for sequential data. Lastly, we present three types of data sets with an total of eight cases where the discussed classification methods are tested. / Den här uppsatsen introducerar klassificeringsmetoder skapade för data av typen upprepade mätningar och sekventiell data. Den klassiska MANOVA modellen introduceras först som en grund för den mer allmäna tillväxtkurvemodellen(GMANOVA), som i sin tur används för att modellera upprepade mätningar på ett meningsfullt sätt. Under antagandet av normalfördelad data så härleds en binär klassificeringsmetod baserad på linjär diskriminantanalys, som tillsammans med maximum likelihood-skattningar från tillväxtkurvemodellen ger en binär klassificeringsregel för data av typen upprepade mätningarn. Vi fortsätter med att introducera läsaren för klassiska neurala nätverk och relevanta ämnen diskuteras. Vi generaliserar teorin kring neurala nätverk till typen "recurrent" neurala nätverk och LSTM som är designade för sekventiell data. Avslutningsvis så testas klassificeringsmetoderna på tre typer av data i totalt åtta olika fall.

Från 1900-talets början har banker och låneinstitut använt nyckeltal som hjälpmedel vid bedömning och kvantifiering av kreditrisk. För dagens investerare är den ekonomiska miljön mer komplicerad än för bara 40 år sedan då teknologin och datoriseringen öppnade upp världens marknader mot varandra. Bedömning av kreditrisk idag kräver effektiv analys av kvantitativa data och modeller som med god träffsäkerhet kan förutse risker. Under 1900-talets andra hälft skedde en snabb utveckling av de verktyg som används för konkursprediktion, från enkla univariata modeller till komplexa data mining-modeller med tusentals observationer. Denna studie undersöker om det är möjligt att prediktera att svenska företag kommer att gå i konkurs och vilka variabler som innehåller relevant information för detta. Metoderna som används är diskriminantanalys, logistisk regression och överlevnadsanalys på 50 aktiva och 50 företag försatta i konkurs. Resultaten visar på en träffsäkerhet mellan 67,5 % och 75 % beroende på vald statistisk metod. Oavsett vald statistisk metod är det möjligt att klassificera företag som konkursmässiga två år innan konkursens inträffande med hjälp av finansiella nyckeltal av typerna lönsamhetsmått och solvensmått. Samhällskostnader reduceras av bättre konkursprediktion med hjälp av finansiella nyckeltal vilka bidrar till ökad förmåga för företag att tillämpa ekonomistyrning med relevanta nyckeltal i form av lager, balanserad vinst, nettoresultat och rörelseresultat. / From the early 1900s, banks and lending institutions have used financial ratios as an aid in the assessment and quantification of credit risk. For today's investors the economic environment is far more complicated than 40 years ago when the technology and computerization opened up the world's markets. Credit risk assessment today requires effective analysis of quantitative data and models that can predict risks with good accuracy. During the second half of the 20th century there was a rapid development of the tools used for bankruptcy prediction. We moved from simple univariate models to complex data mining models with thousands of observations. This study investigates if it’s possible to predict bankruptcy in Swedish limited companies and which variables contain information relevant for this cause. The methods used in the study are discriminant analysis, logistic regression and survival analysis on 50 active and 50 failed companies. The results indicate accuracy between 67.5 % and 75 % depending on the choice of statistical method. Regardless of the selected statistical method used, it’s possible to classify companies as bankrupt two years before the bankruptcy occurs using financial ratios which measures profitability and solvency. Societal costs are reduced by better bankruptcy prediction using financial ratios which contribute to increasing the ability of companies to apply financial management with relevant key ratios in the form of stock , retained earnings , net income and operating income.