Contingent claims models have recently been applied to the field of corporate insolvency prediction in an attempt to provide the art with a theoretical methodology that has been lacking in the past. Limited studies have been carried out in order to empirically compare the performance of these “market” models with that of their accounting number-based counterparts. This thesis contributes to the literature in several ways: The thesis traces the evolution of the art of corporate insolvency prediction from its inception through to the present day, combining key developments and methodologies into a single document of reference. I use receiver operating characteristic curves and tests of economic value to assess the efficacy of sixteen models, carefully selected to represent key moments in the evolution of the art, and tested upon, for the first time, post-IFRS UK data. The variability of model efficacy is also measured for the first time, using Monte Carlo simulation upon 10,000 randomly generated training and validation samples from a dataset consisting of over 12,000 firmyear observations. The results provide insights into the distribution of model accuracy as a result of sample selection, which is something which has not appeared in the literature prior to this study. I find overall that the efficacy of the models is generally less than that reported in the prior literature; but that the theoretically driven, market-based models outperform models which use accounting numbers; the latter showing a relatively larger efficacy distribution. Furthermore, I obtain the counter-intuitive finding that predictions based on a single ratio can be as efficient as those which are based on models which are far more complicated – in terms of variable variety and mathematical construction. Finally, I develop and test a naïve version of the down-and-out-call barrier option model for insolvency prediction and find that, despite its simple formulation, it performs favourably compared alongside other market-based models.

Die zentralen Fragestellungen der Arbeit sind, wie die Insolvenzwahrscheinlichkeiten von Unternehmen prognostiziert und wie sie durch zielgerichtetes Handeln beeinflusst werden können. Hierzu gibt der Autor zunächst einen ausführlichen Überblick über die derzeit in Wissenschaft und Praxis verwendeten Ansätze zur Prognose von Unternehmensinsolvenzen, Schätzgütemaßen von Insolvenzprognosen sowie Datenquellen, die für die Prognose von Unternehmensinsolvenzen zur Verfügung stehen. Anschließend entwickelt er ein kausales Unternehmensmodell, das er mit stochastischen Simulationsverfahren analysiert. Das Modell wird validiert und mit Benchmarkverfahren verglichen. Abschließend zeigt der Autor, wie das Modell zur Ableitung von Handlungsempfehlungen zur Beeinflussung der individuellen Insolvenzwahrscheinlichkeit von Unternehmen herangezogen werden kann.

Insolvenzprognosen und Ratings sind wichtige Aufgaben der Finanzbranche und dienen der Kreditwürdigkeitsprüfung von Unternehmen. Eine Möglichkeit dieses Aufgabenfeld anzugehen, ist maschinelles Lernen. Dabei werden Vorhersagemodelle aufgrund von Beispieldaten aufgestellt. Methoden aus diesem Bereich sind aufgrund Ihrer Automatisierbarkeit vorteilhaft. Dies macht menschliche Expertise in den meisten Fällen überflüssig und bietet dadurch einen höheren Grad an Objektivität. Allerdings sind auch diese Ansätze nicht perfekt und können deshalb menschliche Expertise nicht gänzlich ersetzen. Sie bieten sich aber als Entscheidungshilfen an und können als solche von Experten genutzt werden, weshalb interpretierbare Modelle wünschenswert sind. Leider bieten nur wenige Lernalgorithmen interpretierbare Modelle. Darüber hinaus sind einige Aufgaben wie z.B. Rating häufig Mehrklassenprobleme. Mehrklassenklassifikationen werden häufig durch Meta-Algorithmen erreicht, welche mehrere binäre Algorithmen trainieren. Die meisten der üblicherweise verwendeten Meta-Algorithmen eliminieren jedoch eine gegebenenfalls vorhandene Interpretierbarkeit. In dieser Dissertation untersuchen wir die Vorhersagegenauigkeit von interpretierbaren Modellen im Vergleich zu nicht interpretierbaren Modellen für Insolvenzprognosen und Ratings. Wir verwenden disjunktive Normalformen und Entscheidungsbäume mit Schwellwerten von Finanzkennzahlen als interpretierbare Modelle. Als nicht interpretierbare Modelle werden Random Forests, künstliche Neuronale Netze und Support Vector Machines verwendet. Darüber hinaus haben wir einen eigenen Lernalgorithmus Thresholder entwickelt, welcher disjunktive Normalformen und interpretierbare Mehrklassenmodelle generiert. Für die Aufgabe der Insolvenzprognose zeigen wir, dass interpretierbare Modelle den nicht interpretierbaren Modellen nicht unterlegen sind. Dazu wird in einer ersten Fallstudie eine in der Praxis verwendete Datenbank mit Jahresabschlüssen von 5152 Unternehmen verwendet, um die Vorhersagegenauigkeit aller oben genannter Modelle zu messen. In einer zweiten Fallstudie zur Vorhersage von Ratings demonstrieren wir, dass interpretierbare Modelle den nicht interpretierbaren Modellen sogar überlegen sind. Die Vorhersagegenauigkeit aller Modelle wird anhand von drei in der Praxis verwendeten Datensätzen bestimmt, welche jeweils drei Ratingklassen aufweisen. In den Fallstudien vergleichen wir verschiedene interpretierbare Ansätze bezüglich deren Modellgrößen und der Form der Interpretierbarkeit. Wir präsentieren exemplarische Modelle, welche auf den entsprechenden Datensätzen basieren und bieten dafür Interpretationsansätze an. Unsere Ergebnisse zeigen, dass interpretierbare, schwellwertbasierte Modelle den Klassifikationsproblemen in der Finanzbranche angemessen sind. In diesem Bereich sind sie komplexeren Modellen, wie z.B. den Support Vector Machines, nicht unterlegen. Unser Algorithmus Thresholder erzeugt die kleinsten Modelle während seine Vorhersagegenauigkeit vergleichbar mit den anderen interpretierbaren Modellen bleibt. In unserer Fallstudie zu Rating liefern die interpretierbaren Modelle deutlich bessere Ergebnisse als bei der zur Insolvenzprognose (s. o.). Eine mögliche Erklärung dieser Ergebnisse bietet die Tatsache, dass Ratings im Gegensatz zu Insolvenzen menschengemacht sind. Das bedeutet, dass Ratings auf Entscheidungen von Menschen beruhen, welche in interpretierbaren Regeln, z.B. logischen Verknüpfungen von Schwellwerten, denken. Daher gehen wir davon aus, dass interpretierbare Modelle zu den Problemstellungen passen und diese interpretierbaren Regeln erkennen und abbilden.

Die zentralen Fragestellungen der Arbeit sind, wie die Insolvenzwahrscheinlichkeiten von Unternehmen prognostiziert und wie sie durch zielgerichtetes Handeln beeinflusst werden können. Hierzu gibt der Autor zunächst einen ausführlichen Überblick über die derzeit in Wissenschaft und Praxis verwendeten Ansätze zur Prognose von Unternehmensinsolvenzen, Schätzgütemaßen von Insolvenzprognosen sowie Datenquellen, die für die Prognose von Unternehmensinsolvenzen zur Verfügung stehen. Anschließend entwickelt er ein kausales Unternehmensmodell, das er mit stochastischen Simulationsverfahren analysiert. Das Modell wird validiert und mit Benchmarkverfahren verglichen. Abschließend zeigt der Autor, wie das Modell zur Ableitung von Handlungsempfehlungen zur Beeinflussung der individuellen Insolvenzwahrscheinlichkeit von Unternehmen herangezogen werden kann.