{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5311369"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5311369","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"From Audit Opinion Analysis to Stock Market Signals: Bankruptcy Prediction and Short Selling Strategies","abstract":"Αυτή η διατριβή εξετάζει τη δυνητική προγνωστική αξία των γνωμών ελέγχου (audit opinions) για την πρόβλεψη εταιρικών πτωχεύσεων και των επακόλουθων μεταβολών στις τιμές μετοχών στην αγορά των Ηνωμένων Πολιτειών. Οι περισσότερες προηγούμενες έρευνες σχετικά με την πρόβλεψη πτώχευσης βασίζονται σε εκτενείς χρηματοοικονομικές γνωστοποιήσεις (όπως οι καταχωρίσεις τύπου Item 10) ή συνδυάζουν αυτές τις πληροφορίες με δεδομένα από γνωμοδοτήσεις ελέγχου. Η παρούσα έρευνα υιοθετεί μια διαφορετική προσέγγιση, απομονώνοντας τις γνωμοδοτήσεις ελέγχου ως τη μοναδική πηγή πρόβλεψης, λόγω της άμεσης διαθεσιμότητάς τους, της ευκολίας ερμηνείας τους και της υπολογιστικής τους αποδοτικότητας σε περιορισμένα περιβάλλοντα μοντελοποίησης. Η ανάλυση χρησιμοποιεί μια σειρά από κλασικές τεχνικές μηχανικής μάθησης — συμπεριλαμβανομένων της λογιστικής παλινδρόμησης (logistic regression) και των συνδυαστικών ταξινομητών τύπου “stacked ensemble” — για να αξιολογήσει αν τα γλωσσικά χαρακτηριστικά που εξάγονται από τις εκθέσεις ελέγχου μπορούν να λειτουργήσουν ως αποτελεσματικοί δείκτες οικονομικής δυσχέρειας. Το σύνολο δεδομένων της μελέτης κατασκευάστηκε από ένα υποσύνολο των δεδομένων ECL, εστιάζοντας σε μετοχές αμερικανικών εταιρειών για την περίοδο 1998–2021. Κάθε μετοχή έπρεπε να διαθέτει τόσο διαθέσιμη γνώμη ελέγχου όσο και επαληθεύσιμο αποτέλεσμα πτώχευσης (συγκεκριμένα, αν η πτώχευση συνέβη εντός ενός έτους από την έκδοση της γνώμης). Για να αντιμετωπιστεί η έντονη ανισορροπία μεταξύ των κλάσεων — καθώς οι πτωχεύσεις αποτελούσαν λιγότερο από 1% του αρχικού δείγματος — η μειονοτική κλάση ενισχύθηκε με τη χρήση ελαφρών μεγάλων γλωσσικών μοντέλων (LLMs) με λιγότερες από οκτώ δισεκατομμύρια παραμέτρους. Αυτή η τεχνική διεύρυνε αποτελεσματικά τα δεδομένα, εξισορροπώντας την κατανομή των κλάσεων περίπου στο 86%–14%, παρέχοντας έτσι μια πιο σταθερή βάση για την εκπαίδευση των μοντέλων. Δημιουργήθηκαν τέσσερα μοντέλα μηχανικής μάθησης: τρία συνδυαστικά ταξινομητικά μοντέλα (stacked ensemble classifiers) και ένα βασικό μοντέλο λογιστικής παλινδρόμησης. Προχωρώντας πέρα από την παραδοσιακή πρόβλεψη πτώχευσης, οι παραγόμενες πιθανότητες χρησιμοποιήθηκαν ως σήματα συναλλαγών για την έναρξη “short” θέσεων αμέσως μετά τη δημοσιοποίηση μιας γνώμης ελέγχου. Ενδιαφέρον παρουσιάζει το γεγονός ότι το μοντέλο με τη χαμηλότερη βαθμολογία F1 στην πρόβλεψη πτώχευσης παρήγαγε τις υψηλότερες αποδόσεις στις συναλλαγές. Το βασικό αυτό εύρημα υποδεικνύει ότι οι γνώμες ελέγχου που καταδεικνύουν σημαντική οικονομική αβεβαιότητα — ακόμη και σε περιπτώσεις που δεν καταλήγουν σε επίσημη πτώχευση — μπορούν να προηγούνται σημαντικών πτώσεων στις αποδόσεις των μετοχών. Συνολικά, η έρευνα αυτή συνδέει τη χρηματοοικονομική λογιστική, την επεξεργασία φυσικής γλώσσας (NLP) και τη ποσοτική χρηματοοικονομική, καταδεικνύοντας ότι οι γνώμες ελέγχου, όταν υποβάλλονται σε επεξεργασία μέσω ελαφρών LLMs και κλασικών μεθόδων συνδυαστικής μάθησης, μπορούν να προσφέρουν πολύτιμες προγνωστικές πληροφορίες τόσο για την πρόβλεψη πτώχευσης όσο και για την εκτίμηση αρνητικών κινήσεων στις τιμές των μετοχών.","abstract_html":"Αυτή η διατριβή εξετάζει τη δυνητική προγνωστική αξία των γνωμών ελέγχου (audit opinions) για την πρόβλεψη εταιρικών πτωχεύσεων και των επακόλουθων μεταβολών στις τιμές μετοχών στην αγορά των Ηνωμένων Πολιτειών. Οι περισσότερες προηγούμενες έρευνες σχετικά με την πρόβλεψη πτώχευσης βασίζονται σε εκτενείς χρηματοοικονομικές γνωστοποιήσεις (όπως οι καταχωρίσεις τύπου Item 10) ή συνδυάζουν αυτές τις πληροφορίες με δεδομένα από γνωμοδοτήσεις ελέγχου. Η παρούσα έρευνα υιοθετεί μια διαφορετική προσέγγιση, απομονώνοντας τις γνωμοδοτήσεις ελέγχου ως τη μοναδική πηγή πρόβλεψης, λόγω της άμεσης διαθεσιμότητάς τους, της ευκολίας ερμηνείας τους και της υπολογιστικής τους αποδοτικότητας σε περιορισμένα περιβάλλοντα μοντελοποίησης. Η ανάλυση χρησιμοποιεί μια σειρά από κλασικές τεχνικές μηχανικής μάθησης — συμπεριλαμβανομένων της λογιστικής παλινδρόμησης (logistic regression) και των συνδυαστικών ταξινομητών τύπου “stacked ensemble” — για να αξιολογήσει αν τα γλωσσικά χαρακτηριστικά που εξάγονται από τις εκθέσεις ελέγχου μπορούν να λειτουργήσουν ως αποτελεσματικοί δείκτες οικονομικής δυσχέρειας. Το σύνολο δεδομένων της μελέτης κατασκευάστηκε από ένα υποσύνολο των δεδομένων ECL, εστιάζοντας σε μετοχές αμερικανικών εταιρειών για την περίοδο 1998–2021. Κάθε μετοχή έπρεπε να διαθέτει τόσο διαθέσιμη γνώμη ελέγχου όσο και επαληθεύσιμο αποτέλεσμα πτώχευσης (συγκεκριμένα, αν η πτώχευση συνέβη εντός ενός έτους από την έκδοση της γνώμης). Για να αντιμετωπιστεί η έντονη ανισορροπία μεταξύ των κλάσεων — καθώς οι πτωχεύσεις αποτελούσαν λιγότερο από 1% του αρχικού δείγματος — η μειονοτική κλάση ενισχύθηκε με τη χρήση ελαφρών μεγάλων γλωσσικών μοντέλων (LLMs) με λιγότερες από οκτώ δισεκατομμύρια παραμέτρους. Αυτή η τεχνική διεύρυνε αποτελεσματικά τα δεδομένα, εξισορροπώντας την κατανομή των κλάσεων περίπου στο 86%–14%, παρέχοντας έτσι μια πιο σταθερή βάση για την εκπαίδευση των μοντέλων. Δημιουργήθηκαν τέσσερα μοντέλα μηχανικής μάθησης: τρία συνδυαστικά ταξινομητικά μοντέλα (stacked ensemble classifiers) και ένα βασικό μοντέλο λογιστικής παλινδρόμησης. Προχωρώντας πέρα από την παραδοσιακή πρόβλεψη πτώχευσης, οι παραγόμενες πιθανότητες χρησιμοποιήθηκαν ως σήματα συναλλαγών για την έναρξη “short” θέσεων αμέσως μετά τη δημοσιοποίηση μιας γνώμης ελέγχου. Ενδιαφέρον παρουσιάζει το γεγονός ότι το μοντέλο με τη χαμηλότερη βαθμολογία F1 στην πρόβλεψη πτώχευσης παρήγαγε τις υψηλότερες αποδόσεις στις συναλλαγές. Το βασικό αυτό εύρημα υποδεικνύει ότι οι γνώμες ελέγχου που καταδεικνύουν σημαντική οικονομική αβεβαιότητα — ακόμη και σε περιπτώσεις που δεν καταλήγουν σε επίσημη πτώχευση — μπορούν να προηγούνται σημαντικών πτώσεων στις αποδόσεις των μετοχών. Συνολικά, η έρευνα αυτή συνδέει τη χρηματοοικονομική λογιστική, την επεξεργασία φυσικής γλώσσας (NLP) και τη ποσοτική χρηματοοικονομική, καταδεικνύοντας ότι οι γνώμες ελέγχου, όταν υποβάλλονται σε επεξεργασία μέσω ελαφρών LLMs και κλασικών μεθόδων συνδυαστικής μάθησης, μπορούν να προσφέρουν πολύτιμες προγνωστικές πληροφορίες τόσο για την πρόβλεψη πτώχευσης όσο και για την εκτίμηση αρνητικών κινήσεων στις τιμές των μετοχών.","abstract_has_math":false,"creators":["Πανουτσάκος Κωνσταντίνος","Panoutsakos Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:40:45Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311369"],"render_values":[{"text":"uoadl:5311369","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311369","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5311369","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5311369","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Πανουτσάκος Κωνσταντίνος","Panoutsakos Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5311369","https://pergamos.lib.uoa.gr/uoa/dl/object/5311369"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Αυτή η διατριβή εξετάζει τη δυνητική προγνωστική αξία των γνωμών ελέγχου (audit opinions) για την πρόβλεψη εταιρικών πτωχεύσεων και των επακόλουθων μεταβολών στις τιμές μετοχών στην αγορά των Ηνωμένων Πολιτειών. Οι περισσότερες προηγούμενες έρευνες σχετικά με την πρόβλεψη πτώχευσης βασίζονται σε εκτενείς χρηματοοικονομικές γνωστοποιήσεις (όπως οι καταχωρίσεις τύπου Item 10) ή συνδυάζουν αυτές τις πληροφορίες με δεδομένα από γνωμοδοτήσεις ελέγχου. Η παρούσα έρευνα υιοθετεί μια διαφορετική προσέγγιση, απομονώνοντας τις γνωμοδοτήσεις ελέγχου ως τη μοναδική πηγή πρόβλεψης, λόγω της άμεσης διαθεσιμότητάς τους, της ευκολίας ερμηνείας τους και της υπολογιστικής τους αποδοτικότητας σε περιορισμένα περιβάλλοντα μοντελοποίησης. Η ανάλυση χρησιμοποιεί μια σειρά από κλασικές τεχνικές μηχανικής μάθησης — συμπεριλαμβανομένων της λογιστικής παλινδρόμησης (logistic regression) και των συνδυαστικών ταξινομητών τύπου “stacked ensemble” — για να αξιολογήσει αν τα γλωσσικά χαρακτηριστικά που εξάγονται από τις εκθέσεις ελέγχου μπορούν να λειτουργήσουν ως αποτελεσματικοί δείκτες οικονομικής δυσχέρειας. Το σύνολο δεδομένων της μελέτης κατασκευάστηκε από ένα υποσύνολο των δεδομένων ECL, εστιάζοντας σε μετοχές αμερικανικών εταιρειών για την περίοδο 1998–2021. Κάθε μετοχή έπρεπε να διαθέτει τόσο διαθέσιμη γνώμη ελέγχου όσο και επαληθεύσιμο αποτέλεσμα πτώχευσης (συγκεκριμένα, αν η πτώχευση συνέβη εντός ενός έτους από την έκδοση της γνώμης). Για να αντιμετωπιστεί η έντονη ανισορροπία μεταξύ των κλάσεων — καθώς οι πτωχεύσεις αποτελούσαν λιγότερο από 1% του αρχικού δείγματος — η μειονοτική κλάση ενισχύθηκε με τη χρήση ελαφρών μεγάλων γλωσσικών μοντέλων (LLMs) με λιγότερες από οκτώ δισεκατομμύρια παραμέτρους. Αυτή η τεχνική διεύρυνε αποτελεσματικά τα δεδομένα, εξισορροπώντας την κατανομή των κλάσεων περίπου στο 86%–14%, παρέχοντας έτσι μια πιο σταθερή βάση για την εκπαίδευση των μοντέλων. Δημιουργήθηκαν τέσσερα μοντέλα μηχανικής μάθησης: τρία συνδυαστικά ταξινομητικά μοντέλα (stacked ensemble classifiers) και ένα βασικό μοντέλο λογιστικής παλινδρόμησης. Προχωρώντας πέρα από την παραδοσιακή πρόβλεψη πτώχευσης, οι παραγόμενες πιθανότητες χρησιμοποιήθηκαν ως σήματα συναλλαγών για την έναρξη “short” θέσεων αμέσως μετά τη δημοσιοποίηση μιας γνώμης ελέγχου. Ενδιαφέρον παρουσιάζει το γεγονός ότι το μοντέλο με τη χαμηλότερη βαθμολογία F1 στην πρόβλεψη πτώχευσης παρήγαγε τις υψηλότερες αποδόσεις στις συναλλαγές. Το βασικό αυτό εύρημα υποδεικνύει ότι οι γνώμες ελέγχου που καταδεικνύουν σημαντική οικονομική αβεβαιότητα — ακόμη και σε περιπτώσεις που δεν καταλήγουν σε επίσημη πτώχευση — μπορούν να προηγούνται σημαντικών πτώσεων στις αποδόσεις των μετοχών. Συνολικά, η έρευνα αυτή συνδέει τη χρηματοοικονομική λογιστική, την επεξεργασία φυσικής γλώσσας (NLP) και τη ποσοτική χρηματοοικονομική, καταδεικνύοντας ότι οι γνώμες ελέγχου, όταν υποβάλλονται σε επεξεργασία μέσω ελαφρών LLMs και κλασικών μεθόδων συνδυαστικής μάθησης, μπορούν να προσφέρουν πολύτιμες προγνωστικές πληροφορίες τόσο για την πρόβλεψη πτώχευσης όσο και για την εκτίμηση αρνητικών κινήσεων στις τιμές των μετοχών.","This thesis examines the potential predictive value of audit opinions for forecasting corporate bankruptcy and subsequent stock price movements within the U.S. market. Most prior work on bankruptcy prediction relies on comprehensive financial disclosures (such as Item 10 filings) or combines these with audit opinion data. This research takes a distinct approach, isolating audit opinions as the sole predictive source due to their ready accessibility, interpretability, and computational efficiency for constrained modeling environments. The analysis employs a range of classical machine learning techniques—including logistic regression and stacked ensemble classifiers—to evaluate whether textual features extracted from audit reports can serve as effective indicators of financial distress. The study constructed its working dataset from a subset of the ECL data, focusing on U.S. stocks from 1998 to 2021. Critically, each stock required both an available audit opinion and a verifiable bankruptcy outcome (specifically, whether bankruptcy occurred within one year of the opinion's issuance). To address the severe class imbalance---where bankruptcies constituted less than 1% of the original sample---the minority class was augmented using lightweight large language models (LLMs), each having fewer than eight billion parameters. This technique effectively expanded the data, rebalancing the class distribution to approximately 86%–14%, thereby providing a more stable foundation for model training. Four machine learning models were then created: three stacked ensemble classifiers and a logistic regression baseline. Moving beyond traditional bankruptcy forecasting, the resulting probabilities were employed as trading signals to initiate short positions immediately following the release of an audit opinion Interestingly, the model with the weakest F1 score for bankruptcy prediction produced the highest trading returns. This key finding suggests that audit opinions indicating significant financial uncertainty---even in cases that do not result in formal bankruptcy---can precede substantial declines in stock performance. In sum, this research connects financial auditing, natural language processing, and quantitative finance, indicating that audit opinions, when processed via lightweight LLM-assisted augmentation and classical ensemble learning, may offer valuable predictive insights for both bankruptcy forecasting and anticipating adverse stock price movements."]},{"key":"dc:title","label":"Title","values":["From Audit Opinion Analysis to Stock Market Signals: Bankruptcy Prediction and Short Selling Strategies"]}]}],"canonical_facts":{"dc:creator":["Πανουτσάκος Κωνσταντίνος","Panoutsakos Konstantinos"],"dc:date":["2025"],"dc:description":["Αυτή η διατριβή εξετάζει τη δυνητική προγνωστική αξία των γνωμών ελέγχου (audit opinions) για την πρόβλεψη εταιρικών πτωχεύσεων και των επακόλουθων μεταβολών στις τιμές μετοχών στην αγορά των Ηνωμένων Πολιτειών. Οι περισσότερες προηγούμενες έρευνες σχετικά με την πρόβλεψη πτώχευσης βασίζονται σε εκτενείς χρηματοοικονομικές γνωστοποιήσεις (όπως οι καταχωρίσεις τύπου Item 10) ή συνδυάζουν αυτές τις πληροφορίες με δεδομένα από γνωμοδοτήσεις ελέγχου. Η παρούσα έρευνα υιοθετεί μια διαφορετική προσέγγιση, απομονώνοντας τις γνωμοδοτήσεις ελέγχου ως τη μοναδική πηγή πρόβλεψης, λόγω της άμεσης διαθεσιμότητάς τους, της ευκολίας ερμηνείας τους και της υπολογιστικής τους αποδοτικότητας σε περιορισμένα περιβάλλοντα μοντελοποίησης. Η ανάλυση χρησιμοποιεί μια σειρά από κλασικές τεχνικές μηχανικής μάθησης — συμπεριλαμβανομένων της λογιστικής παλινδρόμησης (logistic regression) και των συνδυαστικών ταξινομητών τύπου “stacked ensemble” — για να αξιολογήσει αν τα γλωσσικά χαρακτηριστικά που εξάγονται από τις εκθέσεις ελέγχου μπορούν να λειτουργήσουν ως αποτελεσματικοί δείκτες οικονομικής δυσχέρειας. Το σύνολο δεδομένων της μελέτης κατασκευάστηκε από ένα υποσύνολο των δεδομένων ECL, εστιάζοντας σε μετοχές αμερικανικών εταιρειών για την περίοδο 1998–2021. Κάθε μετοχή έπρεπε να διαθέτει τόσο διαθέσιμη γνώμη ελέγχου όσο και επαληθεύσιμο αποτέλεσμα πτώχευσης (συγκεκριμένα, αν η πτώχευση συνέβη εντός ενός έτους από την έκδοση της γνώμης). Για να αντιμετωπιστεί η έντονη ανισορροπία μεταξύ των κλάσεων — καθώς οι πτωχεύσεις αποτελούσαν λιγότερο από 1% του αρχικού δείγματος — η μειονοτική κλάση ενισχύθηκε με τη χρήση ελαφρών μεγάλων γλωσσικών μοντέλων (LLMs) με λιγότερες από οκτώ δισεκατομμύρια παραμέτρους. Αυτή η τεχνική διεύρυνε αποτελεσματικά τα δεδομένα, εξισορροπώντας την κατανομή των κλάσεων περίπου στο 86%–14%, παρέχοντας έτσι μια πιο σταθερή βάση για την εκπαίδευση των μοντέλων. Δημιουργήθηκαν τέσσερα μοντέλα μηχανικής μάθησης: τρία συνδυαστικά ταξινομητικά μοντέλα (stacked ensemble classifiers) και ένα βασικό μοντέλο λογιστικής παλινδρόμησης. Προχωρώντας πέρα από την παραδοσιακή πρόβλεψη πτώχευσης, οι παραγόμενες πιθανότητες χρησιμοποιήθηκαν ως σήματα συναλλαγών για την έναρξη “short” θέσεων αμέσως μετά τη δημοσιοποίηση μιας γνώμης ελέγχου. Ενδιαφέρον παρουσιάζει το γεγονός ότι το μοντέλο με τη χαμηλότερη βαθμολογία F1 στην πρόβλεψη πτώχευσης παρήγαγε τις υψηλότερες αποδόσεις στις συναλλαγές. Το βασικό αυτό εύρημα υποδεικνύει ότι οι γνώμες ελέγχου που καταδεικνύουν σημαντική οικονομική αβεβαιότητα — ακόμη και σε περιπτώσεις που δεν καταλήγουν σε επίσημη πτώχευση — μπορούν να προηγούνται σημαντικών πτώσεων στις αποδόσεις των μετοχών. Συνολικά, η έρευνα αυτή συνδέει τη χρηματοοικονομική λογιστική, την επεξεργασία φυσικής γλώσσας (NLP) και τη ποσοτική χρηματοοικονομική, καταδεικνύοντας ότι οι γνώμες ελέγχου, όταν υποβάλλονται σε επεξεργασία μέσω ελαφρών LLMs και κλασικών μεθόδων συνδυαστικής μάθησης, μπορούν να προσφέρουν πολύτιμες προγνωστικές πληροφορίες τόσο για την πρόβλεψη πτώχευσης όσο και για την εκτίμηση αρνητικών κινήσεων στις τιμές των μετοχών.","This thesis examines the potential predictive value of audit opinions for forecasting corporate bankruptcy and subsequent stock price movements within the U.S. market. Most prior work on bankruptcy prediction relies on comprehensive financial disclosures (such as Item 10 filings) or combines these with audit opinion data. This research takes a distinct approach, isolating audit opinions as the sole predictive source due to their ready accessibility, interpretability, and computational efficiency for constrained modeling environments. The analysis employs a range of classical machine learning techniques—including logistic regression and stacked ensemble classifiers—to evaluate whether textual features extracted from audit reports can serve as effective indicators of financial distress. The study constructed its working dataset from a subset of the ECL data, focusing on U.S. stocks from 1998 to 2021. Critically, each stock required both an available audit opinion and a verifiable bankruptcy outcome (specifically, whether bankruptcy occurred within one year of the opinion's issuance). To address the severe class imbalance---where bankruptcies constituted less than 1% of the original sample---the minority class was augmented using lightweight large language models (LLMs), each having fewer than eight billion parameters. This technique effectively expanded the data, rebalancing the class distribution to approximately 86%–14%, thereby providing a more stable foundation for model training. Four machine learning models were then created: three stacked ensemble classifiers and a logistic regression baseline. Moving beyond traditional bankruptcy forecasting, the resulting probabilities were employed as trading signals to initiate short positions immediately following the release of an audit opinion Interestingly, the model with the weakest F1 score for bankruptcy prediction produced the highest trading returns. This key finding suggests that audit opinions indicating significant financial uncertainty---even in cases that do not result in formal bankruptcy---can precede substantial declines in stock performance. In sum, this research connects financial auditing, natural language processing, and quantitative finance, indicating that audit opinions, when processed via lightweight LLM-assisted augmentation and classical ensemble learning, may offer valuable predictive insights for both bankruptcy forecasting and anticipating adverse stock price movements."],"dc:identifier":["uoadl:5311369","https://pergamos.lib.uoa.gr/uoa/dl/object/5311369"],"dc:language":["English"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["From Audit Opinion Analysis to Stock Market Signals: Bankruptcy Prediction and Short Selling Strategies"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:40:45Z"}