Financial distress analysis based on public data

Abstract

The hypothesis of the study is that the artificial intelligence tool developed in the study can be used to make estimates of the company's survival from the previous financial statements. Best results were acquired with neural network implementation. With five different datasets gathered from iXBRL format financial statements, results were gathered using random forests, principal component analysis logistic regression, support vector machine with different kernel types and neural network machine learning methods. iXBRL (inline eXtensible Business Reporting Language) is an open technology standard for financial reporting based on XML (eXtensible Markup Language). Document can be opened in browser and it is thus both human-readable and machine-readable. Data was gathered from the Finnish patent and registration office's interface Virre immediately when new iXBRL format financial statements data was available. Getting and understanding the data was big part of the study. Financial ratios that were used were gathered in co-operation with Tieke proof of concept: “Inline XBRL-muotoisten tilinpäätöstietojen hyödyntämisen kokeilu - An experiment in utilizing financial information in Inline XBRL format”. Bankruptcy in 1-2 years radius occurs with about 2% of companies in Finnish patent and registration office trade register, so dataset has relatively few “bankruptcy occurs” labels. For that reason their recall is main point in success, with majority vote 98% accuracy is acquired. Special situation came up in 2020 -21 with Covid-19 pandemic. Measures taken to prevent infection to spread caused economical turmoil and on the other hand extra benefits to companies and also legal prevention of bankruptcies changed the economical steps that normally lead to bankruptcy. Further development should be done with data centric approach, that is to develop data understanding and selection of datasets, and using neural network.

Tutkimuksen hypoteesi on, että tutkimuksessa kehitetyn tekoälytyökalun avulla voidaan tehdä arvioita yrityksen tulevasta selviytymisestä edellisen tilinpäätöksen perusteella. Parhaat tulokset saavutettiin neuroverkkototeutuksella. Viidellä erilaisella iXBRL-muotoisista tilinpäätöksistä kerätyllä tietojoukolla luotiin malli käyttäen random forests, principal component analysis, logistic regression, support vector machine and neural network koneoppimismenetelmiä. iXBRL (inline eXtensible Business Reporting Language) on avoin teknologiastandardi XML(eXtensible Markup Language). -pohjaiseen talousraportointiin Asiakirja voidaan avata myös selaimessa ja se on siten sekä ihmisen että koneellisesti luettavissa. Tiedot kerättiin Patentti- ja rekisterihallituksen Virre-liittymästä heti, kun uudet iXBRL-muotoiset tilinpäätöstiedot olivat saatavilla. Tietojen kerääminen uudesta tiedostomuodosta ja tilinpäätöstietojen merkityksen ymmärtäminen oli tärkeä osa tutkimusta. Käytetyt tunnusluvut koottiin yhteistyössä Tieken konseptitodistuksen "Inline XBRL-muotoisten tilinpäätöstietojen hyödyntämisen kokeilu". Konkurssi 1-2 vuoden säteellä tapahtuu noin 2 %:lla Suomen patentti- ja rekisterihallituksen kaupparekisterissä olevista yrityksistä, joten aineistossa on suhteellisen vähän "konkurssi tapahtuu" -merkintöjä. Tästä syystä niiden tunnistaminen on tärkein mittari, enemmistöäänestyksellä kun jo saavutetaan 98 %:n tarkkuus. Erikoistilanne syntyi vuonna 2020 -21 Covid-19-pandemian myötä. Tartunnan leviämisen estämiseksi tehdyt toimenpiteet aiheuttivat talouselämässä epätavallisen tilanteen ja yrityksille suunnattiin runsaasti tukia, joita normaalisti ei ole ollut. Konkurssit estettiin kriisin ajaksi laaditulla lailla ja näin muutettiin oleellisesti taloudellisia olosuhteita jotka tavallisesti saattaisivat johtaa konkurssiin. Jatkokehitystä tulisi tehdä datakeskeisellä lähestymistavalla eli tiedon ymmärtämisen ja aineistojen valinnan kehittämisellä sekä neuroverkko tekoälytoteutuksen avulla.