Open Access

Volodymyr Perederiy

• Das vorliegende Dissertationsprojekt hatte zwei zentrale Schwerpunkte. Den ersten Schwerpunkt bildete die innovative Insolvenzprognosemodellierung für ukrainische Unternehmen. Dafür wurde im Wesentlichen die moderne internationale Standardmethodik zur Insolvenzprognose auf Basis der logistischen Regression übernommen. Es mussten dennoch auch einige ukrainische Spezifika berücksichtigt werden. Es konnten ausschließlich bilanzielle offenlegungspflichtige Informationen verwendet werden. Die Jahresabschlüsse sind dabei nach den ukrainischen Rechnungslegungsstandards (UAS) verfasst, die auf internationalen Rechnungslegungsstandards (IAS) basieren. Die Kennzahlenbildung erfolgte deswegen nach den Mustern, die für IAS/US-GAAP üblich sind. Abgesehen von den traditionellen Kennzahlen wurden auch zusätzliche, technisch generierte Kennzahlen untersucht. Diese wurden durch geeignete Normierung der sämtlichen vorhandenen Bilanz- und GuV-Posten gebildet. Diese technischen Kennzahlen hatten den Zweck, die für großeDas vorliegende Dissertationsprojekt hatte zwei zentrale Schwerpunkte. Den ersten Schwerpunkt bildete die innovative Insolvenzprognosemodellierung für ukrainische Unternehmen. Dafür wurde im Wesentlichen die moderne internationale Standardmethodik zur Insolvenzprognose auf Basis der logistischen Regression übernommen. Es mussten dennoch auch einige ukrainische Spezifika berücksichtigt werden. Es konnten ausschließlich bilanzielle offenlegungspflichtige Informationen verwendet werden. Die Jahresabschlüsse sind dabei nach den ukrainischen Rechnungslegungsstandards (UAS) verfasst, die auf internationalen Rechnungslegungsstandards (IAS) basieren. Die Kennzahlenbildung erfolgte deswegen nach den Mustern, die für IAS/US-GAAP üblich sind. Abgesehen von den traditionellen Kennzahlen wurden auch zusätzliche, technisch generierte Kennzahlen untersucht. Diese wurden durch geeignete Normierung der sämtlichen vorhandenen Bilanz- und GuV-Posten gebildet. Diese technischen Kennzahlen hatten den Zweck, die für große Industrienationen untypischen Zusammenhänge zu erfassen. Es konnten tatsächlich einige solche Kennzahlen identifiziert werden, die die Insolvenzprognose für ukrainische Unternehmen deutlich verbessern. Dies war auch für einige kategoriale Größen der Fall. So erwies sich bspw. die Region innerhalb der Ukraine ebenfalls als aussagekräftig. Den zweiten Schwerpunkt der Dissertation bildeten die Verfahren zur Kennzahlenauswahl für Insolvenzprognose in den Industrienationen (am Bespiel von Deutschland und USA). Die Auswahl von geeigneten bilanziellen Kennzahlen ist für diese Länder immer noch ein großes Problem, für die es noch keine Standardlösung gibt. Dies ist vor allem auf die betriebswirtschaftliche Theoriedefizite der bilanzbasierten Insolvenzprognose zurückzuführen. Auch die statistische Auswahl der Kennzahlen als erklärenden Variablen ist problematisch. Es wurden deswegen zwei alternative Methoden zur Kennzahlenauswahl vorgeschlagen. Die erste Methode ist betriebswirtschaftlich orientiert, die zweite – statistisch geprägt. Die erste Methode verdichtet die über 40 berücksichtigten traditionellen Liquiditäts- und Solvenzkennzahlen zu einer einziger aggregierten Kennzahl und macht auf diese Weise eine diesbezügliche Kennzahlenauswahl überflüssig. Dies wird durch geeignete Gewichtung und Division der üblichen, auch in den traditionellen Kennzahlen vorkommenden Bilanz- und GuV-Posten erreicht. Es wird gezeigt, wie die Gewichte anhand von empirischen Insolvenzdaten (in diesem Fall für deutsche GmbHs) angepasst werden können. Die Methode wird mit der populären statistischen Methode der schrittweisen Selektion verglichen. Es stellt sich heraus, dass die aggregierten Kennzahlen zur besseren Prognosegüte durch schwächeres Overfitting führen können. Zu den weiteren Vorteilen der aggregierten Kennzahl zählt die Erkenntnis, dass ihre Gewichte in vielen Fällen leichter zu interpretieren sind als Regressionskoeffizienten der traditionellen Kennzahlen. Die zweite Methode verwendet das innovative statistische Lasso-Verfahren zur Kennzahlenauswahl im Rahmen eines Insolvenzprognosemodells für US-amerikanische Grossunternehmen. Lasso ist ein neues vielversprechendes Verfahren zur Auswahl erklärender Variablen in multivariater Regression und bietet viele theoretische Vorteile im Vergleich zu traditionellen statistischen Verfahren. Da das Verfahren neu ist, existieren bis heute nur wenige empirische Untersuchungen, die auf dieses Verfahren zurückgreifen. In diesem Teilbeitrag wird auf die sehr umfassende Compustat-Datenbank zurückgegriffen. Dies ermöglicht die Erfassung praktisch aller relevanten öffentlich verfügbaren Bilanz- und Marktinformationen. Daraus werden insbesondere 100 traditionelle bilanzielle und markbasierte Kennzahlen gebildet. Es werden auch ca. 600 weitere, nicht traditionelle Kennzahlen in die Variablenauswahl einbezogen. Diese erfassen beispielsweise Trends und Branchendurchschnitte in den traditionellen Kennzahlen, berücksichtigen die detaillierten Bilanz- und GuV-Posten usw.. Die sehr präzise Datenerfassung in der Compustat-Datenbank hat es des Weiteren ermöglicht, die fehlenden bilanziellen Informationen als solche zu erkennen und die Qualität des Jahresabschlusses als weitere erklärende Variablen für Insolvenzprognose zu verwenden. Das Lasso-Verfahren wurde auch bei diesen Untersuchungen mit der traditionellen statistischen schrittweisen Auswahl verglichen. Die Prognoseperformance wurde dabei zuverlässig mittels Kreuzvalidierung abgeschätzt. Durch geeignete statistische Signifikanztests wurde gezeigt, dass Lasso in der Tat genauere Prognose liefert. Viele der oben erwähnten nicht traditionellen Informationen erwiesen sich dabei als nützlich. Das Lasso-Verfahren ermöglicht dabei diese Informationen so zu berücksichtigen, dass die traditionellen Kennzahlen nicht ersetzt, sondern lediglich vervollständigt werden.…
• This PhD thesis has two main emphases. First, the author constructs a default prediction model for Ukrainian corporations. No previous advanced studies had previously investigated this issue, although the necessary data are publicly available, at least for Ukrainian Open-Joint-Stock companies. The author used for this modelling the standard default-prediction methodology. However, some specific issues had to be accounted for. To better reflect Ukrainian specifics, some non-traditional ratios and indicators were e.g. investigated (and found useful). Also, the market information had to be ignored as it proved unreliable here. The second emphasis in the PhD project at hand was made on the variable selection problem in the context of default prediction modelling for developed market economies. The modelling methodology being quite established and advanced here, there still exists no universal method for selecting explanatory variables (ratios, indicators). The author proposes and investigates two methods forThis PhD thesis has two main emphases. First, the author constructs a default prediction model for Ukrainian corporations. No previous advanced studies had previously investigated this issue, although the necessary data are publicly available, at least for Ukrainian Open-Joint-Stock companies. The author used for this modelling the standard default-prediction methodology. However, some specific issues had to be accounted for. To better reflect Ukrainian specifics, some non-traditional ratios and indicators were e.g. investigated (and found useful). Also, the market information had to be ignored as it proved unreliable here. The second emphasis in the PhD project at hand was made on the variable selection problem in the context of default prediction modelling for developed market economies. The modelling methodology being quite established and advanced here, there still exists no universal method for selecting explanatory variables (ratios, indicators). The author proposes and investigates two methods for handling this problem. The first method is motivated economically and consists in aggregating the information from numerous accounting ratios in one single aggregated ratio. This ratio is intuitively built as weighted assets and revenues divided by weighted liabilities and expenses. This specification captures information contained in many traditional ratios from the categories “liquidity” and “solvency”. The aggregated ratio was shown to be less susceptible to the problem of data overfitting than the traditional stepwise. The method can be extended to other categories, such as profitability. The second selection technique the author proposes is rather statistical and consists in applying the innovative lasso regularization methodology. The author uses the method to select ratios from a large universe of explanatory ratios built from Compustat accounting and market data. The method was shown to perform better than the traditional stepwise selection in terms of cross-validated prediction accuracy. Besides, lasso can be easily tuned to implement a hierarchy of explanatory variables. This feature was exploited to identify non-traditional ratios which complement (rather than displace) the traditional ratios. All presented models achieve high degrees of prediction power. They can be used for real-life default prediction for Ukrainian and US corporations and German GmbHs. All in all, the results of this PhD thesis indicate that there are still open areas in the field of single-obligor default modelling. In particular, the models may have to be adjusted considerably when extended to new emerging markets. Also, even for developed economies, the issue of optimal selection of explanatory methods is not yet solved. Just two particular solutions, out of possibly many, consist in aggregating the candidate ratios in a single one or in applying new innovative statistical selection methods such as lasso.…