- Hauptmenü-

Katalogdatenanzeige

Bankruptcy Prediction through Soft Computing based Deep Learning Technique

Kataloginformation Katalogdatensatz500268394 .

Kataloginformation
Feldname	Details
Vorliegende Sprache	eng
ISBN	978-981-10-6682-5
Name	Chaudhuri, Arindam
Name	Ghosh, Soumya K. ¬[VerfasserIn]¬
Name ANZEIGE DER KETTE	Ghosh, Soumya K. ¬[VerfasserIn]¬
T I T E L	Bankruptcy Prediction through Soft Computing based Deep Learning Technique
Verlagsort	Singapore
Verlag	Springer Singapore
Erscheinungsjahr	2017
Erscheinungsjahr	2017
Umfang	Online-Ressource (XVII, 102 p. 59 illus, online resource)
Reihe	SpringerLink. Bücher
Notiz / Fußnoten	Includes bibliographical references
Titelhinweis	Erscheint auch als (Druck-Ausgabe)ISBN: 978-981-10-6682-5
ISBN	ISBN 978-981-10-6683-2
Klassifikation	UYZG
	COM070000
	005.437
	4.019
	QA76.9.U83
	QA76.9.H85
Kurzbeschreibung	This book proposes complex hierarchical deep architectures (HDA) for predicting bankruptcy, a topical issue for business and corporate institutions that in the past has been tackled using statistical, market-based and machine-intelligence prediction models. The HDA are formed through fuzzy rough tensor deep staking networks (FRTDSN) with structured, hierarchical rough Bayesian (HRB) models. FRTDSN is formalized through TDSN and fuzzy rough sets, and HRB is formed by incorporating probabilistic rough sets in structured hierarchical Bayesian model. Then FRTDSN is integrated with HRB to form the compound FRTDSN-HRB model. HRB enhances the prediction accuracy of FRTDSN-HRB model. The experimental datasets are adopted from Korean construction companies and American and European non-financial companies, and the research presented focuses on the impact of choice of cut-off points, sampling procedures and business cycle on the accuracy of bankruptcy prediction models. The book also highlights the fact that misclassification can result in erroneous predictions leading to prohibitive costs to investors and the economy, and shows that choice of cut-off point and sampling procedures affect rankings of various models. It also suggests that empirical cut-off points estimated from training samples result in the lowest misclassification costs for all the models. The book confirms that FRTDSN-HRB achieves superior performance compared to other statistical and soft-computing models. The experimental results are given in terms of several important statistical parameters revolving different business cycles and sub-cycles for the datasets considered and are of immense benefit to researchers working in this area
2. Kurzbeschreibung	Introduction -- Need of this Research -- Literature Review -- Bankruptcy Prediction Methodology -- Need for Risk Classification -- Experimental Framework: Bankruptcy Prediction using Soft Computing based Deep Learning Technique.- Datasets Used -- Experimental Results -- Conclusion
SWB-Titel-Idn	496905791
Signatur	Springer E-Book
Bemerkungen	Elektronischer Volltext - Campuslizenz
Elektronische Adresse	$uhttp://dx.doi.org/10.1007/978-981-10-6683-2
Internetseite / Link	Volltext
Siehe auch	Volltext
Siehe auch	Cover

ISBD-Anzeige Katalogdatensatz500268394

Kategorien-Anzeige Katalogdatensatz500268394

Titel zur Titelsammlung hinzufügen Katalogdatensatz500268394

Kataloginformation500268394 Datensatzanfang . Kataloginformation500268394 Seitenanfang .

Titel vormerken Katalogdatensatz500268394

Vollanzeige Katalogdaten

Auf diesem Bildschirm erhalten Sie Katalog- und Exemplarinformationen zum ausgewählten Titel.

Im Bereich Kataloginformation werden die bibliographischen Details angezeigt. Per Klick auf Hyperlink-Begriffe wie Schlagwörter, Autoren, Reihen, Körperschaften und Klassifikationen können Sie sich weitere Titel des gewählten Begriffes anzeigen lassen.

Der Bereich Exemplarinformationen enthält zum einen Angaben über den Standort und die Verfügbarkeit der Exemplare. Zum anderen haben Sie die Möglichkeit, ausgeliehene Exemplare vorzumerken oder Exemplare aus dem Magazin zu bestellen.