Advertisement

Klassifikationsanwendungen

  • Karsten Füser
Chapter
  • 85 Downloads

Zusammenfassung

Neben der Prognose ist die Klassifikation der häufigste Anwendungsbereich Künstlicher Neuronaler Netze.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Referenzen

  1. 1.
    Blien, U./Lindner, H.-G.(1993), Seite 503.Google Scholar
  2. 2.
    Vgl. Fuser, K./Schmidtmeier, S.(1994), Seiten 59–63. Ergänzend zu diesem Aufsatz wurden von den drei Projektbeteiligten vorher, in wechselnder Autorenschaft zu diesem Thema, folgende Aufsätze veröffentlicht: 1) Loistl, O./Schmidtmeier, S./Füser, K.(1993), Seiten 163–189, 2) Loistl, O./Schmidtmeier, S.(1993), 3) Loistl, O.u.d.M.v. Schmidtmeier, S.(1992). Die umfassendste Diskussion des Ansatzes ist die Dissertation von S. Schmidtmeier, die unter dem Titel „Möglichkeiten zur Standardisierung der Anlageberatung unter Berücksichtigung aktueller Entwicklungen im Bankensektor — dargestellt am Beispiel der Sparkassen“ publiziert wurde.Google Scholar
  3. 3.
    Diese Bitte wurde im Jahre 1992 vom DSGV an Prof. Dr. O. Loistl, Wirtschaftsuniversität Wien, herangetragen. Zusammen mit S. Schmidtmeierwurde das hier vorgestellte Konzept entwickelt. Die Implementierung des Neuronalen Netzwerkes oblag allein dem Verfasser. Vgl. Loistl, O./Schmidtmeier, S./Füser, K.(1993).Google Scholar
  4. 4.
    Die Beschreibung wurde Schmidtmeier, S. (1995) entnommen.Google Scholar
  5. 5.
    Zur Erklärung einzelner Fragen und Antwortmöglichkeiten vgl. Schmidtmeier, S.(1995).Google Scholar
  6. 6.
    Vgl. Loistl, O./Schmidtmeier, S./Füser, K.(1993) sowie die Ausführungen zum Backpropagation-Verfahren in dieser Abhandlung.Google Scholar
  7. 7.
    Die WestLB bietet das hier vorgestellte Konzept den Sparkassen ihres Einzugbereiches unter dem Namen „BörsenProfil“ zur Kundenberatung bzw.-typisierung an. Vgl. Hilgers, M.(1995). Dort wird der aktuelle Funktionsumfang des Programmes „BörsenProfil“ für Windows, Version 5.0, skizziert, die noch erhebliche Erweiterungen gegenüber der hier dargestellten DOS-Version besitzt. M. Hilgersschreibt: „Rechtlich kritische Fragestellungen werden systematisch und strukturiert behandelt. Im Streitfall kommt klar zum Ausdruck, daß sich die Sparkasse intensiv um Informationen nach den Bestimmungen des Paragraph 31 WpHG bemüht hat. Die im gesamten Haus der Sparkasse identische Vorgehensweise schafft zudem die Sicherheit, daß derselbe Kunde bei unterschiedlichen Beratern in die gleiche Kategorie eingestuft wird. Beide Aspekte sind aus heutiger Sicht als klare ‚Pluspunkte‘ für das beratende Institut zu werten.“Google Scholar
  8. 8.
    Vgl. hierzu in Loistl, O./Schmidtmeier, S./Füser, K.(1993) die ausführlichen Darstellungen zur Berechnungsmethodik.Google Scholar
  9. 9.
    Vgl. hierzu eine Beispielrechnung im Anhang A. In ihr wird die Funktionsweise des ErrorBackpropagation-Algorithmus skizziert.Google Scholar
  10. 10.
    Vgl. z.B. Blien, U./Lindner, H.-G.(1993), Seiten 504 f. und die dort angegebenen Quellen.Google Scholar
  11. 11.
    Derartige wurden bereits in mehreren Untersuchungen zwischen der Höhe des Einkommens oder auch dem Alter des Anlegers und typischen mit der Kapitalanlage verbundenen Zielen festgestellt.Google Scholar
  12. 12.
    Vgl. Schmidtmeier, S.(1995).Google Scholar
  13. 13.
    Vgl. Fuser, K.(1994), Seite 229.Google Scholar
  14. 14.
    Vgl. Füser, K.(1994), Seiten 224 ff.Google Scholar
  15. 15.
    Vgl. Schmidtmeier, S.(1995), die einen in verschiedenen Sparkassen durchgeführten Test des Moduls im praktischen Einsatz beschreibt.Google Scholar
  16. 16.
    Vgl. auch Rehkugler, H./Poddig. T.(1994B), Seiten 3–23, zum Thema „Kimethoden in der Anlageberatung“.Google Scholar
  17. 17.
    Leker, J.(1994), Seite 604.Google Scholar
  18. 18.
    Vgl. Schumann, M./Lohrbach, T./Bährs, P.(1992), Seite 1.Google Scholar
  19. 19.
    Vgl. z.B. Schumann, M./Lohrbach, T./Bährs, P.(1992), Seiten 30 ff. Vgl. auch Wilbert, R. (1991), Seite 1382.Google Scholar
  20. 20.
    Vgl. Wilbert, R.(1991), Seite 1380.Google Scholar
  21. 21.
    Vgl. Schmidt-von Rhein, A./Rehkugler, H.(1994), Seite 494.Google Scholar
  22. 22.
    Vgl. v. Altrock, C.(1991), Seiten 626 f.Google Scholar
  23. 23.
    Vgl. Hawley, D. D./Johnson, J. D./Raina, D.(1990), Seite 70.Google Scholar
  24. 24.
    Vgl. Wilbert, R.(1991), Seite 1379.Google Scholar
  25. 25.
    Wilbert, R.(1991), Seite 1380.Google Scholar
  26. 26.
    Vgl. Schumann, M./Lohrbach, T./Bährs, P.(1992), Seite 10. In dem später noch diskutierten Ansatz werden in der Lernphase der Netzwerke identische Kosten zugrunde gelegt, obwohl eine differenzierte Betrachtung des Kostenverhältnisses erfolgt. Eine aufzugreifende Möglichkeit wäre, unterschiedliche Kosten, durch spezifische Formulierung der Fehlerfunktion, bereits in der Lernphase in die Netzoptimierung einfließen zu lassen. Vgl. hierzu auch schmidtvon Rhein, A./Rehkugler, H.(1994), Seite 520.Google Scholar
  27. 27.
    Vgl. ergänzend hierzu Pintaske, J.(1991), Seite 14. Dort wird ein neuronaler Ansatz zur Risikoeinstufung von Kreditantragstellern, bezogen auf die Vergabe eines Baudarlehens, deskriptiv diskutiert. Vgl. hierzu auch Collins, E./Ghosh, S./Scofield, C.(o.J.), Seiten 459–466 oder Schulte, B.(1989), Seite 158. Bei letzterer findet sich eine für das Jahr 1989 aus heutiger Sicht frühe Erkenntnis. Sie schreibt: „Die US-Banken, die mit einem derartigen neuronalen Netz (einem Neuronalen Netz zur Kreditwürdigkeitsprüfung von Privatkunden) arbeiten, haben damit gute Erfahrungen gemacht, obwohl — oder gerade weil — die Maschine in zweifelhaften Fällen eher für eine Kreditvergabe als für deren Ablehnung plädiert — bisher lag sie immer richtig. ‚Hätten wir das System schon früher gehabt‘, so das Urteil eines Geldinstitutes, wären unsere Einnahmen in den vergangenen fünf Jahren um ein gutes Vietel höher gewesen‘.“ a.a.O., Seite 158.Google Scholar
  28. 28.
    Vgl. Rehkugler, H./Poddig, T.(1992B), Seiten 413–419.Google Scholar
  29. 29.
    Vgl. Rehkugler, H./Poddig, T.(1992B), Seite 415.Google Scholar
  30. 30.
    Rehkugler, H./Schmidt-von Rhein, A.(1993), Seite 5.Google Scholar
  31. 31.
    #x201E;Daraus ergibt sich das Dilemma, eine Kreditwüürdigkeitsaussage auf der Basis der Daten bei Kreditantragstellung treffen zu müssen, obwohl die Gründe für eine spätere Leistungsstörung zu diesem Zeitpunkt noch nicht vorliegen müssen und damit aus den Daten auch nicht ableitbar sind. Beispiel dafür wäre plötzlich eintretende Arbeitslosigkeit des Kreditnehmers lange nach Kreditantragstellung, die dann zur Leistungsstörung führt.“ Rehkugler, H./Schmidt-von Rhein, A.(1993), Seite 7. Dagegen erlauben periodisch veröffentlichte Jahresabschlüsse, aus denen firmenbezogene Daten zur Kreditwüürdigkeitsanalyse von Unternehmen gewonnen werden, die Berücksichtigung der Dimension Zeit. Üblicherweise werden die Jahresabschlüsse (leistungsgestörter) Unternehmen von t-— n bis tuntersucht und zur Kreditwüürdigkeitsprognose herangezogen.Google Scholar
  32. 32.
    Vgl. Rehkugler, H./Poddig, T.(1992B), Seite 418. Vgl. ebenso Schumann, M./Lohrbach, T./BäHrrs, P.(1992), Seite 3.Google Scholar
  33. 33.
    Rehkugler, H./Poddig, T.(1992A), Seite 55.Google Scholar
  34. 34.
    Vgl. Rehkugler, H./Poddig, T.(1992B), Seite 419.Google Scholar
  35. 35.
    Vgl. Schmidt-von Rhein, A./Rehkugler, H.(1994), Seite 491–545. Vorab ist jedoch zu erwähnen, daß die Alternativenbetrachtungen der Autoren hier leider aus Gründen des Umfanges nicht vollständig dargestellt werden können. Es empfiehlt sich ein Rückgriff auf die zitierte Quelle. Vgl. hierzu ebenso Rehkugler, H./Schmidt-von Rhein, A.(1993), Seiten 1–38. Dort wird die hier beschriebene Thematik erstmals von den Autoren dargestellt.Google Scholar
  36. 36.
    Vgl. hierzu insb. Rehkugler, H./Schmidt-von Rhein, A.(1993), Seiten 11–28.Google Scholar
  37. 37.
    Vgl. Kerling, M./Poddig, T.(1994), Seiten 443 ff.Google Scholar
  38. 38.
    Vgl. Schmidt-von Rhein, A./Rehkugler, H.(1994), Seite 519, auf die sich die nachfolgenden Ausführungen primär beziehen. Vgl. ergänzend jedoch auch Rehkugler, H./Schmidt-von Rhein, A. (1993), Seiten 5 und 6.Google Scholar
  39. 39.
    Vgl. Rehkugler, H./Schmidt-von Rhein, A.(1993), Seite 5.Google Scholar
  40. 40.
    Vgl. hierzu die detaillierte Beschreibung der Vorgehensweise, insb. die einzelnen Schritte der Vorverarbeitung der Daten, bei Rehkugler, H./Schmidt-von Rhein, A.(1993), Seiten 8–10.Google Scholar
  41. 41.
    Vgl. Ehkugler, H./Schmidt-von Rhein, A.(1993), Seite 42.Google Scholar
  42. 42.
    Schmidt-von Rhein, A./Rehkugler, H.(1994), Seite 531.Google Scholar
  43. 43.
    Rehkugler, H./Schmidt-von Rhein, A.(1993), Seite 43.Google Scholar
  44. 44.
    Vgl. hierzuerzu die Darstellung in Schmidt-von Rhein, A./Rehkugler, H.(1994), Seiten 531 ff.Google Scholar
  45. 45.
    Rehkugler, H./Schmidt-von Rhein, A.(1993), Seite 4.Google Scholar
  46. 46.
    Schmidt-von Rhein, A./Rehkugler, H.(1994), Seite 540.Google Scholar
  47. 47.
    Vgl. Rehkugler, H./Schmidt-von Rhein, A.(1993), Seite 43.Google Scholar
  48. 48.
    Vgl. Schumann, M./Lohrbach, T./Bährs, P.(1992), Seiten 1–37. Vgl. hierzu auch die Kurzfassung bei Krause, C. (1993), Seiten 91–97.Google Scholar
  49. 49.
    Vgl. Schumann, M./Lohrbach, T./Bährs, P.(1992), Seiten 5 ff.Google Scholar
  50. 50.
    Vgl. zur Beschreibung der hier aufgeführten Netzwerktypen insbesondere die Ausführungen bei Schumann, M./Lohrbach; T./Bährs, P.(1992), Seiten 12–17 und darüber hinausgehend die dort angegebenen Literaturquellen sowie die Darstellungen in dieser Abhandlung.Google Scholar
  51. 51.
    Vgl. hierzu auch Schmidt-von Rhein, A./Rehkugler, H.(1994), Seite 520.Google Scholar
  52. 52.
    Vgl. zu diesen Aussagen Schumann, M./Lohrbach, T./Bährs, P.(1992), Seite 35.Google Scholar
  53. 53.
    Leker, J.(1994), Seite 605.Google Scholar
  54. 54.
    Schumann, M./Lohrbach, T./Bährs, P.(1992), Seite 37. „The objective of the system would be to mimic the human decision-maker in granting or revoking credit and setting credit limits.“ Hawley, D. D./Johnson, J. D./Raina, D.(1990), Seite 70.Google Scholar
  55. 55.
    Vgl. Mcleod, R. W./Malhotra, D. K./Malhotra, R.(1993), Seite 37.Google Scholar
  56. 56.
    „Applying neural networks to the credit-grantling process necessitates a sample of good and bad loans and the factors that affect the credit decision. The information that is used to train the network would be available from most loan applications forms and would include such items as the applicant‘s name, employment status, income, assets, liabilities, etc. The resulting output would provide the lender with the information necessary to accept or reject the application.“ McLeod, R. W./Malhotra, D. K./Malhotra, R.(1993), Seite 39.Google Scholar
  57. 57.
    Vgl. McLeod, R. W./Malhotra, D. K./Malhotra, R.(1993), Seite 39.Google Scholar
  58. 58.
    McLeod, R. W./Malhotra, D. K./Malhotra, R.(1993), Seite 40.Google Scholar
  59. 59.
    Jensen, H. L.(1992), Seiten 15–26.Google Scholar
  60. 60.
    „Loans were classified as delinquent if payments had even been 90 days or more overdue but the loan had eventually been paid-in-full.“ Jensen, H. L.(1992), Seite 19.Google Scholar
  61. 61.
    Vgl. Jensen, H. L.(1992), Seite 22.Google Scholar
  62. 62.
    Wilbert, R.(1991), Seite 1378.Google Scholar
  63. 63.
    Vgl. Leker, J.(1994), Seite 599.Google Scholar
  64. 64.
    „Consider the problem of determining whether a firm, based on its financial performance, is likely to go bnkrupt. This is a straight-forward classification problem, as the goal is to classify a firm as either bankrupt or non-bankrupt (output-class) on the basis of its financial characteristics (inputs). Assume that a neural model has been trained, i.e., the neural network has been presented with both bankrupt and non-bankrupt firms and adequately discriminates between them. To determine the classification of a specific firm, its financial ratios are input of the trained network, and the network will in turn provide the user with a classification of this firm.“ Barth, G./Günter, A./Neumann, B.(Hrsg.) (1993), Seite 15.Google Scholar
  65. 65.
    Vgl. zur Bonitätsbeurteilung von Firmen Odom, M. D./Sharda, R.(1990), Seiten 163–167, als erste Arbeit in diesem Kontext und die sich zeitlich gesehen hieran anschließenden Ausführungen der folgenden Autoren: Rehkugler, H./Poddig, T. (1992B), Seite 418, Blien, U./Lindner, H.-G.(1993), Seite 510, Bischoff, R./Bleile, C./Graalfs, J.(1991), Seiten 375–385 sowie alle Veröffentlichungen an denen J. Baetge involviert ist. Vgl. auch Schumann, M.(1991), Seiten 39 ff., Poddig, T.(1995), Seiten 311–322.Google Scholar
  66. 66.
    „The methodology used in calculating a credit score for consumer loans cannot be used for commercial loans because commercial borrowers, unlike consumer credit customers, do not belong to large homogeneous population.“ Malhotra, D. K./Malhotra, R./Mcleod, R. W.(1994), Seite 40.Google Scholar
  67. 67.
    Vgl. Baetge, J. et al. (1994), Seite 337.Google Scholar
  68. 68.
    Vgl. auch Piramuthu, S./Shaw, M. J./Gentry, J. A.(1994), Seiten 509–521. Dort wird eine interessante Erweiterung des Backpropagation-Verfahrens, der Newton-Raphson-Algorithmus, vorgestellt und u.a. anhand der Kreditwürdigkeitsprüfung diskutiert.Google Scholar
  69. 69.
    Vgl. Schumann, M.(1991), Seite 40.Google Scholar
  70. 70.
    Vgl. Odom, M. D./sharda, R.(1990), Seiten 163–167. Nachfolgend wird noch vertiefend auf diesen Ansatz eingegangen.Google Scholar
  71. 71.
    Das Thema „Einsatzmöglichkeiten von Expertensystemen in der Kreditwirdigkeitsprüüfung“ behandeln z.B. Rosenhagen, K./Schwarze, J.(1994), Seiten 137–153, sehr detailliert. Vgl. auch die dort angegebenen Quellen.Google Scholar
  72. 72.
    Vgl. Erxleben, K. et. al. (1992), Seiten 1237–1262. An dieser Stelle sollten einmal differenziert die Koautoren von K. Erxlebenbenannt werden. Es sind: Prof. Dr. J. Baetge, Dipl. Kfm. M. Feidicker, Dr. H. Koch, dipl. Kfm. C. Krauseund Prof. Dr. P. Mertens. Bei diesem Beitrag handelt es sich um eine der ersten deutschsprachigen Veröffentlichungen zur Verwendung Neuronaler Netze bei der Bonitätsbeurteilung von Unternehmen auf Basis von Jahresabschlußdaten. Kritisch zum Ansatz äußert sich A. Burger. Vgl. Burger, A.(1994B), Seite 1166, Krause, C.(1993), Seiten 97–100. Eine Kurzfassung findet sich bei Poddig, T.(1995), Seiten 312 u. 313.Google Scholar
  73. 73.
    Vgl. Erxleben, K. et. al. (1992), Seite 1239.Google Scholar
  74. 74.
    Noch 1992 konstatierten Rehkugler/Poddig: „Prinzipiell ähnlich gelagert (zum Entscheidungsprozß über die Kreditvergabe an Privatkunden) ist die Problemstellung für die Kreditvergabe an Firmenkunden, jedoch kann es schnell schwierig werden, eine ausreichende Menge an Trainingsbeispielen zu bekommen.“ Rehkugler, H./Poddig, T.(1992B), Seite 415. Die Menge der dem IRW zur Verfügung stehenden Daten ist sicherlich ausreichend, wobei deren Aufteilung in Trainings- und Testmenge, aufgrund der recht kleinen Trainingsmenge (nur 672 von 2867 Abschlüssen) isoliert betrachtet sicherlich überrascht, aber historische Gründe hat, da diese Untersuchung auf einigen Voruntersuchungen aufbaut. Vgl. z.B. Erxleben, K. et. al. (1992) und die dort aufgeführten Quellen. Es ist überdies zu erkennen, daß die Neuronalen Netze von Erxleben et. al. aufgrund dieser Aufteilung wohl ohne Validierungsmenge trainiert wurden.Google Scholar
  75. 75.
    „Diejenigen Unternehmen, bei denen ein Konkurs, Vergleich, Moratorium, Scheck- oder Wechselprotest vorlag, werden im folgenden als ‚krank‘ bezeichnet.“ Erxleben, K. et. al. (1992), Seite 1239.Google Scholar
  76. 76.
    Vgl. Erxleben, K. et. al. (1992), Seite 1248. Vgl. hierzu auch die Ausführungen der Seite 1253, auf der die Einflußfaktoren von Odom/Sharda genannt werden. Es sind: 1) Eigenkapital/Gesamtvermögen, 2) Einbehaltene Gewinne/Gesamtvermögen, 3) Gewinne vor Steuern und Zinsen/Gesamtvermögen, 4) Marktwert des Eigenkapitals/Gesamtschulden und 5) Umsatz/Gesamtvermögen. Vgl. Odom, M. D./Sharda, R.(1990), Seiten 163–167.Google Scholar
  77. 77.
    Vgl. Erxleben, K. et. al. (1992), Seite 1245.Google Scholar
  78. 78.
    Erxleben, K. et. al. (1992), Seite 1246.Google Scholar
  79. 79.
    Vgl. hierzu die weiteren Ergebnisse der Studie in der zitierten Quelle. Sie werden übersichtlich dargestellt und mit alternativen Ansätzen, z.B. der Diskriminazanalyse verglichen.Google Scholar
  80. 80.
    Vgl. Erxleben, K. et. al. (1992), Seite 1256. Zur Wertung der Ergebnisse von Erxleben et al. vgl. Kerling, M./Poddig, T.(1994), Seite 479.Google Scholar
  81. 81.
    Vgl. hierzu insbesondere Baetge, J. et al. (1994), Seiten 337–343.Google Scholar
  82. 82.
    „Als insolvent wurden nur Unternehmen eingestuft, bei denen ein Konkurs oder Vergleich, ein außergewöhnliches Moratorium (Zahlungsaufschub) oder ein Scheck-/Wechselprotest vorlag oder wenn gegen einen Einzelunternehmer Haftanordnung zur Abgabe der eidesstattlichen Versicherung bestand. Alle anderen Unternehmen wurden als solvent eingestuft.“ Baetge, J. et al. (1994), Seite 338.Google Scholar
  83. 83.
    Im Gegensatz zu der im letzten Abschnitt diskutierten Untersuchung von Erxleben et. al. wurde hier eine Validierungsmenge gebildet.Google Scholar
  84. 84.
    Baetge, J. et al. (1994), Seite 339.Google Scholar
  85. 85.
    In dieser Untersuchung des IRW wurden solvente Unternehmen durch den Ausgabewert 0 und insolvente Unternehmen durch den Ausgabewert 1 abgebildet.Google Scholar
  86. 86.
    Vgl. Baetge, J. et al. (1994), Seite 340.Google Scholar
  87. 87.
    Vgl. zu den Einzelergebnissen Baetge, J. et al. (1994).Google Scholar
  88. 88.
    Vgl. Baetge, J. et al. (1994), Seite 341.Google Scholar
  89. 89.
    Baetge, J. et al. (1994), Seite 342.Google Scholar
  90. 90.
    Vgl. Leker, J.(1994), Seite 606.Google Scholar
  91. 91.
    Vgl. Burger, A./Schellberg, B.(1994), Seite 870. Die Tabelle wurde dem zitierten Aufsatz entnommen, in dem die Autoren in scharfer Form den Ansatz von J. Baetge kritisieren und eine alternative Vorgehensweise darstellen. Sie liefern interessanten Diskussionsstoff zum Gebiet der Bonitätsanalyse und fordern primär eine strikte theoretische Fundierung neuronaler Modelle. Sie fehlt ihres Erachtens in der hier vorgestellten Untersuchung von J. Baetge. Vgl. zur öffentlich geführten Diskussion zwischen J. Baetgeund A. Burgerauch die folgenden Aufsätze: Baetge, J.(1994), Baetge, J./Krause, C./Mertens, P.(1994) sowie Burger, A.(1994A) und Burger, A.(1994B).Google Scholar
  92. 92.
    Vgl. Burger, A./Schellberg, B.(1994), Seite 869.Google Scholar
  93. 93.
    Vgl. hierzu das in Baetge, J. et al. (1994), Seite 342, dargestellte Beispiel der Entwicklung des Bilanzbonitätsindikators des Lufthansa-Konzerns zwischen 1988 und 1992. Ein Mehrjahresvergleich stellt nach J. Baetge eine bessere Grundlage zur Beurteilung als die Analyse eines einzigen Jahresabschlusses dar. Vgl. auch Baetge, J.(1994), Seite 1.Google Scholar
  94. 94.
    Vgl. Burger, A./Schellberg, B.(1994), Seiten 869–872.Google Scholar
  95. 95.
    Vgl. Baetge, J.(1994), Seiten 1–10.Google Scholar
  96. 96.
    Vgl. Baetge, J.(1994), Seite 2, Zdral, W. (1993), Seite 32.Google Scholar
  97. 97.
    Vgl. Baetge, J.(1994), Seite 6.Google Scholar
  98. 98.
    Vgl. Krause, C.(1993). Vgl. auch Poddig, T.(1995), Seite 313. Dort findet sich eine kurze Würdigung des Ansatzes.Google Scholar
  99. 99.
    Kritisch beurteilen bzw. analysieren Kerling/Poddig die von C. Krause dargestellten Resultate. Vgl. Kerling, M./Poddig, T.(1994), Seite 479–480. Sie weisen insb. darauf hin, daß sich durch den Einsatz von Pruning-Verfahren das Leistungspotential des MLP sicherlich steigern ließe.Google Scholar
  100. 100.
    Vgl. Krause, C.(1993), Seite 214.Google Scholar
  101. 101.
    Vgl. Kerling, M./Poddig, T.(1994), Seiten 427–490. Auf die a.a.O. dargestellten Resultate hier im vollen Umfang einzugehen, verbietet sich aufgrund der Fülle der Alternativenbetrachtungen. Vgl. hierzu auch Poddig, T.(1995), Seiten 311–323. „Etwas bessere Ergebnisse erzielen Finanzwissenschaftler bei der Voraussage von Unternehmensentwicklungen durch Bilanzanalysen, wie sie von Prof. Dr. Heinz Rehkugler am Lehrstuhl für Finanzwirtschaft der Universität Bamberg (heute: Universität Freiburg) mit Neuronalen Netzen entwickelt wurden. Hier gelingt es zum Beispiel, die Bonität eines Unternehmens sehr genau zu ermitteln beziehungsweise vorauszusagen, ob und etwa wann ein Unternehmen Konkurs anmelden müßte. H. Rehkugler gibt zu, daß in seinen Rechenmodellen nur etwa fünf bis sieben Parameter von ausschlaggebender Bedeutung für die Berechnungen mit neuronalen Netzen sind, und meint, daß häufig ein einziger Parameter ausreiche, den kritischen Zustand eines Unternehmens aufzudecken.“ Nöldechen, A.(1993), Seite 8.Google Scholar
  102. 102.
    Vgl. Kerling, M./Poddig, T.(1994), Seite 430.Google Scholar
  103. 103.
    Vgl. Kerling, M./Poddig, T.(1994), Seiten 476 und 477.Google Scholar
  104. 104.
    Vgl. Kerling, M./Poddig, T.(1994), Seite 439 und darüber hinaus zur Beschreibung der Arbeitsweise des LVQ die Seiten 439 ff., welches seinen Ursprung in der Bild- und Datenverarbeitung besitzt und ein von seiner Konzeption her einfaches Klassifikationssystem darstellt.Google Scholar
  105. 105.
    Vgl. Kerling, M./Poddig, T.(1994), Seite 452.Google Scholar
  106. 106.
    Vgl. Kerling, M./Poddig, T.(1994), Seite 475, Abbildung 8.Google Scholar
  107. 107.
    Kerling, M./Poddig, T.(1994), Seite 484. „Mit der Diskriminanzanalyse und den Neuronalen Netzen haben wir heute Analyseverfahren, die eine automatische Klassifikation von Unternehmen in Risikoklassen mit einer für den Praxiseinsatz im Mengengeschäft tauglichen Trefferquote erlauben.“ Leker, J.(1994), Seite 608.Google Scholar
  108. 108.
    Leker, J.(1994), Seite 608.Google Scholar
  109. 109.
    Vgl. Coats, P. K./Fant, L. F.(1993), Seiten 142–155.Google Scholar
  110. 110.
    Vgl. Coats, P. K./Fant, L. F.(1993), Seite 143.Google Scholar
  111. 111.
    Vgl. Altmann, E. I.(1968), Seite 589–609. Vgl. ebenso die nachfolgenden Ausführungen von Wilson, R. L./Sharda, R.(1994) und Odom, M. D./Sharda, R.(1990), die auch diesen Satz von Einflußfaktoren in ihren Untersuchungen nutzen.Google Scholar
  112. 112.
    „After the sample of firms was selected, data from the two sample groups were randomized and recombined to eight nonoverlapping sets. There were two sets for each of four years. Each set contained one year of data for 47 distressed firms and 94 viable firms. The data represent the year of the going-concern opinion (y0), the year before the going-concern opinion (y-1), two years before the going-concern opinion (y-2), and three years before the going-concern opinion (y-3). Half of the randomly selected sets were used to train the NN to recognize patterns that explained auditors going-concern opinions. The remaining sets were treated as holdout samples for testing the networks‘ predictive ability.“ Coats, P. K./Fant, L. F.(1993), Seite 148.Google Scholar
  113. 113.
    Auch von Coats/Fantwurde, wie von vielen anderen Wissenschaftlern, die Software NeuralWorks ProfessionalTM II/Plus benutzt.Google Scholar
  114. 114.
    Vgl. hierzu die Abb. 2 bei Coats, P. K./Fant, L. F.(1993), Seite 145.Google Scholar
  115. 115.
    Vgl. hierzu auch die Wertung in Kerling, M./Poddig, T.(1994) auf den Seiten 480Google Scholar
  116. 116.
    Vgl. Coats, P. K./Fant, L. F.(1993), Seite 152.Google Scholar
  117. 117.
    Vgl. Odom, M. D./Sharda, R.(1990), Seiten 163–168. Vgl. hierzu auch die Kurzbeschreibung der Vorgehensweise von Odom/Sharda z.B. bei Krause, C. (1993), Seiten 82–86 sowie Schumann, M.(1991), Seite 40 und Poddig, T.(1995), Seite 312.Google Scholar
  118. 118.
    Odom, M. D./Sharda, R.(1990), Seite 163.Google Scholar
  119. 119.
    Im einzelnen sind dies: 1) Eigenkapital/Gesamtvermögen, 2) Einbehaltene Gewinne/Gesamtvermögen, 3) Gewinne vor Steuern und Zinsen/Gesamtvermögen, 4) Marktwert des Anlagevermögens/Gesamtschulden und 5) Umsatz/Gesamtvermögen. Vgl. Schumann, M.(1991), Seite 40.Google Scholar
  120. 120.
    Vgl. Odom, M. D./Sharda, R.(1990), Seite 164.Google Scholar
  121. 121.
    Vgl. Odom, M. D./Sharda, R.(1990), Seite 165.Google Scholar
  122. 122.
    ODom, M. D./Sharda, R.(1990), Seite 166.Google Scholar
  123. 123.
    Vgl. hierzu Wilson, R. L./Sharda, R.(1994), Seite 547. Da R. Sharda auch an dieser Studie beteiligt war, sind sowohl deutliche Parallelen als auch einige signifikante Fortschritte zu Odom, M. D./Sharda, R.(1990) zu erkennen. Fortschrittlicher ist jetzt sicherlich im Vergleich zu Odom, M. D./Sharda, R.(1990) der Umgang mit den zur Verfügung stehenden 129 Kennzahlensätzen. Vgl. hierzu die nachfolgenden Ausführungen.Google Scholar
  124. 124.
    Vgl. Wilson, R. L./Sharda, R.(1994), Seite 545.Google Scholar
  125. 125.
    Vgl. Wilson, R. L./Sharda, R.(1994), Seite 548, Odom, M. D./Sharda, R.(1990), Seiten 165 u. 166.Google Scholar
  126. 126.
    Vgl. Wilson, R. L./Sharda, R.(1994), Seite 548. Dort findet sich die hier beschriebene Tabelle mit den für die Partitionierung relevanten Zahlen.Google Scholar
  127. 127.
    Wilson, R. L./Sharda, R.(1994), Seite 549.Google Scholar
  128. 128.
    Vgl. Wilson, R. L./Sharda, R.(1994), Seite 551.Google Scholar
  129. 129.
    Vgl. hierzu nochmals diese Ergebnisse mit denen von 1990.Google Scholar
  130. 130.
    Vgl. Wilson, R. L./Sharda, R.(1994), Seite 554.Google Scholar
  131. 131.
    Vgl. Malhotra, D. K./Malhotra, R./McLeod, R. W.(1994), Seiten 40–44. Vgl. hierzu auch Nedellec, C./Correia, J./Ferreira, J. L./Costa, E.(1994), Seiten 593–615. Die Autoren stellen einen auf einem Expertensystem basierenden Ansatz vor, der für die größte portugiesische Bank, die Caixa Geral de Depositos, entwickelt wurde. „Lending money to industrial companies is an important and risky activity for any bank. These institutions usually rely on a small number of experts that, ideally, have to give a quick answer to the demands of their clients. With the goal of decentralizing this process, decreasing the decision time, and yet keeping the risk low, some banks started using expert systems to solve the problem of loan analysis decision.“ Vgl. a.a.O. Seite 594. Vgl. auch Rommelfanger, H.(1993), Seiten 37 ff. Dort wird eine auf der Fuzzy Logic basierende Verarbeitung von Expertenregeln zur Prüfung der Kreditwürdigkeit mittelständischer Unternehmen skizziert.Google Scholar
  132. 132.
    Malhotra, D. K./Malhotra, R./McLeod, R. W.(1994), Seite 42.Google Scholar
  133. 133.
    Vgl. auch Wittkemper, H.-G.(1994), Seite 37.Google Scholar
  134. 134.
    Vgl. hierzu auch die Beschreibung des Systems, welches unter dem Namen K-Folio bekannt ist, bei Lee, J. K./Trippi, R. R./Chu, S. C./Kim, H. S.(1990), Seiten 89–93.Google Scholar
  135. 135.
    Vgl. Wittkemper, H.-G.(1994), Seite 37.Google Scholar
  136. 136.
    Vgl. Altmann, E. I./Marco, G./Varetto, F.(1994), Seiten 505–529. Vgl. hierzu insb. Altmann, E. I.(1983).Google Scholar
  137. 137.
    Vgl Altmann, E. I./Marco, G./Varetto, F. (1994), Seite 515.Google Scholar
  138. 138.
    Both types of diagnostic techniques displayed acceptable, over 90 %, classification and holdout sample accuracy and the study concludes that there certainly should be further studies and tests using the two techniques and suggests a combined approach for predictive reinforcement.“ Altmann, E. L./Marco, G./Varetto, F.(1994), Seite 505.Google Scholar
  139. 139.
    „The tendency for rec#ently published articles on the use of NN approaches in financial distress classification is that the ‚new‘ technique is clearly superior. We find that a more balanced conclusion is appropriate, indicating advantages and disadvantages of the ‚black box‘ NN technique.“ Altmann, E. I./Marco, G./Varetto, F.(1994), Seite 507.Google Scholar
  140. 140.
    Vgl. Altmann, E. I./Marco, G./Varetto, F.(1994), Seite 522.Google Scholar
  141. 141.
    Vgl. Altmann, E. I./Marco, G./Varetto, F.(1994), Seite 523.Google Scholar
  142. 142.
    Vgl. Altmann, E. I./Marco, G./Varetto, F.(1994), Seite 522.Google Scholar
  143. 143.
    „The overall accuracy of the interconnected system of elementary networks with memories commits errors of 4 healthy companies (out of 404) and 1 unsound company (out of 404).“ Altmann, E. I./Marco, G./Varetto, F.(1994), Seite 525.Google Scholar
  144. 144.
    Alrmann, E. I./Marco, G./Varetto, F.(1994), Seite 526.Google Scholar
  145. 145.
    Vgl. Bischoff, R./Bleile, C./Graalfs, J.(1991), Seiten 375–385.Google Scholar
  146. 146.
    Bischoff, R./Bleile, C./Graalfs, J.(1991), Seite 378.Google Scholar
  147. 147.
    Vgl. Bischoff, R./Bleile, C./Graalfs, J.(1991), Seiten 381 und 382.Google Scholar
  148. 148.
    Raghupathi, W./Schkade, L. L./Rau, B. S.(1991), Seiten 147–155.Google Scholar
  149. 149.
    Vgl. Aghupathi, W./Schkade, L. L./Raju, B. S.(1991), Seite 152. Innerhalb der Tabelle werden die nachfolgenden Abkürzungen genutzt: STI = Short-term Investments, DDA = Deoreciation, Depletion, Amortization, CL = Current Liabilities, ICO = Income from Continuing Operations, Ebenso findet sich a.a.O. eine umfassende tabellarische Begründung für die Wahl der Einfluß faktoren.Google Scholar
  150. 150.
    Koster, A./Sondak, N. E./Bourbia, W.(1990/91), Seiten 3–9.Google Scholar
  151. 151.
    Koster, A./Sondak, N. E./Bourbia, W.(1990/91), Seite 5.Google Scholar
  152. 152.
    Ahimian, E./Singh, S./Thammachote, T./Virmani, R.(1993), Seiten 159–171.Google Scholar
  153. 153.
    Vgl. Rahimian, E./Singh, S./Thammachote, T./Virmani, R.(1993), Seiten 163–164. „Athena is a neural network for pattern classification based on an entropy measure. It uses supervised learning. The model uses hyperplanes to partition the object space into groups of convex sets, each of which contains objects of the same class.“ A.a.O. wird dieser Typus Neuronaler Netze deskriptiv beschrieben.Google Scholar
  154. 154.
    Rahimian, E./Singh, S./Thammachote, T./Virmani, R.(1993), Seite 162.Google Scholar
  155. 155.
    Vgl. Rahimian, E./Singh, S./Thammachote, T./Virmani, R.(1993), Seite 169.Google Scholar
  156. 156.
    Vgl. Pytlik, M.(1995).Google Scholar
  157. 157.
    Vgl. Pytlik, M.(1995), Seite 223. Hiermit wird der Bogen zu Veröffentlichungen von H. Rehkuglergeschlagen, der diese Arbeit/Dissertation betreute.Google Scholar
  158. 158.
    Vgl. Pytlik, M.(1995), Seiten 292 u. 293.Google Scholar
  159. 159.
    Vgl. Hoptroff, R. G.(1993), Seiten 64 und 65.Google Scholar
  160. 160.
    Hoptroff, R. G.(1993), Seite 65.Google Scholar
  161. 161.
    „This information can be used to support investment decisions: a share in a £50 million construction company has twice the potential return of a £1 billion company, but at twice the total risk. ... Hence this work indicates that investing in a portfolio of small construction companies may be better than investing in a portfolio of large construction companies.“ Hoptroff, R. G. (1993), Seite 65.Google Scholar
  162. 162.
    Vgl. Berry, R. H./Trigueiros, D.(1993), Seiten 103–123.Google Scholar
  163. 163.
    Vgl. Berry, R. H./Trigueiros, D.(1993), Seite 112.Google Scholar
  164. 164.
    Vgl. Berry, R. H./Trigueiros, D.(1993), Seite 121.Google Scholar
  165. 165.
    Vgl. Berry, R. H./Trigueiros, D.(1993), Seiten 114 ff.Google Scholar
  166. 166.
    Vgl. Sen, T. K./Stivason C. T.(1994), o.S. Vgl. hierzu auch Sen, T. K./Oliver, R./Sen, N.(1995), Seiten 325–340.Google Scholar
  167. 167.
    Vgl. Sen, T. K./Stivason C. T.(1994), Appendix, o.S.Google Scholar
  168. 168.
    Vgl. Tam, K.(1991), Seiten 429–445 und Tam, K./Kiang, M.(1992), Seiten 926–947. Vgl. hierzu auch die Kurzbeschreibung des Ansatzes bei Krause, C.(1993), Seiten 86–91. Eine Einführung in die Thematik findet sich bereits 1990. Vgl. Tam, K./Kiang, M.(1990), Seiten 265–282.Google Scholar
  169. 169.
    Aus diesem Grunde wird hier vom Autor K. Tamgesprochen.Google Scholar
  170. 170.
    Vgl. Tam, K./Kiang, M.(1992), Seite 931.Google Scholar
  171. 171.
    Vgl. Tam, K./Kiang, M.(1992), Seite 932.Google Scholar
  172. 172.
    Tam, K./Kiang, M.(1992), Seite 932. Vgl. hierzu auch die nachfolgende Ausführungen zum Camel-Kriterium.Google Scholar
  173. 173.
    Vgl. Tam, K.(1991), Seite 435 und Tam, K./Kiang, M. (1992), Seite 932. Über das Camel-Kriterium, siehe unten, sind diese 19 Kennzahhl en eindeutig den oben genannten vier Gruppen, die im wesentlichen das Camel-Kriterium ausmachen, zuzuordnen.Google Scholar
  174. 174.
    Vgl. Tam, K.(1991), Seite 435.Google Scholar
  175. 175.
    Vgl. Tam, K./Kiang, M.(1992), Seiten 933 ff.Google Scholar
  176. 176.
    Vgl. Tam, K./Kiang, M.(1992), Seite 934.Google Scholar
  177. 177.
    Vgl. Tam, K.(1991), Seite 439 und Tam, K./Kiang, M. (1992), Seiten 937 u. 938.Google Scholar
  178. 178.
    Vgl. Tam, K./Kiang, M.(1992), Seite 939.Google Scholar
  179. 179.
    Tam, K.(1991), Seite 941.Google Scholar
  180. 180.
    Vgl. Tam, K./Kiang, M.(1992), Seite 942Google Scholar
  181. 181.
    Vgl. Martin-Del-Brio, B./Serrano-Cinca, C.(1995), Seiten 341–357.Google Scholar
  182. 182.
    Martin-del-Brio, B./Serrano-Cinca, C.(1995), Seite 344.Google Scholar
  183. 183.
    Vgl. Martin-del-Brio, B./Serrano-Cinca, C.(1995), Seite 344.Google Scholar
  184. 184.
    Vgl. Martin-del-Brio, B./Serrano-Cinca, C.(1995), Seite 345.Google Scholar
  185. 185.
    Vgl. Martin-del-Brio, B./Serrano-Cinca, C.(1995), Seite 346.Google Scholar
  186. 186.
    Martin-del-Brio, B./Serrano-Cinca, C.(1995), Seite 346 f.Google Scholar
  187. 187.
    Martin-del-Brio, B./Serrano-Cinca, C.(1995), Seite 347. A.a.O. führen die Autoren desweiteren eine Untersuchung auf, in der sie auf ähnliche Art und Weise eine Reihe von spanischen Unternehmen klassifizieren. Interessant ist in diesem Zusammenhang auch die von ihnen ausführlich dargelegte Interpretation der Gewichte. Es lassen sich Regionen voneinander abgrenzen, in denen z.B. die Banken mit hoher/niedriger Profitabilität, hoher/niedriger Liquidität, hohen/niedrigen Schulden etc. zu finden sind.Google Scholar

Copyright information

© Betriebswirtschaftlicher Verlag Dr. Th. Gabler GmbH, Wiesbaden 1995

Authors and Affiliations

  • Karsten Füser

There are no affiliations available

Personalised recommendations