References
- Agarwal, A. (1999). Abductive networks for two-group classification: a comparison with neural networks (pp. 1–12). ESANN 2008, European Symposium on Artificial Neural Networks, Bruges, Belgium 15.
- Altman, E. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, XXIII, 189–209.
- Angelini, E., Tollo, G., Roli, A. (2008). A neural network approach for credit risk evaluation. The Quarterly Review of Economics and Finance, 48, 733–755.10.1016/j.qref.2007.04.001
- Antonowicz, P. (2007). Metody oceny i prognoza kondycji ekonomiczno-finansowej przedsiębiorstwa. Gdańsk: Ośrodek Doradztwa i Doskonalenia Kadr.
- Appenzeller, D., Szarzec, K. (2004). Prognozowanie zagrożenia upadłością polskich spółek publicznych. Rynek Terminowy, 1, 120–128.
- Atiya, A.F. (2001). Bankruptcy Prediction for Credit Risk Using Neural Networks: A Survey and New Results. IEEE Transactions on Neural Networks, 12 (4).
- Azayite, F.Z., Achchab, S. (2016). Hybrid Discriminant Neural Networks for bankruptcy prediction and risk scoring. Procedia Computer Science, 83, 670–674.
- Baesens, B., Setiono, R., Mues, C., Vanthienen, J. (2003) Using Neural Network Rule Extraction and Decision Tables for Credit-Risk Evaluation. Management Science, 49 (3).10.1287/mnsc.49.3.312.12739
- Brabazon, A., Keenan, P. (2004). A hybrid genetic model for the prediction of corporate failure. Computational Management Science, 1, 293–310.
- Bragg, S.M. (2010). Wskaźniki w analizie działalności przedsiębiorstwa. Oficyna Wolters Kluwer Business.
- Gajdka, J., Stos, D. (1996). Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw. In: R. Borowiecki (ed.), Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw. Kraków: AE w Krakowie.
- Gaudart, J., Giusiano, B., Huiart, L. (2004). Comparsion of the performance of multi-layer perceptron and linear regression for epidemiological data. Computional Statistics & Data Analysis, 44, 547–570.
- Hadasik, D. (1998). Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. ZN 153, Seria II, Prace Habilitacyjne. Poznań: Wydawnictwo AE w Poznaniu.
- Hamrol, M., Czajka, B., Piechocki, M. (2004). Upadłość przedsiębiorstwa – model analizy dyskryminacyjnej. Przegląd Organizacji, 6.
- Haykin, S. (2011). Neural Networks and Learning Machines. Third Edition. PHI Learning Private Limited, New Dehli-110001.
- Hołda, A. (2001). Prognozowanie jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej. Rachunkowość, 5, 306–310.
- Huang, Z., Chen, H., Hsu, C.J., Chen, W.H., Wu, S. (2004). Credit rating analysis with support vector machines and neural networks: a market comparative study. Decision Support Systems, 37, 543–558. Retrieved from: www.sciencedirect.com (9.05.2016).
- du Jardin, P. (2010). Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing, 10–12 (73), 2047–2060.
- Karaa, A., Krichene, A. (2012). Credit-risk Assessment Using Support Vectors Machine and Multilayer Neural Network Models: A Comparative Study Case of a Tunisian bank. Accounting and Management Information Systems, 4 (11), 587–620.
- Khemakhem, S., Boujelbènea, Y. (2015). Credit risk prediction: A comparative study between discriminant analysis and the neural network approach. Accounting and Management Information Systems, 1 (14), 60–78.
- Kisieliska, J. (2008). Modele klasyfikacyjne prognozowania sytuacji finansowej gospodarstw rolniczych. Warszawa: Wydawnictwo SGGW.
- Lee, K., Booth, D., Alam, P. (2005). A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms. Expert Systems with Applications, 29, 1–16.10.1016/j.eswa.2005.01.004
- Linder, R., Geier, J., Kölliker, M.J. (2004). Artificial neural networks, classification trees and regression: Which method for which customer? Database Marketing & Customer Strategy Management, 11, 344–356. DOI: 10.1057/3240233.10.1057/3240233
- Mączyńska, E. (1994). Ocena kondycji przedsiębiorstwa (uproszczone metody). Życie Gospodarcze, 38.
- Mączyńska, E., Zawadzki, M. (2006). Dyskryminacyjne modele predykcji upadłości przedsiębiorstw. Ekonomista, 2, 205–217.
- Nigrin, A. (1993). Neural Networks for Pattern Recognition. Massachusetts Institute of Technology.
- Ogwueleka, F.N., Misra, S., Colomo-Palacios, R., Fernández-Sanz, L. (2015). Neural Network and Classification Approach in Identifying Customer Behaviour in the Banking Sector: A Case Study of an International Bank. Human Factors and Ergonomics in Manufacturing & Service Industries, 1 (25), 28–42. DOI: 10.1002/hfm.20398.10.1002/hfm.20398
- Oreski, S., Oreski, D., Oreski, G. (2012). Hybrid system with genetic algorithm and artificial neural networks and its application to retail credit risk assessment. Expert Systems with Application, 16 (39), 12605–12617. DOI: 10.1016/j.eswa.2012.05.023.10.1016/j.eswa.2012.05.023
- Pacelli, V., Azzollini, M. (2011). An Artificial Neural Network Approach for Credit Risk Management. Journal of Intelligent Learning Systems and Applications, 103–112. DOI: 10.4236/jilsa.2011.32012.10.4236/jilsa.2011.32012
- Pogodzińska, M., Sojak, S. (1995). Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa przedsiębiorstw. Acta Universitatis Nicolai Copernici: Ekonomia, 25 (299), 53–61.
- Prusak, B. (2005). Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw. Warszawa: Difin.
- Ravi, P., Ravi, K.V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques – a review. European Journal of Operational Research, 1 (180), 1–28.
- Sexton, R., Sriram, R., Etheridge, H. (2003). Improving decision effectiveness of artificial neural networks: a modified genetic algorithm approach. Decision Sciences, 34, 421–442.10.1111/j.1540-5414.2003.02309.x
- STATISTICA HELP. Retrieved from: http://documentation.statsoft.com (14.01.2016).
- Tollo, G. (2006). Credit Risk: A Neural Net Approach. Retrieved from: http://tmancini.di.uniroma1.it/rcra/workshops/RCRA-2006/files/ditollo.pdf (22.06.2016).
- West, D. (2000). Neural network credit scoring models. Computers and Operations Research, 27, 1131–1152.
- Wierzba, D. (2000). Wczesne wykrywanie przedsiębiorstw zagrożonych upadłością na podstawie analizy wskaźników finansowych – teoria i badania empiryczne. Zeszyty Naukowe Wyższej Szkoły Ekonomiczno-Informatycznej w Warszawie, 9, 79–105.
- Wójciak, M., Wójcicka, A. (2008). Zdolności dyskryminacyjne wskaźników finansowych w ocenie kondycji finansowej podmiotów gospodarczych. In: Taksonomia 15: Klasyfikacja i analiza danych – teoria i zastosowania. Wrocław: Uniwersytet Ekonomiczny we Wrocławiu.
- Wójciak, M., Wójcicka, A. (2009). The discriminative ability of financial ratios to evaluate the credit risk level. In: P. Chrzan, T. Czernik (eds.), Metody matematyczne, ekonometryczne i komputerowe w finansach i ubezpieczeniach. Katowice: Wydawnictwo Akademii Ekonomicznej (AE) w Katowicach.
- Wójcicka, A. (2012). Calibration of a credit rating scale for Polish companies. Operations Research and Decisions, 3.
- Wójcicka, A. (2017a). Neural networks in credit risk evaluation of construction sector. Econometric Research in Finance, 1 (2).
- Wójcicka, A. (2017b). Classification of trade sector entities in credibility assessment using neural networks. Optimum, 3 (87).
- Wójcicka, A. (2017c). Credit-risk decision process using neural networks in industrial sectors. In: T. Choudhry, J. Mizerka (eds.), Contemporary Trends in Accounting, Finance and Financial Institutions: Proceedings from the International Conference on Accounting, Finance and Financial Institutions (ICAFFI). Poznań: Springer Proceedings in Business and Economics (accepted to publication).
- Wójcicka, A. (2017d). The dynamic approach to financial ratios analysis: an experimental approach. Paper presented during Econometric Research in Finance Workshop, 15.09.2017, Warsaw.
- Wójcicka, A., Wójtowicz, T. (2009). Wykorzystanie analizy wskaźnikowej w ocenie zdolności kredytowej przedsiębiorstwa – szanse i zagrożenia. Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego (SGGW) w Warszawie: Ekonomika i Organizacja Gospodarki Żywnościowej nr 78. Warszawa: Wydawnictwo Szkoły Głównej Gospodarstwa Wiejskiego (SGGW) w Warszawie.