Evaluating sentiment in annual reports for financial distress prediction using neural networks and support vector machines

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F13%3A39899272" target="_blank" >RIV/00216275:25410/13:39899272 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-41016-1_1" target="_blank" >http://dx.doi.org/10.1007/978-3-642-41016-1_1</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-41016-1_1" target="_blank" >10.1007/978-3-642-41016-1_1</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Evaluating sentiment in annual reports for financial distress prediction using neural networks and support vector machines

Popis výsledku v původním jazyce

Sentiment in annual reports is recognized as being an important determinant of future financial performance. The aim of this study is to examine the effect of the sentiment on future financial distress. We evaluated the sentiment in the annual reports of U.S. companies using word categorization (rule-based) approach. We used six categories of sentiment, together with financial indicators, as the inputs of neural networks and support vector machines. The results indicate that the sentiment information significantly improves the accuracy of the used classifiers.

Název v anglickém jazyce

Evaluating sentiment in annual reports for financial distress prediction using neural networks and support vector machines

Popis výsledku anglicky

Sentiment in annual reports is recognized as being an important determinant of future financial performance. The aim of this study is to examine the effect of the sentiment on future financial distress. We evaluated the sentiment in the annual reports of U.S. companies using word categorization (rule-based) approach. We used six categories of sentiment, together with financial indicators, as the inputs of neural networks and support vector machines. The results indicate that the sentiment information significantly improves the accuracy of the used classifiers.

Druh

D - Stať ve sborníku

CEP obor

AE - Řízení, správa a administrativa

OECD FORD obor

—

Projekt

<a href="/cs/project/GA13-10331S" target="_blank" >GA13-10331S: Úloha textové informace v modelech predikce finanční tísně podniků - přístupy specifické podle států a průmyslových odvětví</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2013

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Engineering Applications of Neural Networks: 14th International Conference (EANN 2013), Part II

ISBN

978-3-642-41015-4

ISSN

1865-0929

e-ISSN

—

Počet stran výsledku

10

Strana od-do

1-10

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

Halkidiki

Datum konání akce

13. 9. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000345333000001