Hybrid Ensemble Model Based Approach to Bankruptcy Prediction in European SMEs

Thumbnail Image

Files

URL

Journal Title

Journal ISSN

Volume Title

School of Business | Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2025

Department

Laskentatoimen laitos

Major/Subject

Mcode

Degree programme

Laskentatoimi

Language

en

Pages

29 + 17

Series

Abstract

The purpose of this thesis is to examine whether a simple hybrid model using logistic regression and XGBoost can be used to predict corporate bankruptcy while remaining interpretable and practical for use in business environments. The study uses a large, multi-country dataset of European SMEs. It compares the performance, calibration, and interpretability of the individual models and their soft voting ensemble. The results show that the hybrid model retains the high predictive accuracy of XGBoost while adding partial transparency through the logistic regression component. This approach offers a practical compromise between accuracy and explainability, especially for stakeholders without technical expertise.

Tämä kandidaatintutkielma tarkastelee, voiko yksinkertainen hybridimalli, joka yhdistää logistisen regressiomallin ja XGBoost-algoritmin, ennustaa yritysten maksukyvyttömyyttä tarkasti ja samalla tarjota riittävää tulkittavuutta käytännön liiketoimintaympäristöissä. Tutkimuksessa hyödynnetään laajaa, monen Euroopan maan pk-yrityksistä koostuvaa aineistoa Orbis-tietokannasta. Mallien ennustetarkkuutta, kalibrointia ja tulkittavuutta verrataan yksittäin ja yhdistettynä. Tulokset osoittavat, että hybridimalli säilyttää XGBoostin korkean suorituskyvyn ja samalla parantaa läpinäkyvyyttä logistisen regression ansiosta. Malli tarjoaa käytännönläheisen tasapainon tarkkuuden ja selitettävyyden välillä, erityisesti teknistä taustaa omaamattomille sidosryhmille.

Description

Thesis advisor

Keloharju, Roope

Keywords

bankruptcy prediction, machine learning, financial distress, hybrid models

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202506154655

Collections

[kand] Kauppakorkeakoulu / BIZ