Crunching Numbers, Making Decisions : Artificial Intelligence and Statistics for Financial Distress ForecastinginAlgeriaand Saudi Arabia

Sabek, Amine; Saihi, Youcef

Crunching Numbers, Making Decisions : Artificial Intelligence and Statistics for Financial Distress ForecastinginAlgeriaand Saudi Arabia

dc.contributor.author	Sabek, Amine
dc.contributor.author	Saihi, Youcef
dc.date.accessioned	2024-03-20T14:23:27Z
dc.date.available	2024-03-20T14:23:27Z
dc.date.issued	2023
dc.description.abstract	A previsão de dificuldades financeiras tem sido uma preocupação significativa tanto para pesquisadores quanto para profissionais há muito tempo. Este tema tem despertado um interesse substancial devido aos benefícios potenciais do uso de modelos preditivos para antecipar problemas financeiros e ajudar as empresas a evitar riscos financeiros que poderiam levar à falência e à liquidação. O objetivo principal desta pesquisa é prever dificuldades financeiras, comparando a eficácia da Rede Neural Artificial (RNA) com a Regressão Logística (RL). Esta avaliação baseia-se em dados de 12 empresas argelinas e 12 empresas sauditas durante o período de 2015 a 2019. As conclusões do estudo indicam que o modelo RL superou o modelo de Rede Neural Ampla (RNA) na previsão com precisão de dificuldades financeiras, alcançando uma precisão de classificação ideal para empresas argelinas e sauditas. Consequentemente, o modelo RL surge como a escolha preferida para prever dificuldades financeiras em ambos os países.
dc.description.abstractenglish	Predicting financial distress has been a significant concern for both researchers and practitioners for long period. This topic has garnered substantial interest due to the potential benefits of using predictive models to anticipate financial troubles and help companies steer clear of financial risks that could lead to bankruptcy and liquidation. The primary aim of this research is to forecast financial distress, comparing the effectiveness of Artificial Neural Network (ANN) with Logistic Regression (LR). This evaluation is based on data from 12 Algerian companiesand 12 Saudi companiesduring the period from 2015 to 2019. The study's findings indicate that the LR model outperformed the WideNeural Network(WNN)model in accurately predicting financial distress, achieving optimalclassification accuracyfor both Algerian and Saudi companies. Consequently, the LR model emerges as the preferred choice for forecasting financial distress in both countries.	en
dc.format.extent	18 p.
dc.format.mimetype	application/pdf
dc.identifier.citation	Sabek, A., & Saihi, Y. (2023). Analisando números, tomando decisões: inteligência artificial e estatísticas para previsão de dificuldades financeiras na Argélia e na Arábia Saudita. CAFI, 6(2), 183–201. https://doi.org/10.23925/cafi.62.60718
dc.identifier.issn	2595-1750
dc.identifier.uri	https://revistas.pucsp.br/index.php/CAFI/article/view/60718
dc.identifier.uri	https://doi.org/10.23925/cafi.62.60718
dc.identifier.uri	https://repositorio.uniremington.edu.co/handle/123456789/2536
dc.language.iso	por
dc.publisher	Pontifícia Universidade Católica de São Paulo (PUC-SP)
dc.rights.uri	https://creativecommons.org/licenses/by/4.0/
dc.subject	financial distress	en
dc.subject	forecasting	en
dc.subject	artificial neural network	en
dc.subject	logistic regression	en
dc.subject	dificuldades financeiras	por
dc.subject	previsão	por
dc.subject	rede neural artificial	por
dc.subject	regressão logística	por
dc.title	Crunching Numbers, Making Decisions : Artificial Intelligence and Statistics for Financial Distress ForecastinginAlgeriaand Saudi Arabia	en
dc.title	Analisando números, tomando decisões : inteligência artificial e estatísticas para previsão de dificuldades financeiras na Argélia e na Arábia Saudita	por
dc.type.coar	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.local	Artículo de investigación
dc.type.redcol	https://purl.org/redcol/resource_type/ART