Companies ending up in financial distress and ultimately filing for bankruptcy is a costly affair not only to the company itself, but also to all of its connected shareholders. Both in an attempt to decrease the risk, and as a way of managing risk for creditors, models aimed at predicting bankruptcies of companies using financial data, for example in the form of ratios, has been an active area of research since the early 20th century. Knowing which financial ratios are the most important in predicting bankruptcy is useful both in the sense that it can be used as an early warning sign, but also as in the sense that it can be used to aid businesses and practitioners to steer a firm away from a possible bankruptcy. 

This thesis used a machine learning classifier in order to predict corporate bankruptcy. The classifier was trained on panel data containing different financial ratios selected to represent the different financial dimensions of a company, alongside an indicator variable showing whether or not a company filed for bankruptcy. Three separate models were trained using the data in order to predict bankruptcy one, two, and three years prior to the bankruptcy event. Different prediction horizons were applied to see how the relative importance of the ratios and their effect vary with time. Once the classifier was trained, the relatively most important financial ratios could be extracted, alongside the marginal effect that the different ratios have of the probability of bankruptcy. 

This study found that one year prior to bankruptcy, the interest coverage rate was the relatively most important variable, and that there was a significant decrease in probability of bankruptcy for companies above a certain value. It also found that the further away from the bankruptcy event the model predicts, the harder it is to discern any strong signals for bankruptcy as the relative importance of the financial ratios are fairly equal. Like any quantitative study, the findings and the conclusions that can be drawn are limited by the data that was used. In this case, this was made evident by there being a negative relationship between total debt over total assets to the probability of bankruptcy, which was in contrast to established financial theory, and also to the gearing ratio which showed an opposite relationship. 

Företag som går i konkurs har inverkan både på företaget i sig och på en mängd olika intressenter som är på olika vis kopplade till företaget. Då många av de inblandade oftast drabbas negativt av konkurs finns det ett behov att reducera och kontrollera risken för konkurs för att minimera potentiella kostnader. Forskning inom konkursförutsägelser har varit ett aktivt område inom finansiering sedan tidigt 1900-tal och otaliga modeller har utvecklats genom åren för att med hjälp av olika variabler förutspå huruvida ett företag kommer gå i konkurs eller inte. Att veta vilka finansiella nyckeltal som har störst inverkan på sannolikheten för konkurs och företagsrekonstruktion är användbart då det både kan ge en indikation på när ett företag är nära att hamna i en sådan sits, samtidigt som det även kan användas för att styra ett företag i rätt riktning så fort indikationer för sådant scenario uppdagas. 

För att undersöka vilka nyckeltal som är viktigast och olika värden på nyckeltalen påverkar sannolikheten för konkurs tränades en maskininlärningsmodell på data innehållande finansiella nyckeltal och om företaget gått i konkurs eller inte. Maskininlärningsmodellen, i det här fallet en binär klassificerare, tränades på data ett, två och tre år före konkurs för att kunna undersöka hur beteendet hos modellen förändras. När modellen väl var tränad kunde vilka nyckeltal som var viktigast för att förutspå konkurs extraheras, samt grafer som illustrerar hur sannolikheten för konkurs varierar för olika värden på nyckeltalen. 

Denna uppsats fann att ett år före konkurs är ränteteckningsgrad det nyckeltal som är relativt viktigast samt att sannolikheten för konkurs minskade markant för ränteteckningsgrad över ett visst värde. Dessutom visade resultaten att ju längre ifrån konkurstillfället man försöker förutspåkonkurs, desto svårare blir det att urskilja om något nyckeltal är relativt viktigare de andra. Tre år före konkurs var det inget nyckeltal som stod ut lika tydligt som ett år innan utan fördelningen var jämnare. Likt alla andra kvantitativa studier så är slutsatserna som kan dras från resultaten begränsade av data i sig. Detta illustreras bland annat av att modellen fann att nyckeltalet för totala skulder mot totala tillgångar minskade sannolikheten för konkurs för högre skulder – det motsatta från vad man kan förvänta sig enligt finansiell teori som menar att det motsatta gäller.