In diesem Beitrag wird die Vorhersage von IPO-Rücknahmen mithilfe von Methoden des maschinellen Lernens (Lasso und Random Forest) und herkömmlicher Regression (Logit) untersucht. Der Datensatz umfasst 2.444 US-Erstbörsengänge aus den Jahren 1997 bis 2014. Die Ergebnisse zeigen, dass Random Forest sowohl Logit als auch Lasso bei In-Sample- und Cross-Sectional-Out-of-Sample-Prognosen übertrifft, wenn die Trainings- und Testsätze aus demselben Zeitraum stammen. Wenn die Modelle jedoch anhand vergangener Daten trainiert und anhand zukünftiger Beobachtungen getestet werden, können alle Modelle die Rücknahme von Börsengängen nicht genau vorhersagen. Diese Ergebnisse deuten darauf hin, dass die Verallgemeinerbarkeit früherer Ergebnisse eingeschränkt ist.
Externe Veröffentlichungen | 2025 Comparing the Prediction Performance of Random Forest, Lasso, and Logit in the Context of IPO Withdrawal
Reiff, A. (2025): Comparing the Prediction Performance of Random Forest, Lasso, and Logit in the Context of IPO Withdrawal, in: Intelligent Systems in Accounting, Finance and Management, Volume 32, Issue 3, p. 1-31.