Direkt zu den Inhalten springen

Externe Veröffentlichungen | 2025 Comparing the Prediction Performance of Random Forest, Lasso, and Logit in the Context of IPO Withdrawal

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.

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.

Zum Verlag

Ansprechpartner

Dr. Annika Reiff
Tel. +49 228 72997 23
reiff(at)ifm-bonn.org

Profil von Dr. Annika Reiff