The Impact of Artificial Intelligence on Financial Ratios Indicating Financial Distress: Evidence from NYSE-Listed Companies
Notice bibliographique
Résumé
Integrating artificial intelligence (AI) in financial institutions has transformed financial distress prediction by improving risk assessment and operational efficiency. This study analyzes the relationship between AI adoption and key financial and macroeconomic indicators. A generalized linear model (GLM) with a binomial logit function was utilized to evaluate the impact of AI adoption on financial distress and the reverse. The dataset includes 2,000 NYSE-listed firms from 2019 to 2023, obtained from the FMP cloud database. Statistical techniques such as descriptive analysis, correlation analysis, Principal Component Analysis (PCA), and logistic regression with LASSO and Ridge regularization were employed to enhance model accuracy and control for multicollinearity. Findings indicate that AI adoption is negatively correlated with the Debt-to-Equity Ratio (-0.65) and positively correlated with the Current Ratio (0.85) and ROA (0.77), suggesting that AI-adopting firms have stronger financial health. Regression analysis confirms that liquidity, profitability, and market volatility significantly influence AI adoption, while leverage and macroeconomic indicators show weaker predictive power. LASSO regression identifies Stock Market Volatility (0.87) as the strongest predictor of AI adoption. AI adoption is associated with improved financial stability, reinforcing its role in mitigating financial distress. Future studies should explore sectoral differences and incorporate advanced machine learning techniques for predictive modeling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».