Un réseau de neurone est un ensemble d’unités interconnectées qui disposent d’une grande capacité d’apprentissage et de traitement de l’information. Donc, il s’agit en fait d’un algorithme mathématique qui permet de traiter parfaitement les connaissances relatives à la relation entre les valeurs d’entrée et de sortie. Un réseau de neurones est généralement formé d’une couche d’entrée représentant les neurones d’entrées, d’une couche de sortie représentent le vecteur des variables d’outputs permettant de transférer les informations les informations en dehors du réseau.
II. Utilisation des réseaux de neurones dans la prédiction du risque de défaillance :
L’idée d’appliquer les réseaux de neurones à la prévision de la faillite et de la détresse financière des firmes, a été suggérée par plusieurs papiers tels que ceux de Tam (1991), Tam et Kiang (1992), Coats et Fant (1993), Altman et al. (1994). Par exemple, Tam (1995) et Tam et Kiang (1992) ont essayé de comparer la performance (robustesse, précision dans la prévision, adaptabilité, et la capacité explicative) de l’approche par les réseaux de neurones avec celle de l’analyse linéaire discriminante et l’approche logistique. Tam (1991) et Tam et Kiang (1992) ont généralisé la fonction objective de l’algorithme usuel de rétro propagation. La rétro propagation a été crée en généralisant la loi d’apprentissage de Widrow-hoff à des réseaux neurones multicouches constitués de fonctions de transfert différentiables. Les vecteurs d’entrée et les vecteurs cibles correspondant sont utilisés pour apprendre le réseau.
Altman, Macro et Varetto (1994) ont comparé les méthodes statistiques traditionnelles pour la classification et la prédiction de la détresse c'est-à-dire, l’analyse linéaire discriminante (LDA) et celle logistique, avec les réseaux de neurones.
