Accessing bankruptcy risk for financial institutions

Αυτή η εργασία είναι μια ολοκληρωμένη έρευνα σχετικά με την πρόβλεψη της αποτυχίας των τραπεζών, καθώς εξετάζει διάφορες πτυχές της μοντελοποίησης για την επίτευξη καλύτερων αποτελεσμάτων. Η ανάλυση βασίζεται σε ένα ολοκληρωμένο σύνολο δεδομένων περίπου 60.000 παρατηρήσεων για μια εκτεταμένη περίοδο εννέα ετών (2005-2014) και εξετάζει διαφορετικούς ορίζοντες πρόβλεψης, έως τρία χρόνια πριν την αποτυχία. Εξετάζουμε αν η προσθήκη μεταβλητών που σχετίζονται με τη διαφοροποίηση των δραστηριοτήτων των τραπεζών, μαζί με τα μεταβλητές όσον αφορά την τοποθεσία τους, βελτιώνει την προβλεψιμότητα των μοντέλων. Συγρίνονται επτά δημοφιλείς και ευρέως χρησιμοποιούμενες τεχνικές μηχανικής μάθησης (λογιστική παλινδρόμηση, μηχανές διανυσμάτων υποστήριξης με γραμμικούς και ακτινικούς πυρήνες, naive bayes, extreme gradient boosting, random forests και νευρωνικά δίκτυα) και υπολογίζονται τρία διαφορετικά κριτήρια απόδοσης ταξινόμησης (AUROC, H-measure και απόσταση Kolmogorov-Smirnov). Προκειμένου να διασφαλιστεί η ευρωστία των αποτελεσμάτων, χρησιμοποιοείται η δειγματοληψία bootstrap. Τα αποτελέσματα δείχνουν ότι οι προβλέψεις μέσου και μεγάλου ορίζοντα πρόβλεψεις βελτιώνονται σημαντικά με την προσθήκη μεταβλητών διαφοροποίησης. Υπάρχουν τοπικά χαρακτηριστικά τα οποία περαιτέρω βελτιώνουν τα αποτελεσμάτα, ενώ οι μηχανές διανυσμάτων υποστήριξης μαζί με τα gradient boosting και τα random forests ξεπερνούν τα παραδοσιακά μοντέλα με τις διαφορές να αυξάνονται σε μεγαλύτερους ορίζοντες πρόβλεψης.