Accessing bankruptcy risk for financial institutions: methodological framework and predictive modelling

Abstract

This thesis is a comprehensive and complete research on bank failure prediction, as it examines various modeling aspects for obtaining improved results. The analysis is based on a comprehensive dataset of approximately 60,000 observations over an extensive period of nine years (2005-2014), and it examines different prediction horizons, for up to three years prior to failure. We explore whether the addition of variables related to the diversification of the banks’ activities, along with local effects, improves the predictability of the models. Seven popular and widely used machine-learning techniques are compared (logistic regression, support vector machines with linear and radial kernels, naïve Bayes, extreme gradient boosting, random forests and artificial neural networks) and three different classification performance metrics are calculated (AUROC, H-measure, and Kolmogorov-Smirnov metric). In order to ensure the robustness of the results, bootstrap testing is used. The results show that mid- and long-range predictions improve significantly with the addition of diversification variables. Local effects exist and further improve the results while support vector machines along with gradient boosting and random forests outperform the traditional models with the differences increasing over longer prediction horizons.

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.