Forecasting bank failures and stress testing: A machine learning approach

این مقاله یک مدل پیش بینی از شکست بانک را بر اساس یادگیری ماشین ارائه می دهد. روش پیشنهادی یک مرز تصمیم گیری خطی را تعیین می کند که بانک های حلال را از کسانی که شکست خورده اند جدا می کند. این تنظیم یک ابزار تست استرس جدید جایگزین را ایجاد می کند. نمونه ما از 1443 بانک جهانی شامل 481 بانک است که در طول دوره 2007-2013 شکست خورده است. مجموعه متغیرهای توضیحی با استفاده از روش انتخاب دو مرحله ای انتخاب می شود. سپس متغیرهای انتخاب شده به یک مدل پیش بینی ماشین بردار پشتیبانی، از طریق یک فرایند یادگیری تست آموزش. این مدل دارای دقت پیش بینی 99.22٪ و بهتر از نمره اولسون است.