预测意大利银行的违约风险:传统方法与机器学习方法的比较分析

《Economic Analysis and Policy》:Predicting bank defaults in Italy: A comparative analysis of conventional and machine learning approaches

【字体: 大 中 小 】 时间:2025年12月30日 来源:Economic Analysis and Policy 8.7

编辑推荐:

  本研究针对意大利银行业设计了一种包含资产回报率(ROA)、财务杠杆和银行类型的简洁模型,通过对比传统计量模型与机器学习方法,发现模型在预测银行违约概率方面具有高解释性和预测力。研究首次纳入2010-2020年间的国家援助因素,并系统分析不同银行类型(上市、非上市、中小银行)的违约差异,为监管提供新工具。

  
吉安皮耶罗·基罗纳(Gianpiero Chironna)|朱塞佩·奥兰多(Giuseppe Orlando)
意大利巴里大学“阿尔多·莫罗”(Università degli Studi di Bari “Aldo Moro”),经济与金融系,Largo Abbazia S. Scolastica,巴里,I-70124

摘要

尽管违约概率(PD)建模在学术界和商业领域已经发展得相当成熟,但我们对意大利银行业的情况进行分析后发现,目前银行使用的违约概率模型如果直接应用于意大利银行,可能会产生误导。我们认为,决定意大利银行违约概率的因素并非流动性,而是资产回报率(ROA)、财务杠杆率以及银行的类型。此外,我们还发现传统方法在预测银行违约概率方面仍占据主导地位,而这些模型的表现可以作为对银行状况进行回顾性分析的监管工具。本研究是唯一一项考虑2010年至2020年期间国家援助对银行违约概率影响的文献,它涵盖了意大利各类银行的违约情况,并同时采用了传统方法和机器学习(ML)方法,同时提出了一种易于使用的三变量模型来预测银行违约。

引言

本文探讨了意大利银行的违约概率问题,鉴于该国在欧洲乃至全球的重要地位(Heimberger, 2020),以及作为G7成员国在全球范围内所发挥的作用。尽管市场对意大利的经济前景和偿债能力存在担忧,但Daveri和Verona(2020)指出,尽管2009年主权债务危机期间市场利率和信用违约互换(CDS)利差极高,意大利政府仍履行了其义务。意大利的韧性源于其在多个行业的领先地位,例如时尚(Mazzoni, 2020, Di Maria等人, 2023)、制药(Ribbink, 2015, Ferriani等人, 2020)、机电一体化(Dottori, 2021)、食品(Boccia等人, 2019, Fava等人, 2021)和旅游业(Vergori和Arima, 2020, Bufalo和Orlando, 2023)等。Fortis-Corradini指数(FCI)显示,2012年意大利在932种产品的对外贸易顺差方面排名全球第一、第二或第三。此外,FCI还指出,2012年只有三个国家(中国、德国和美国)在贸易平衡方面的排名超过意大利(Fortis等人, 2016)。标准普尔(S&P)也确认了意大利银行业的稳健性,尽管受到了疫情的经济影响。事实上,“金融服务公司的违约概率低于意大利所有行业的平均水平,分别为1.4%和2.6%”(Standard&Poor’s, 2020)。Daveri和Verona(2020)在描述意大利经济时强调了意大利中小型企业(SMEs)的比重远高于其他欧洲国家。因此,许多关于违约概率的研究都集中在意大利的中小企业上(例如,Marotta等人, 2005, Fantazzini和Figini, 2009, Provenzano和Arnone, 2015, Ciampi, 2015, Orlando和Pelosi, 2020)。Ciampi等人(2021)的一项综合回顾系统分析了过去三十年中小企业违约预测模型的演变,强调了机器学习和替代数据源在提高预测准确性方面的作用。相比之下,关于大型企业违约概率的研究较少(Ciampi和Gordini, 2008, Altman等人, 2013, Micheli, 2015)。
为了评估意大利银行的违约概率,我们发现现有文献在解释意大利银行违约模型决定因素方面存在不足。由于意大利银行的独特性,现有的违约概率模型可能并不适合用于预测它们的违约风险。为了填补这一空白,本研究提出了一个具有高预测能力的可解释模型,该模型设计简单透明,便于快速应用。为此,我们采用了两种方法:一种是传统的,另一种是基于机器学习的。我们评估了多种模型,其中表现最好的一种被标记为“Pr05”,并被称为“最佳模型”。这一结论基于以下几个因素:该模型仅包含统计上显著的变量,模型中的术语数量较少,伪R平方值与其它模型相当,AUC值较高,并且不易出现多重共线性问题。具体而言,本研究在多个方面为现有文献做出了贡献:(1)它是唯一一项考虑2010年至2020年期间国家援助对银行违约概率影响的文献。例如,2017年欧盟委员会批准了总计54亿欧元的对MPS的援助,47.8亿欧元的现金注入,以及为BPVI和Veneto Banca的市场退出提供的120亿欧元的国家担保。这些援助使当年公共债务增加了0.6%(国际货币基金组织,2017),对年轻一代产生了不成比例的影响。(2)此外,本研究还首次全面分析了2010年至2020年间意大利各类银行的违约情况,包括上市银行、非上市银行和小型银行(如LSI(地方银行)、合作银行(Popolari)、Spa银行、外国分支机构以及(G-SII)等,反映了银行业的多样性。(3)本研究同时采用了传统方法和机器学习方法,从而可以对银行违约进行全面的分析。(4)研究还提出了一种三变量模型,该模型在解释变量方面最为简洁,因此在预测银行违约方面更为有效。Calabrese和Giudici(2015)提出的模型包含12个变量,而Ferriani等人(2019)提出了包含17个变量的模型,另一种模型包含15个变量。我们提出的简洁模型在数据需求和计算复杂性方面更具优势,这有助于提高模型的可访问性、操作效率和解释性。
此外,Calabrese和Giudici(2015)在定义银行困境时未包括国家援助,因为1996年至2011年期间此类援助的发生频率较低;Ferriani等人(2019)也未考虑国家干预措施,因为在所研究的2008年至2016年期间,意大利的LSI银行未受到这些事件的影响。相比之下,我们的研究将2010年至2020年期间的国家援助纳入了银行违约的定义范围。
在介绍模型和深入分析之前,第2节为读者简要回顾了违约概率建模的总体文献,特别是其在银行领域的应用。第3节描述了数据集,第4节介绍了所采用的方法论以及传统方法与先进机器学习工具之间的比较。第5节总结了建模结果,第6节讨论了监管政策的影响以及BCC(Banche di Credito Cooperativo Casse Rurali ed Artigiane)改革的预期效果。

章节摘录

违约概率建模

违约概率(PD)建模的起源可以追溯到Beaver(1966年)、Altman(1968年)和Ohlson(1980年)的研究。这些早期研究主要使用判别分析来处理规模较小的数据集,通常只有几十个观测值。现代研究(如Moscatelli等人,2020年)则采用了机器学习(ML)技术,处理包含数千万零售信贷数据点的数据集(有兴趣的读者可以进一步了解相关内容)

数据分析和准备

本节分为五个部分。第一部分阐述了违约定义的应用及其探索方法,第二部分介绍了数据结构,第三部分讨论了异常值的分类,最后一部分进行了初步的数据分析。

方法论

本节概述了研究中采用的整体方法论框架,系统地介绍了开发、验证和解释意大利银行违约概率(PD)模型的步骤。如图7所示,研究设计包括构建一个综合数据集,该数据集结合了监管信息、财务报表和宏观经济变量。随后是数据预处理阶段

研究结果

本节展示了主要的研究发现。我们首先使用LASSO特征选择方法对两个数据集(DS(B73)和DS(B100))进行分析,以识别最重要的违约驱动因素(特别是资产回报率(ROA)和净信用风险调整项I68.RRV130.CVC)。然后,我们将传统的计量经济模型(logit、probit、线性概率和面板logit)与机器学习分类器(CART、随机森林和GAM)进行了比较。在较大的DS(B100)样本中,GLM模型的表现最为出色:GLM+ROSE配置

讨论与政策建议

基于为意大利银行开发的违约概率模型,我们得出了两项政策建议,涉及监管方法和2016年BCC改革的影响。

CRediT作者贡献声明

吉安皮耶罗·基罗纳(Gianpiero Chironna):撰写 – 审稿与编辑,撰写 – 原稿创作,数据可视化,模型验证,软件开发,资源整合,方法论设计,研究实施,数据分析,概念框架构建。朱塞佩·奥兰多(Giuseppe Orlando):撰写 – 审稿与编辑,撰写 – 原稿创作,数据可视化,模型验证,项目监督,资源管理,方法论设计,研究协调,资金筹集,数据分析,概念框架构建。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号