在商业银行中,利用XGBoost和结构学习(SLAVE)算法以及ESG(环境、社会和治理)因素来预测信用风险
《Risks》:Predicting Credit Risk with ESG Factors Using XGBoost and Structural Learning in Vague Environments (SLAVE) in Commercial Banks
【字体:
大
中
小
】
时间:2026年08月28日
来源:Risks 1.8
编辑推荐:
摘要 预测信用风险对银行至关重要,因为它能够保障金融稳定、
摘要
预测信用风险对银行至关重要,因为它能够保障金融稳定、最小化违约损失、优化资本配置并确保合规性。本研究旨在通过将机器学习与传统计量经济学方法相结合,预测商业银行的信用风险(高/低)。结构学习在模糊环境中的应用(SLAVE)基于规则的模糊模型能够处理金融决策中的不确定性,而极值梯度提升(XGBoost)则能发现预测因素之间的非线性关系。输入变量包括盈利能力、流动性风险、ESG(环境、社会和治理)评分以及货币自由度,这些变量是通过多重共线性测试和三种面板回归模型选定的,涵盖普通最小二乘法(OLS)、固定效应模型和随机效应模型。实证研究使用了2014年至2023年间中东七个国家四十家商业银行的面板数据集,共获得400条观测值。回归结果显示,盈利能力和ESG评分显著降低了信用风险,而流动性风险和货币自由度则会增加信用风险。结合SHapley Additive exPlanations(SHAP)解释方法的XGBoost模型指出,ESG评分是最具影响力的预测因素。SLAVE模型通过70/30、80/20和90/10三种数据分割方式进行评估,其中80/20的分割方法实现了最高的准确性,在识别低风险银行方面表现更优。较强的ESG表现和稳定的货币环境有助于促进银行业可持续发展并降低信用风险,因此这些指标对于中东银行业风险管理框架具有重要意义。
生物通微信公众号
生物通新浪微博
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