| Tartalmi leírás: |
A tanulmány átfogóan elemzi a gazdasági stabilitás szempontjából is kiemelten fontos terület, a bankcsőd-előrejelzés terén használt modellek teljesítményét. Az Egyesült Államok szövetségi betétbiztosítási intézménye, a Federal Deposit Insurance Corporation (FDIC) adathalmazát felhasználva 950 bankot vizsgál, köztük 60 olyan intézményt, amely nem vészelte át a 2008-as pénzügyi válságot. Az elemzés 26 CAMEL-mutatószámra alapuló bináris osztályozás keretében veti össze a boosting (javító) algoritmusok és a véletlen erdő (random forest) modellcsalád teljesítményét. A csődöt elkerülő bankok osztályozásában egyértelműen jobban teljesítenek a boosting-algoritmusoknál a véletlen erdő eljárások, amelyek az esetek 97%-ában helyesen osztályozták az adatokat. Ezek közül is kiemelkedő a regularizált véletlen erdő modell precizitása (0,988). A csődbe jutó bankok előrejelzése terén a véletlen erdő modellek, és különösen a regularizált modellváltozat nagy pontossággal azonosítják a valódi csődhelyzeteket. Mindezek alapján a véletlen erdő modellek képesek pontosan és megbízhatóan előrejelezni a bankcsődöt, ezért kulcsfontosságú szerepet kaphatnak a tévesen azonosított esetek minimalizálásában, ami elengedhetetlen a megalapozott előrejelzésekhez a bankszektorban.
|
