文件名称：当正面情绪不那么正面时：文本分析和银行倒闭-研究论文
文件大小：1.12MB
文件格式：PDF
更新时间：2024-06-29 11:32:32
Risk Management Machine
我们研究了在 2007-2009 年全球金融危机期间倒闭的美国公共银行控股公司 (BHC)。 使用 BHC 级别的合并数据和 10-K 文件，我们调查了危机期间银行倒闭的决定因素。 我们的基线分析部署了非线性机器学习 (ML) 算法来区分失败的银行和没有失败的银行。 我们的描述性分析表明，在 2007 年之前，这两个群体是相对不可区分的。但是，在 2007-2009 年期间，我们发现大约 70% 的倒闭银行可以归类到样本中。 使用可解释 ML 的敏感性分析，我们发现不良贷款、资本比率和净基调（情绪）是区分失败银行和非失败银行的最大因素。 此外，我们根据银行的未来资本进行预测分析。 根据预测的分布，我们发现大多数倒闭的银行在倒闭前排在倒数第 20 个百分位。 最后，我们测试了我们的预测结果对使用不同 ML 算法的敏感性。 我们的结果表明非线性 ML 模型，例如具有径向内核的随机森林和支持向量机 (SVM)，在利用文本数据形成预测方面受益最大。 另一方面，不太复杂的线性模型——例如具有线性内核的弹性网络和 SVM——较少依赖文本内容。 尽管如此，与本文中研究的更复杂的模型相比，线性算法产生了最高的预测性能。 总体而言，我们的预测分析对 ML 复杂性和 FDIC 解决过程中产生的潜在成本具有重要意义。