Prediction of Financial Crisis with Artificial Neural Network: An Empirical Analysis on Turkey
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Prediction of economic crisis, financial distress or bankruptcy has attracted great deal of attention in financial literature and in many other fields among the researchers over the past few decades. Although there are a variety of different methods that can be used to predict the future financial crisis, due to the complexity of the existing factors, prediction of financial crisis is a very difficult case. With the advent of Artificial Neural Networks (ANNs), researchers had the chance to solve various problems in finance. ANN approach is the application of artificial intelligence, which has been improved by the simulation of cognitive learning process of human brain. ANNs are commonly used in recent years, due to major advantages that they offer such as their ability to perform nonlinear statistical modeling that provides new alternative to other statistical methods and to learn directly from examples without needing or providing an analytical solution to the problem. In this study, a monthly dataset covering the period of 1990 and 2014 that belong to the Turkish economy will be used. The purpose of this study is to develop an early-warning system to predict financial crisis. To realize this aim, multi-layered feedforward neural networks (MLFNs) will be used. By using monthly data of 7 key macroeconomic and financial indicators of Turkish economy during 1990 and 2014, we find that predictive power of ANN is quite striking. Our out-of-sample forecasts indicate that the Turkish economy remains at high risk due to major negative developments and potential political instability between 2014 and 2016.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle