Assessing Machine Learning Techniques for Predicting Banking Crises in India
Notice bibliographique
Résumé
The historical prevalence of banking crises and their profound impact on global economies underscores the imperative for policy makers to refine their crisis forecasting frameworks. Against this backdrop, the present study endeavors to predict potential banking crises in India by leveraging a spectrum of artificial intelligence and machine learning techniques (AI-ML). These techniques encompass logistic regression, random forest, naïve Bayes, gradient boosting, support vector machine, neural networks, K-nearest neighbors, and decision trees. Initially, a banking fragility index was constructed utilizing monthly banking data spanning 2002 to 2023, demarcating the periods of crisis and stability. Subsequently, an extensive array of early warning indicators (EWIs) encompassing asset prices, macroeconomic factors, external influences, and credit-related variables were employed to forecast crisis periods. Our findings reveal that AI-ML models exhibit reasonable accuracy in predicting banking crises. Moreover, advanced model performance metrics highlight neural networks and random forest models as particularly effective in crisis prediction, surpassing other methodologies. Notably, among the EWIs, variables related to credit, interest rates, and liquidity emerge as possessing relatively higher information value in discerning fragilities within the Indian banking system. Importantly, the methodological framework presented herein can be extrapolated for banking crisis prediction in other economies.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».