A machine learning approach in stress testing US bank holding companies
Notice bibliographique
Résumé
This paper assesses the utility of machine learning (ML) techniques combined with comprehensive macroeconomic and microeconomic datasets in enhancing risk analysis during stress tests. The analysis unfolds in two stages. I initially benchmark ML’s efficacy in forecasting two pivotal banking variables, net charge-off (NCO) and pre-provision net revenue (PPNR), against traditional linear models. Results underscore the superiority of Random Forest and Adaptive Lasso models in this context. Subsequently, I use these models to project PPNR and NCO for selected bank holding companies under adverse stress scenarios. This exercise feeds into the Tier 1 common equity capital (T1CR) densities simulation. T1CR is the equity capital ratio corrected by some regulatory adjustments to risk-weighted assets. Crucially, findings reveal a pronounced left skew in the T1CR distribution for globally systemically important banks vis-à-vis linear models. By mirroring distress akin to the Great Recession, ML models elucidate intricate macro-financial linkages and enhance risk assessment in downturns. • ML modeling improves forecast accuracy of PPNR and NCO over linear models. • ML modeling better approximates T1CR density than linear models in turmoil. • Linear models tend to underestimate systemic risk in stress test. • ML modeling provides realistic picture of complex macro financial linkages.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| 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 ».