Forecasting Sovereign Credit Risk Amidst a Political Crisis: A Machine Learning and Deep Learning Approach
Notice bibliographique
Résumé
The purpose of this paper is to forecast the sovereign credit risk for Egypt, Morocco, and Saudi Arabia during political crises. Our approach uses machine learning models (Linear Regression, Ridge Regression, Lasso Regression, XGBoost, and Kernel Ridge) and deep learning models (RNN, LSTM, BiLSTM, and GRU) to predict CDS-based implied default probabilities. We compare the predictive accuracy of the tested models with the results showing that Linear Regression outperforms all other techniques, while deep learning architectures, such as RNN and GRU, demonstrate a competitive performance. To validate the sovereign credit risk prediction, we use the forecasted implied default probability from the Linear Regression model to determine the corresponding forecasted implied rating according to the Thomson Reuters StarMine Sovereign Risk model. The results reveal significant differences in the perceived creditworthiness of Egypt, Morocco, and Saudi Arabia, reflecting each country’s economic fundamentals and their ability to manage global shocks, particularly those related to the Russo-Ukrainian war. Specifically, Egypt is perceived as the most vulnerable, Morocco occupies an intermediate position, and Saudi Arabia is seen as having a low credit risk. This study provides valuable managerial insights by enhancing tools for the sovereign credit risk analysis, offering reliable decision-making in volatile global markets. The alignment between forecasted ratings and default probabilities underscores the practical relevance of the results, guiding stakeholders in effectively managing credit risks amidst economic uncertainty.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».