Comparative Analysis of the Predictive Power of Machine Learning Models for Forecasting the Credit Ratings of Machine-Building Companies

Аннотация

Целью данного исследования является сравнение предсказательной способности различных моделей машинного обучения для воспроизведения кредитных рейтингов Moody’s, присвоенных машиностроительным компаниям. Исследование закрывает целый ряд пробелов в знаниях, обнаруженных в литературе и связанных с выбором объясняющих переменных и формированием выборки данных для моделирования. Решаемая задача является актуальной. Наблюдается растущая потребность в высокоточных, но недорогих моделях воспроизведения кредитных рейтингов машиностроительных компаний (внутренних кредитных рейтингов). Это связано с постоянным ростом кредитных рисков компаний в отрасли, а также с ограниченным количеством присвоенных публичных рейтингов от международных рейтинговых агентств из-за высокой стоимости рейтингования. В статье сравнивается предсказательная сила трех моделей машинного обучения: упорядоченной логистической регрессии, случайного леса и градиентного бустинга. Выборка компаний включает 109 предприятий машиностроительной отрасли из 18 стран за период с 2005 по 2016 год. В качестве объясняющих переменных используются финансовые показатели компаний, соответствующие отраслевой методологии Moody’s, и макроэкономические показатели стран базирования компаний. Результаты показали, что наибольшей предсказательной способностью обладают модели искусственного интеллекта. Модель случайного леса продемонстрировала точность предсказания 50%, модель градиентного бустинга – 47%. Их предсказательная способность практически в два раза превосходит точность упорядоченной логистической регрессии (25%). Помимо этого, в статье протестированы два различных способа формирования выборки: случайно и с учетом фактора времени. Результат показал, что применение случайной выборки увеличивает предсказательную силу моделей. Включение в модель макроэкономических переменных не улучшает их предсказательную силу. Объяснение заключаться в том, что рейтинговые агентства для обеспечения стабильности рейтинговых оценок следуют подходу «через цикл». Результаты исследования могут быть полезны для исследователей, занятых оценкой точности эмпирических методов моделирования кредитных рейтингов, а также практиков в банковской отрасли, непосредственно использующих такие модели для оценки кредитоспособности машиностроительных компаний.