Сравнительный анализ точности методов машинного обучения при прогнозировании кредитных рейтингов машиностроительных компаний
Аннотация
Цель данного исследования - сравнение прогностической способности различных методов машинного обучения при воспроизведении кредитных рейтингов агентства Moody’s, присваиваемых машиностроительным компаниям. Работа восполняет несколько пробелов в научной литературе, касающихся выбора объясняющих переменных и формирования выборки данных для моделирования.
Актуальность задачи обусловлена растущей потребностью в высокоточных и малозатратных методах внутренней оценки кредитного рейтинга машиностроительных компаний. Это связано с продолжающимся ростом кредитных рисков в отрасли, а также ограниченным количеством присвоенных международными рейтинговыми агентствами публичных рейтингов, обусловленным высокой стоимостью процедуры их получения.
В исследовании сравниваются три метода машинного обучения: упорядоченная логистическая регрессия, случайный лес и градиентный бустинг. В выборку включены 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, а также макроэкономические показатели стран их базирования.
Результаты показывают, что методы на основе искусственного интеллекта обладают наибольшей прогностической способностью: точность модели случайного леса составила 50%, градиентного бустинга - 47%, в то время как упорядоченная логистическая регрессия показала лишь 25%. Таким образом, методы машинного обучения почти в два раза точнее традиционного статистического подхода.
Кроме того, в статье протестированы два подхода к формированию выборки: случайный отбор и с учётом временного фактора. Установлено, что использование случайной выборки повышает точность прогнозирования. Включение макроэкономических переменных в модели не улучшает их прогностическую силу, что объясняется применением рейтинговыми агентствами подхода «сквозного цикла» (through-the-cycle) для обеспечения стабильности рейтингов.
Результаты исследования могут быть полезны как ученым, занимающимся эмпирическим моделированием кредитных рейтингов, так и практикам в банковской сфере, применяющим подобные методы для оценки кредитоспособности машиностроительных компаний.
Скачивания
Литература
Liao Y., Loures, E., Deschamps, F., Ramos, L.F. Past, Present and Future of Industry 4.0 – a Systematic Literature Review and Research Agenda Proposal. International Journal of Production Research. 2017; 55 (12) DOI: https://doi.org/10.1080/00207543.2017.1308576
Karminsky A.M., Peresetsky A.A. Rejtingi kak mera finansovyh riskov. Evolyuciya, naznachenie, primenenie. Zhurnal Novoj ekonomicheskoj associacii. 2009; 1-2
Karminsky A.M., Polozov A.A. Enciklopediya rejtingov: ekonomika, obshchestvo, sport. Forum; 2016.
Langohr H., Langohr P. The Rating Agencies and their Credit Ratings: What They Are, How They Work and Why They Are Relevant, John Wiley & Sons, Inc., Hoboken, New Jersey; 2008.
Karminsky, A.M. Peresetsky A.A. Modeli rejtingov mezhdunarodnyh agentstv. Prikladnaya ekonometrika. 2007; 1(5)
Karminsky, A. M. Kreditnye rejtingi i ih modelirovanie. Izd. dom Vysshej shkoly ekonomiki; 2015
Beaver, W. Financial Ratios as Predictors of Failure. Journal of Accounting Research. 1966; 4 DOI: https://doi.org/10.2307/2490171
Altman E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance. 1968; 23 DOI: https://doi.org/10.2307/2978933
Martin, D. Early Warning of Bank Failure: A Logit Regression Approach. Journal of Banking and Finance. 1977; 1, 249-276 DOI: https://doi.org/10.1016/0378-4266(77)90022-X
Ohlson, J. A. Financial Ratios and Probabilistic Prediction of Bankruptcy. Journal of Accounting Research. 1980; 18, 109-131 DOI: https://doi.org/10.2307/2490395
Ederington, L. Classification models and bond ratings. The financial review. 1985; 20 DOI: https://doi.org/10.1111/j.1540-6288.1985.tb00306.x
Blume, M., Lim F., MacKinlay A. C. Thee declining quality of US corporate debt: Myth or reality? Journal of Finance. 1998; 53 DOI: https://doi.org/10.1111/0022-1082.00057
Amato, J., Furfine C. Are credit ratings procyclical? Journal of Banking & Finance. 2004; 28 DOI: https://doi.org/10.1016/j.jbankfin.2004.06.005
Ashbaugh-Skaife, H., Collins D., LaFond R. The Effects of Corporate Governance on Firms Credit Ratings. Journal of Accounting and Economics. 2006; 42 DOI: https://doi.org/10.1016/j.jacceco.2006.02.003
Demeshev B. B., Tihonova A. S. Dinamika prognoznoj sily modelej bankrotstva dlya srednih i malyh rossijskih kompanij optovoj i roznichnoj torgovli. Korporativnye finansy. 2014. T. 31. № 3. S. 4-22
Sermpinis G. Tsoukas S., Zhang P. Modelling market implied ratings using LASSO variable selection techniques. Journal of Empirical Finance 2018; 48 DOI: https://doi.org/10.1016/j.jempfin.2018.05.001
Kwon Y., Han I., Lee K. Ordinal pairwise partitioning (OPP) approach to neural networks training in bond rating. Intelligent Systems in Accounting, Finance & Management. 1997; 6: 23–40 DOI: https://doi.org/10.1002/(SICI)1099-1174(199703)6:1<23::AID-ISAF113>3.3.CO;2-W
Bellotti T., Crook J., Support vector machines for credit scoring and discovery of significant features. Expert Systems with Applications. 2009; 36 (2), p. 3302-3308 DOI: https://doi.org/10.1016/j.eswa.2008.01.005
Davis, R. H., Edelman, D. B., & Gammerman, A. J. Machine-learning algorithms for credit-card applications. IMA Journal of Management Mathematics. 1992; 4(1), 43–51 DOI: https://doi.org/10.1093/imaman/4.1.43
Zhou, S. R., & Zhang, D. Y. A nearly neutral model of biodiversity. Ecology. 2008; 89(1), 248–258 DOI: https://doi.org/10.1890/06-1817.1
Frydman, H., Altman, E. I., & Kao, D. L. Introducing recursive partitioning for financial classification: The case of financial distress. The Journal of Finance. 1985; 40(1), 269–291 DOI: https://doi.org/10.1111/j.1540-6261.1985.tb04949.x
Jensen, H. L. Using neural networks for credit scoring. Managerial Finance. 1992; 18(6), 15–26 DOI: https://doi.org/10.1108/eb013696
West, D. Neural network credit scoring models. Computers & Operations Research. 2000; 27(1), 1131–1152 DOI: https://doi.org/10.1016/S0305-0548(99)00149-5
West, D., Dellana, S., & Qian, J. X. Neural network ensemble strategies for financial decision applications. Computers & Operations Research. 2005; 32(10), 2543–2559 DOI: https://doi.org/10.1016/j.cor.2004.03.017
Huang Z., Chen H., Hsu C., Chen W., Wu S. Credit rating analysis with support vector machines and neural networks: a market comparative study. Decision Support Systems. 2004; 37 DOI: https://doi.org/10.1016/S0167-9236(03)00086-1
Kumar, K., Bhattacharya, S. Artificial neural network vs linear discriminant analysis in credit ratings forecast: a comparative study of prediction performances. Review of Accounting and Finance. 2006; 5, 216–227 DOI: https://doi.org/10.1108/14757700610686426
Chopra F., Bhilare P. Application of Ensemble Models in Credit Scoring Models. Business Perspectives and Research. 2018; 6 (4) DOI: https://doi.org/10.1177/2278533718765531
Wang, G., & Ma, J. Study of corporate credit risk prediction based on integrating boosting and random subspace. Expert Systems with Applications. 2011; 38(4), 13871–13878 DOI: https://doi.org/10.1016/j.eswa.2011.04.191
Balios, D., Thomadakis, S., Tsipouri, L. Credit rating model development: An ordered analysis based on accounting data. Research in International Business and Finance. 2016 DOI: https://doi.org/10.1016/j.ribaf.2016.03.011
Bhojraj, S., P. Sengupta. Effect of Corporate Governance on Bond Ratings and Yields: The Role of Institutional Investors and Outside Directors.Journal of Business. 2003; 76(3), 455 – 475 DOI: https://doi.org/10.1086/344114
Karminsky A. M. Metodicheskie voprosy postroeniya konstruktora dinamicheskih rejtingov. Vestnik mashinostroeniya. 2008
Saitoh, F. Predictive modeling of corporate credit ratings using a semi-supervised random forest regression. IEEE International Conference on Industrial Engineering and Engineering Management. 2016; 429-433 DOI: https://doi.org/10.1109/IEEM.2016.7797911
Grilli, L., Rampichini, C. Ordered Logit Model. Encyclopedia of Quality of Life and Well-Being Research. 2014; p. 4510-4513 DOI: https://doi.org/10.1007/978-94-007-0753-5_2023
Internet-resurs www.moodys.com
Biau, G. Analysis of a Random Forests Model. The Journal of Machine Learning Research. 2012; 98888, 1063–1095
Natekin A., Knoll A. Gradient Boosting Machines. Frontiers in Neurorobotics. 2013; 7 (21) DOI: https://doi.org/10.3389/fnbot.2013.00021
Senaviratna, N. A. M. R., Cooray A., T. M. J. Diagnosing Multicollinearity of Logistic Regression Model. Asian Journal of Probability and Statistics. 2019; 5(2), 1-9 DOI: https://doi.org/10.9734/ajpas/2019/v5i230132
Abdi, H. and Williams, L.J. Principal Component Analysis. Wiley Interdisciplinary Reviews: Computational Statistics. 2010; 2, 433-459 DOI: https://doi.org/10.1002/wics.101
Hossin M. A Review on Evaluation Metrics for Data Classification Evaluations. International Journal of Data Mining & Knowledge Management Process. 2015; 5(2):01-11 DOI: https://doi.org/10.5121/ijdkp.2015.5201
Copyright (c) 2022 Национальный исследовательский университет «Высшая школа экономики»
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
