EBA欧洲银行-A1-Detken2C20Alessi-Identifying-excessive-credit-growth-and-leverage_14页_459kb

报告摘要

文档总结：识别过度信贷增长与杠杆的早期预警指标

核心内容

本论文由Lucia Alessi和Carsten Detken撰写，旨在探讨如何利用随机森林（Random Forest）方法构建早期预警指标，以识别可能引发系统性银行危机或“近失”（near misses）的过度信贷增长与杠杆问题。该研究为欧洲央行（ECB）提供了关于宏观审慎工具（macroprudential instruments）在应对信贷风险方面的重要参考。

主要观点

目标变量：论文聚焦于系统性银行危机及其“近失”事件，基于由专家小组编纂的银行危机数据集，该数据集仅包括与国内信贷/金融周期相关的危机，并排除了因政策干预或外部事件抑制信贷周期的情况。
早期预警指标分类：
- 信贷相关指标：包括总信贷、银行信贷、住户信贷、非金融企业信贷、债务服务比率和公共债务。
- 房地产相关指标：如住宅房地产价格及估值指标。
- 市场指标：包括短期和长期利率、股票价格。
- 宏观经济变量：如实际GDP增长、M3货币供应量、实际有效汇率、经常账户。
随机森林方法：
- 随机森林是一种集成学习方法，通过**自助法（Bootstrap）和聚合（Aggregation）**生成多个决策树，并在随机选择的指标和观测样本上进行训练。
- 它是一种稳健的统计技术，能够有效处理非线性关系和高维数据。
模型表现：
- 随机森林在AUROC（曲线下面积）指标上达到0.94，表明其具有较高的预测能力。
- 样本外误分类率为7%，显示模型在预测危机和非危机情况时具有较好的准确性。
指标排名：
- 论文识别了关键预警指标，并构建了早期预警树，以展示哪些指标在预测危机时最为重要。
模型评估：
- 通过混淆矩阵评估模型性能，计算了真阳性率（TPR）、假阳性率（FPR）、类型I错误率、噪声信号率（N2S）、损失（Loss）、**有用性（Usefulness）和相对有用性（Rel. Usefulness）**等指标。
- 在θ=2/3的情况下，模型的有用性为0.22，相对有用性为0.65，表明其在实际应用中具有一定的实用价值。

关键信息

数据来源：银行危机数据集基于HoR数据库，由MaRs编制，并进行了修正以确保只包含与国内信贷周期相关的系统性危机。
方法论：使用随机森林和递归分割（Recursive Partitioning）技术进行早期预警分析，这些方法能够有效识别信贷增长与杠杆风险的信号。
应用意义：
- 该方法可以成为一种有用的定量工具，用于评估国家的信贷风险。
- 有助于促进关于国家风险的讨论，并为政策制定者提供针对性的宏观审慎工具选择依据。
扩展性：研究指出，可加入更多相关指标（如国家特定信息）以进一步提高模型的预测能力。

模型应用示例：2006年中期的预测

预测结果：
- 预警国家：法国（FR）、爱尔兰（IE）、西班牙（ES）、瑞典（SE）、丹麦（DK）、英国（UK）。
- 未预警国家：希腊（GR）、葡萄牙（PT）、拉脱维亚（LV）、斯洛文尼亚（SI）、荷兰（NL）。
- 未分类国家：包括澳大利亚（AU）、比利时（BE）、卢森堡（LU）、德国（DE）、爱沙尼亚（EE）、斯洛伐克（SK）、马耳他（MT）、塞浦路斯（CY），其中部分危机在预测时间窗口之外发生。