20220728-IMF-Understanding_and_Predicting_Systemic_Corporate_Distress_A_Machine-Learning_Approach_48页_2mb

报告摘要

系统性企业困境的理解与预测：机器学习方法

通过对55个国家1995-2021年期间的企业违约概率数据进行分析，本文提出了一种系统性企业困境的新定义：即当一国经济中大部分企业违约概率持续升高时，即被视为系统性困境。本研究构建了基于机器学习的早期预警系统，用于预测未来一年内可能出现的企业系统性困境。

数据方面，基于NUS-CRI违约概率数据，通过资本加权平均方法，构建了宏观经济层面的违约概率指数。研究选取43个预测变量，包括企业资产负债表变量、市场估值指标、国内外宏观经济变量以及全球金融条件等。

在方法上，论文提出采用新息马尔可夫切换模型确定系统性困境期，平均而言，经济体系中18%的时间处于企业困境期。进一步运用XGBoost、逻辑回归、LDA、SVM和随机森林五种机器学习模型进行并集预测，并通过H区块交叉验证选择超参数，结果显示组合模型预测效果最优，样本外AUROC为0.67，组合模型更准确。

模型解释方面，沙普利值分析显示，联邦基金影子利率、12个月违约概率、政策利率、美元升值以及市场指数回报为最显著预测因子。另一个重要发现是，企业困境对GDP增长和信贷增长影响有限，尤其是在新兴市场经济体中，但企业困境比金融危机对经济影响更为缓和。

政策启示方面，研究表明改善企业资产负债表状况和全球金融条件是防范系统性企业困境的重要手段。企业困境往往发生在资本流入减少、信贷紧缩时期，因此加强此类风险监测对于宏观审慎政策具有关键意义。

本研究为未来系统性企业风险管理提供重要参考，尤其是在更多数据集出现后，可以更全面地分析不同国家背景下的企业困境风险。