We develop early warning models for systemic crises prediction using machine learning techniques on macrofinancial data for 36 countries for quarterly data spanning 1970-2013. Machine learning models outperform logistic regression in out-of-sample predictions under the recursive window forecasting mechanism. In particular, using the ensemble random forest algorithm for both feature selection and prediction substantially outperforms the logit models. We identify the key economic and financial drivers ...
We develop early warning models for systemic crises prediction using machine learning techniques on macrofinancial data for 36 countries for quarterly data spanning 1970-2013. Machine learning models outperform logistic regression in out-of-sample predictions under the recursive window forecasting mechanism. In particular, using the ensemble random forest algorithm for both feature selection and prediction substantially outperforms the logit models. We identify the key economic and financial drivers of our models using the random forest framework by extracting each feature’s Gini impurity and corresponding information gain. Throughout the time period, the most important predictors are credit, foreign liabilities, asset prices and foreign currency reserves.
+
Desarrollamos modelos de alerta temprana para la predicción de crisis sistémicas utilizando técnicas de machine learning utilizando variables macro financieras de 36 países con datos trimestrales que abarcan el período 1970-2013. Los modelos de machine learning superan a la regresión logística en predicciones fuera de la muestra utilizando ventanas recursivas. En particular, el uso de random forest, tanto para la selección de variables como para predicción, supera sustancialmente a los modelos logit. ...
Desarrollamos modelos de alerta temprana para la predicción de crisis sistémicas utilizando técnicas de machine learning utilizando variables macro financieras de 36 países con datos trimestrales que abarcan el período 1970-2013. Los modelos de machine learning superan a la regresión logística en predicciones fuera de la muestra utilizando ventanas recursivas. En particular, el uso de random forest, tanto para la selección de variables como para predicción, supera sustancialmente a los modelos logit. Identificamos a los impulsores económicos y financieros clave de nuestros modelos extrayendo la impureza de Gini de cada variable y la correspondiente ganancia de información. A lo largo de nuestra muestra, los predictores más importantes son el crédito, los pasivos externos, los precios de activos y las reservas internacionales.
+
