系统性银行危机预警系统：在小规模宏观审慎数据集中的持续性、协变量及预测性能

《Finance Research Letters》：Early warning systems for systemic banking distress: Persistence, covariates, and predictive performance in small macroprudential panels

　　摘要
我们研究了在系统性银行危机早期预警系统中，时间持续性或可观察到的审慎指标哪一个才是主要的预测信息来源。通过对六个撒哈拉以南非洲经济体应用递归样本外框架，我们发现，在严重危机的发病率较低的情况下，持续性动态提供了最强的预测性能；而在以危机发生为中心的定义下，基于协变量的模型相对更具信息量，因为这种情况下持续性的持续效应减弱了。结合对数几率的混合模型相对于独立的逻辑模型提高了预测性能，但在基线严重危机环境下并未超过基于持续性的结构模型。校准诊断表明，逻辑模型的弱表现部分反映了功能形式的限制， rather than 预测信号在审慎指标中缺失。留一国家法（leave-one-country-out）分析进一步表明，由于南非在样本集中严重危机事件的集中，持续性的优势得到了部分放大。结果表明，宏观审慎早期预警系统中的比较预测性能对危机持续性、持续效应和事件集中度敏感，这意味着在不同的危机环境下，不同的预测架构可能具有相对更多的信息量。

引言
传统的银行危机早期预警系统结合了危机定义、解释性指标和概率预测方法（Kaminsky等，1998年；Demirgü?-Kunt和Detragiache，2000年；Drehmann和Juselius，2014年）。在小型宏观审慎面板数据中，一个关键的未解决问题是：哪个信息来源对预测系统性银行危机更有贡献：时间持续性还是可观察到的审慎指标？尽管这两个组成部分都得到了广泛研究，但它们的相对预测贡献很少被明确评估，尽管这对数据受限的监管环境中监控工具的设计有直接影响。本文使用递归样本外框架对六个撒哈拉以南非洲经济体进行了研究。

最近，机器学习方法被引入以捕捉非线性的金融脆弱性动态，尽管在样本量有限和危机持续存在的环境中，它们的样本外优势仍然存在争议（Wang等，2021年；Liu等，2022年；Huynh和Uebelmesser，2024年）。本文并没有直接扩展机器学习方法，而是在参数预测传统内进行贡献，通过明确分解由持续性和协变量驱动的预测信号；这种分解在不同模型类别中都适用，并且在宏观审慎面板中特别可行，因为机器学习方法面临众所周知的估计和稳定性挑战。与大多数专注于银行级别违约预测的文献不同，本研究采取系统级视角，旨在分离持续性和总体资产负债表条件在系统性危机预测中的相对贡献。

我们开发了一个递归预测框架，该框架将时间持续性与可观察到的宏观审慎信号区分开来。持续性组成部分使用经验贝叶斯收缩的指数加权滤波器进行建模，而协变量组成部分则通过使用滞后审慎指标的岭回归逻辑模型来捕捉。

本文有三个贡献：首先，它开发了一个递归预测框架，明确区分了系统性危机预测中由持续性和协变量驱动的预测信号；其次，它提供了对不同危机环境下预测性能的透明评估，强调了危机持续性、持续事件和事件集中度如何影响相对预测性能；第三，它开发了鲁棒性和诊断练习，有助于区分由持续性和协变量驱动的预测性能。这些贡献对于数据受限的监管环境尤为重要，在这种环境下，简单透明的预测工具对于宏观审慎监控仍然很重要。

问题表述和危机定义
用??=1,…,??表示国家编号，用??=1,…,??表示时间。由于系统性银行危机无法直接观察，我们使用资产负债表脆弱性指标构建了一个代理指标，这些指标捕捉了审慎监管中常规监控的银行稳健性的主要维度。选定的指标包括资本充足性、收益和盈利能力、资产质量以及流动性，符合国际公认的监管框架，包括巴塞尔核心原则。

实证设置
我们采用了一个扩展窗口框架，在该框架中，模型使用直到时间???1的数据进行估计，并在后续观察上进行评估，以确保严格地进行样本外评估。初始训练窗口设置为??0=3年，以提供稳定的估计所需的最小观测次数，同时在小型年度面板中保留尽可能多的递归评估期。在整个分析过程中，超参数保持不变，以避免前瞻性偏差和重复调整。

讨论与结论
本研究旨在确定在小型宏观审慎面板中，时间持续性还是可观察到的审慎指标是系统性银行危机预测信息的主要来源。结果表明，在这里检验的递归预测框架下，基线严重危机环境下，时间持续性对预测性能的贡献大于可观察到的审慎指标。然而，在滞后审慎指标的情况下……

生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了ChatGPT（OpenAI）来辅助语言编辑和语法改进。作者根据需要对内容进行了审查和编辑，并对最终版本承担全部责任。

资金来源
本研究未获得公共、商业或非营利部门的任何资助机构的特定资助。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能会影响本文报告的工作。

致谢
作者衷心感谢匿名审稿人对手稿的仔细评估以及提出的建设性评论和建议，这些都大幅提高了论文的质量、清晰度、严谨性和定位。作者还非常感谢Brunel University London的Paresh Date教授对修订后手稿的宝贵评论和指导，这些评论和指导进一步加强了结果的展示和解释。最后，作者……

Hedson Malata
Northrise Business School, Northrise University, Plot 30029 - Kitwe-Ndola Highway, Ndola, 10101, Zambia