通过高级机器学习技术提升银行破产预测:一种创新方法与分析
机器学习
2025-10-09 v1 人工智能
摘要
背景:金融体系的稳定性取决于银行体系的状况。银行破产会破坏金融体系的稳定性,因为银行受到系统性风险的影响,不仅影响单个银行,还可能影响金融体系的整个部门或整体。计算一家银行破产的概率是确保银行体系安全稳健的方式之一。现有文献与局限性:统计模型,如 Altman 的 Z-Score,是开发银行破产预测模型的常见技术。然而,统计方法依赖刚性且有时无关的假设,这可能导致预测准确率较低。需要新的方法。研究目标:本研究使用机器学习技术开发破产模型,如逻辑回归 (LR)、随机森林 (RF) 和支持向量机 (SVM)。根据几项研究,机器学习也比统计方法在对银行风险管理进行分类和预测方面更准确且更有效。当前研究:商业银行数据来源于 1994 年至 2004 年间 44 家活跃银行和 21 家破产银行的年度财务报表,而农村银行数据来源于 2013 年至 2019 年间 43 家活跃农村银行和 43 家破产农村银行的季度财务报告。还选取了 5 家印度农村银行以演示分析银行破产趋势的可行性。研究发现与意义:研究实验结果表明,RF 可以 90% 的准确率预测商业银行数据。此外,提出的三种机器学习方法准确预测农村银行破产的可能性。贡献与结论:该提出的创新机器学习方法有助于实施降低破产成本的政策。
引用
@article{arxiv.2510.06852,
title = {Enhancing Bankruptcy Prediction of Banks through Advanced Machine Learning Techniques: An Innovative Approach and Analysis},
author = {Zuherman Rustam and Sri Hartini and Sardar M. N. Islam and Fevi Novkaniza and Fiftitah R. Aszhari and Muhammad Rifqi},
journal= {arXiv preprint arXiv:2510.06852},
year = {2025}
}