Predykcja bankructwa banków – różnice regionalne i uwarunkowania makroekonomiczne
DOI:
https://doi.org/10.18778/0208-6018.345.03Słowa kluczowe:
bankructwo, CAMEL, predykcja logistyczna, zmienne makroekonomiczneAbstrakt
Artykuł poświęcony został bankructwom banków europejskich z lat 1990–2015. Wykorzystane zostały w nim niezbilansowane dane panelowe dla 3691 banków. Zidentyfikowano 132 bankructwa – zarówno faktyczne, jak i wynikające z konieczności subwencji. Wykorzystano zmienne na poziomie banków typu CAMEL i kontrolne zmienne makroekonomiczne (PKB, inflacja, stopa bezrobocia).
Analiza oparta została na tradycyjnym modelu regresji logistycznej do predykcji bankructwa i metodzie k‑średnich do grupowania. Otrzymane wyniki wskazują, że prawdopodobieństwo bankructwa jest zależne od warunków makroekonomicznych poprzez wyniki klasteryzacji. Zmienne na poziomie banków, które są stabilnym predyktorem bankructwa od roku do czterech lat przed zdarzeniem, to: kapitał do aktywów ogółem (dźwignia) oraz kredyty do funduszy (płynność). Z czynników makroekonomicznych istotne znaczenie ma PKB, ale ze zróżnicowanym wpływem: dla roku przed bankructwem wysokie prawdopodobieństwo bankructwa jest związane z niską dynamika PKB, ale dla 2, 3 i 4 lat przed bankructwem wysokie ryzyko bankructwa jest związane z wysoką dynamika PKB, czyli jest to zależność odwrotna. Pokazuje to zmienną rolę otoczenia makroekonomicznego i wskazuje na potencjalny wpływ sprzyjających warunków makroekonomicznych na powstawanie problemu systemowego w sektorze bankowym.
Pobrania
Bibliografia
Altman E. I., Cizel J., Rijken H. A. (2014), Anatomy of bank distress: the information content of accounting fundamentals within and across countries, http://dx.doi.org/10.2139/ssrn.2504926
Google Scholar
Arena M. (2008), Bank failures and bank fundamentals: A comparative analysis of Latin America and East Asia during the nineties using bank‑level data, “Journal of Banking and Finance”, vol. 32(2), pp. 299–310.
Google Scholar
Betz F., Oprica S., Peltonen T., Sarlin P. (2014), Predicting distress in European banks, “Journal of Banking and Finance”, no. 45, pp. 225–241.
Google Scholar
Cole R. A., White L. J. (2012), Déjà Vu All Over Again: The Causes of U.S . Commercial Bank Failures This Time Around, “Journal of Financial Services Research”, vol. 42(1), pp. 5–29.
Google Scholar
Cox R. A.K., Wang G. W. (2014), Predicting the US bank failure : A discriminant analysis, “Economic Analysis and Policy”, vol. 44(2), pp. 202–211.
Google Scholar
Drehmann M., Juselius M. (2014), Evaluating early warning indicators of banking crises: Satisfying policy requirements, “International Journal of Forecasting”, vol. 30, issue 3, pp. 759–780.
Google Scholar
Hájek P., Olej V., Myšková R. (2015), Predicting Financial Distress of Banks Using Random Subspace Ensembles of Support Vector Machines, [in:] R. Silhavy, R. Senkerik, Z. Oplatkova, Z. Prokopova, P. Silhavy (eds.), Artificial Intelligence Perspectives and Applications. Advances in Intelligent Systems and Computing, vol. 347, Springer, Cham.
Google Scholar
Hambusch G., Shaffer S. (2016), Forecasting bank leverage: an alternative to regulatory early warning models, “Journal of Regulatory Economics”, vol. 50(1), pp. 38–69.
Google Scholar
Iwanicz‑Drozdowska (ed.) (2016), European Bank Restructuring During the Global Financial Crisis, Palgrave Macmillan, London.
Google Scholar
Iwanicz‑Drozdowska M., Laitinen E., Suvas A. (2018), Paths of glory or paths of shame? An analysis of distress events in European banking, “Bank i Kredyt”, vol. 49(2), pp. 115–144.
Google Scholar
Kapinos P., Mitnik O. A. (2016), A Top‑down Approach to Stress‑testing Banks, “Journal of Financial Services Research”, vol. 49(2), pp. 229–264.
Google Scholar
Kolari J., Glennon D., Shin H., Caputo M. (2002), Predicting large US commercial bank failures, “Journal of Economics and Business”, vol. 54(4), pp. 361–387.
Google Scholar
Lopez J. A. (1999), Using CAMELS ratings to monitor bank conditions, Federal Reserve Bank of San Francisco Economic Letter, no. 19.
Google Scholar
López Iturriaga F. J., Sanz I. P. (2015), Bankruptcy visualization and prediction using neural networks: a study of U. S. commercial banks, “Expert Systems with Applications”, no. 42(6), pp. 2857−2868.
Google Scholar
Maghyereh A. I., Awartani B (2014), Bank distress prediction: Empirical evidence from the Gulf Cooperation Council countries, “Research in International Business and Finance”, no. 30, pp. 126–147.
Google Scholar
Peek J., Rosengren E. (1996), The use of capital ratios to trigger intervention in problem banks: too little, too late, “New England Economic Review”, September/October, pp. 49–58.
Google Scholar
Peltonen T. A., Piloiu A., Sarlin P. (2015), Network linkages to predict bank distress, European Central Bank, Working Paper Series, no. 1828.
Google Scholar
Poghosyan T., Čihak M. (2011), Determinants of Bank Distress in Europe: Evidence from a New Data Set, “Journal of Financial Services Research”, vol. 40(3), pp. 163–184.
Google Scholar
Ravisankar P., Ravi V. (2010), Financial distress prediction in banks using Group Method of Data Handling neural network, counter propagation neural network and fuzzy ARTMAP, “Knowledge‑Based Systems”, vol. 23(8), pp. 823–831.
Google Scholar
Shaffer S. (2012), Bank failure risk: Different now?, “Economics Letters”, vol. 116(3), pp. 613–616.
Google Scholar
Sinkey J. F. Jr (1975), A multivariate statistical analysis of the characteristics of problem banks, “Journal of Finance”, vol. XXX(1), pp. 21–36.
Google Scholar
SirElkhatim M. A., Salim N. (2015), Prediction of Banks Financial Distress, “SUST Journal of Engineering and Computer Sciences”, vol. 16(1), pp. 40–55.
Google Scholar
Wheelock D. C., Wilson P. W. (2000), Why do banks disappear? The determinants of U. S. bank failures and acquisitions, “The Review of Economics and Statistics”, no. 82(1), pp. 127−138.
Google Scholar
Pobrania
Opublikowane
Jak cytować
Numer
Dział
