走向稳健的预警模型：赛马、团队和模型

随机决策森林。《第三届国际文献分析与识别会议记录》，第278-282页，1995年。[43]M.Holopainen和P.Sarlin。CrisisModeler：探索危机预测的工具。2015年，在EEE金融工程与经济计算智能研讨会论文集上发表。[44]K.霍尼克、M.斯丁奇科姆和H.怀特。多层前馈网络是通用的逼近器。神经网络，2:359–3661989。[45]B.霍恩坎农。用于评估公共政策的面板数据模型的引导。蒙特利尔大学博士论文，2011年。[46]黄国斌、朱智彦和萧振光。极限学习机：理论与应用。神经计算，70:489–501，2006。[47]C.Hurlin、S.Laurent、R.Quaedvlieg和S.Smeekes。风险度量推断。工作文件，HAL Id:halshs-008772792013。[48]国际货币基金组织。发达经济体的金融压力指数。2010年《世界经济展望》。[49]G.卡明斯基。各种各样的货币危机。NBER工作论文，第10193号，国家经济研究局。，2003年[50]G.卡明斯基和C.莱因哈特。双重危机：银行业和国际收支问题的原因。联邦储备委员会讨论文件，第544号，1996年。[51]G.卡明斯基、S.利佐多和C.莱因哈特。货币危机的主要指标。国际货币基金组织统计文件，45（1）：1-481998。[52]G.卡佩塔尼奥斯。具有多个横截面单元的面板数据集的引导过程。计量经济学杂志，11:377-3952008。[53]C.金德尔伯格和R.阿利伯。疯狂、恐慌和崩溃：金融危机史，第六卷。纽约：帕尔格雷夫·麦克米伦。，2011年[54]T.Knedlik和G.von Schweinitz。宏观经济失衡是欧洲债务危机的指标。《共同市场研究杂志》，50（5）：726-7452012。[55]H.R.K–unsch。

用于一般静止观测的折刀和引导。《统计学年鉴》，第1217-124119989页。[56]R.科哈维。交叉验证和bootstrap的研究，用于精度估计和模型选择。《国际艺术情报联合会议纪要》，第2卷，第1137-1143页，美国加利福尼亚州旧金山，1995年。摩根·考夫曼出版公司[57]R·科哈维、B·贝克尔和D·索默菲尔德。改进简单贝叶斯。1997年欧洲机器学习会议记录。[58]L.昆切瓦和C.惠特克。衡量古典音乐的多样性。机器学习，51:181–207，2003年。[59]L.拉平和F.瓦伦西亚。银行危机数据库：更新。国际货币基金组织经济评论，2013年。[60]P.Lain\'a、J.Nyholm和P.Sarlin。系统性银行危机的主要指标：芬兰在欧盟国家的一个小组中。《金融经济学评论》，2015年。[61]J.H.Lang、T.Peltonen和P.Sarlin。预警建模框架。欧洲央行工作文件系列，即将出版，2015年。[62]M.Lo Duca和T.A.Peltonen。评估系统性风险和预测系统性事件。《银行和金融杂志》，37（7）：2183-21952013。[63]A.纳格和A.米特拉。神经网络和货币危机预警指标。印度储备银行临时文件20（2），183–222，1999年。[64]T.A.佩尔顿。新兴市场货币危机是可预测的吗？测试。欧洲央行第5712006号工作文件。[65]M.H.昆努耶。时间序列中相关性的近似检验。《皇家统计学会期刊》（B辑），1949年11:68–84。[66]J.拉姆泽和L.福斯特。比率分析的演示。伊利诺伊州乌尔巴纳伊利诺伊大学商业研究局，公告40，1931年。[67]C.M.莱因哈特和K.S.罗戈夫。这一次截然不同：八个世纪的金融愚蠢。普林斯顿大学出版社，普林斯顿，2009年。[68]B.里普利。

神经网络和分类的相关方法。英国皇家统计学会杂志，56:409–456, 1994.[69]J.Sachs、A.Tornell和A.Velasco。新兴市场的金融危机：1995年的教训。布鲁金斯经济活动论文，第1期，第147-218页，1996年。[70]W.萨尔。神经网络和统计模型。第十九届SAS用户集团国际年会论文集，第1538-1550页。，北卡罗来纳州卡里：SAS研究所，1994年。[71]P.萨林。关于全球金融危机的生物启发性预测。神经计算与应用，24（3-4）：663-673，2013。[72]P萨林。宏观审慎监管、风险沟通和可视化。伦敦经济学院，系统风险中心，专题论文4，2013年。[73]P.萨林。利用自组织财务稳定性图。Arti FicialIntelligence的工程应用，即将出版，2013年。[74]P.萨林。政策制定者的损失函数和预警系统的评估。《经济学快报》，119（1）：2013年1-7月。[75]P.萨林。分解全球金融危机：自组织时间图。《模式识别字母》，34:1701–17092013。[76]P.Sarlin和D.Marghescu。货币危机的神经基因预测。《会计、财务和管理中的智能系统》，18（4）：145–160，2011年。[77]P.萨林和T.佩尔顿。绘制财务稳定状态图。国际金融市场、机构与货币杂志，26:46–762013。[78]R.E.夏皮雷。弱学习能力的力量。机器学习，5（2）：197-227，1990年。[79]A.Schimmelpfennig、N.Roubini和P.Manasse。预测主权债务危机。国际货币基金组织工作文件03/221，国际货币基金组织。，2003年[80]R.施密特。债务重组的早期预警。《银行与金融杂志》，8（2）：357-370，1984年。[81]邵俊杰。通过交叉验证选择线性模型。

《美国统计协会杂志》，88（422）：486–494，1993年。[82]斯通先生。支持和反对交叉验证的渐近性。Biometrika，64:29-351977。[83]R.J.塔弗勒和B.阿巴西。国家风险：预测发展中国家偿债问题的模型。皇家统计学会杂志。A辑（概述），147（4）：541-5681984。[84]R.Tibshirani。通过套索进行回归收缩和选择。《皇家统计学会期刊》（B辑），58（1）：267-2881996。[85]G.Vanwinckelen和H.Blockeel。通过重复交叉验证估计模型精度。英国广播公司。De Baets，B.Manderick，M.Rademaker和W.Waegeman主编，《第21届比利时机器学习会议记录》，第39-44页，根特，2012年。[86]W.N.Venables和B.D.Ripley。《现代应用统计学》第四版。斯普林格。，2002年[87]D.H.沃尔伯特。叠加泛化。神经网络，5:241–25921992。[88]张。通过多重交叉验证进行模型选择。《统计年鉴》，21:299–313，1993年。附录A。

稳健性测试和附加结果表A.1：信号提取的交叉验证结果。方法准确率召回准确率再校准准确率FN比率UA（μ）Ur（μ）AUC债务与服务比率15 39 1020 78 0.28 0.16 0.93 0.96 0.90 0.04 0.84 0.00 6%0.51通货膨胀率39 133 926 54 0.23 0.42 0.95 0.87 0.84 0.13 0.58 0.00 6%0.50政府债务与GDP之比12 35 1024 81 0.26 0.13 0.93 0.97 0.90 0.03 0.00 4%0.51信贷增长15 49 1010.23 0.160.50房价与收入之比0.1059 93 NA 0.00 0.92 0.00 1.00 0.00 0%0.52经常项目与GDP之比0.1059 93 NA 0.00 0.92 1.00 0.92 0.00 1.00 0.00 0%0.50贷款与收入之比0.1059 93 NA 0.00 0.92 1.00 0.00 0.00 0.00 0%0.51国内生产总值信贷0 0 0 0 0 1059 93 NA 0.00 0.00 0.92 1.00 0.00 0.00 0.92 0.00 0.00 0.00 0.00 0.00 0%0.00国内生产总值增长0.00 1059 93 NA 0.00债券收益率0.001059 93 NA 0.00 0.92 1.00 0.92 0.00 1.00 0.00%0.49房价增长1147 1012 82 0.19 0.12 0.93 0.96 0.89 0.04 0.88 0.00-1%0.50房价差距26109 950 67 0.19 0.28 0.93 0.90 0.85 0.10 0.72 0.00-1%0.51股价增长642 1017 0.13 0.07 0.92 0.96 0.89 0.04 0.94 0.00-5%0.518 GDP差距0.53 0.49 0.53 0.0.0 0 0 0.79注释：表0报告交叉验证了信号提取的样本外性能，最佳阈值为0.8，预测范围为5-12个季度。

该表还在列中报告了评估模型总体性能的以下指标：TP=真阳性，FP=假阳性，TN=真阴性，FN=假阴性，精确阳性=TP/（TP+FP），召回阳性=TP/（TP+FN），精确阴性=TN/（TN+FN），召回阴性=TN/（TN+FP），准确度=（TP+TN）/（TP+TN+FP+FN），绝对和相对有效性Ua和Ur（见公式1-3），AUC=ROC曲线下的面积（TP率与FP率）。

有关这些措施的更多详细信息，请参见第2.2节。TPFPTNFn阳性阴性表A.2：u=0.9193的信号提取交叉验证结果。方法准确率召回准确率再校准准确率FN率Ua（μ）Ur（μ）AUC股价增长83360699100.190.890.990.660.680.340.110.0455%0.78信贷与GDP之差72306753210.190.770.970.710.720.290.230.0449%35%0.70房价差57292767360.160.610.960.720.280.390.0334%0.66通货膨胀7348457520.130.790.970.540.560.460.220.0233%0.76政府债务对国内生产总值5528772380.160.590.950.730.720.270.410.0232%0.71房价增长66 484 575 27 0.12 0.71 0.96 0.54 0.56 0.46 0.29 0.02 25%0.65经常项目对国内生产总值的贡献90 799 260 3 0.10 0.97 0.99 0.25 0.30 0.75 0.03 0.02 21%0.64房价对收入的贡献81 844 215 12 0.09 0.87 0.95 0.20 0.26 0.80 0.13 0.01%0.54对国内生产总值的贡献47 557 502 46 0.08 0.51 0.92 0.48 0.53 0.50 0.00-2 0.50 0.00贷款对收入的贡献0.890.80%0.00-5%0.76注：该表报告了交叉验证的样本外信号提取性能，最佳阈值的首选项为0.9193（1-Pr（C=1））。预测期为5-12个季度。

该表还在列中报告了评估模型总体性能的以下指标：TP=真阳性，FP=假阳性，TN=真阴性，FN=假阴性，精确阳性=TP/（TP+FP），召回阳性=TP/（TP+FN），精确阴性=TN/（TN+FN），召回阴性=TN/（TN+FP），准确度=（TP+TN）/（TP+TN+FP+FN），绝对和相对有效性Ua和Ur（见公式1-3），AUC=ROC曲线下的面积（TP率与FP率）。有关这些措施的更多详细信息，请参见第2.2节。TPFPTNFNPositivesNegativesTable A.3：递归实时估计与丢弃窗口的赛马。方法精密度召回精密度再校准准确率FN率Ur（μ）AUCKNN 72 5 239 14 0.94 0.84 0.95 0.98 0.94 0.02 0.16 0.11 75%0.979神经网络74 21 223 12 0.78 0.86 0.95 0.91 0.90 0.09 0.14 0.11 72%0.969SVM 74 23 221 12 0.76 0.86 0.95 0.90 0.95 0.91 0.89 0.09 0.11%0.11 71%0.952 ELM 75 33 211 10 0.69 0.87 0.90 0.90 0.90 0.90.90.90 0.90 0.90 0.90 0.90 0.90 0.90 0.90.90 90.90.90.90 0.90 0.90 0.90 90.90.90.90.90.90.90.90.90.90.90.90%QDA 0.90 90 90 90 90 900 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.02.12%0.850Classific。树23 12 232 63 0.66 0.27 0.79 0.95 0.77 0.05 0.73-0.01-8%0.417信号提取。16 94 150 70 0.15 0.19 0.68 0.62 0.50 0.39 0.81-0.08-53%0.620注：该表报告了给定最佳阈值的所有方法的递归样本外性能排名，首选项为0.8，预测范围为5-12个季度，每个季度都取消了一个窗口。

该表还在列中报告了评估模型总体性能的以下指标：TP=真阳性，FP=假阳性，TN=真阴性，FN=假阴性，精确阳性=TP/（TP+FP），召回阳性=TP/（TP+FN），精确阴性=TN/（TN+FN），召回阴性=TN/（TN+FP），准确度=（TP+TN）/（TP+TN+FP+FN），绝对和相对有效性Ua和Ur（见公式1-3），AUC=ROC曲线下的面积（TP率与FP率）。有关这些措施的更多详细信息，请参见第2.2节。TPFPTNFNPositivesNegativesTable A.4：删除窗口的递归估计的聚合结果。方法估计精度召回精度再校准精度FP率FN率Ur（μ）AUC非加权递归84 35 209 2 0.71 0.98 0.99 0.86 0.89 0.14 0.02 0.12 82%0.953加权递归83 38 206 3 0.69 0.97 0.99 0.84 0.88 0.16 0.04 0.12 80%0.970最佳递归68 24 220 18 0.74 0.79 0.92 0.90 0.87 0.10 0.21 0.09 61%0.846投票递归55 238 31 0.90 0.64 0.89 0.890.36 0.07 47%0.933注意事项：该表报告了给定最佳阈值的集合的递归样本外性能，偏好为0.8，预测范围为5-12个季度，每个季度都会取消一个窗口。第一列对应其相对于个别方法的排名（表4和表5）。该表还在列中报告了评估模型总体性能的以下指标：TP=真阳性，FP=假阳性，TN=真阴性，FN=假阴性，精确阳性=TP/（TP+FP），召回阳性=TP/（TP+FN），精确阴性=TN/（TN+FN），召回阴性=TN/（TN+FP），准确度=（TP+TN）/（TP+TN+FP+FN），绝对和相对有效性Ua和Ur（见公式1-3），AUC=ROC曲线下的面积（TP率与FP率）。

有关这些措施的更多详细信息，请参见第2.2节。TPFPTNFn阳性阴性表A.5：交叉验证有用性比较的意义。KNN SVMNeural networkELM加权投票是非加权随机森林中的佼佼者。treeNaive Bayeslogit LASSOLDASignal提取物。KNN X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X。树X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X信号提取。X X X X X X X X注释：该表报告了各种方法相对有用性比较的统计意义。“X”标记表示不同方法之间的统计显著差异，这些方法按相对有用性升序排序。根据每种方法各自的经验重采样分布估计t临界值。表A.6：递归有用性比较的意义。加权非加权最佳神经网络。treeLogitRandom forestELM SVM LDANaive Bayesignal extract。加权X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X X。树X X XLogit X X X X随机森林X X XELM X X X X XSVM X X X X X X XLDA X X X X X X朴素贝叶斯X X X X X信号提取。X X X X X X X X注释：该表报告了各种方法相对有用性比较的统计意义。“X”标记表示不同方法之间的统计显著差异，这些方法按相对有用性升序排序。