Predicting Systemic Banking Crises using Extreme Gradient Boosting

Teniendo en cuenta la gran capacidad de las técnicas de árboles de decisión para extraer información útil de grandes bases de datos y para manejar variables heterogéneas, este artículo aplica Extreme Gradient Boosting para la predicción de crisis bancarias sistémicas. Con este fin, se han construido modelos de predicción para diferentes regiones y el mundo entero. Los resultados obtenidos muestran que el Extreme Gradient Boosting supera el poder predictivo de los modelos existentes en la literatura anterior y brinda más información explicativa sobre las causas que producen las crisis bancarias sistémicas, siendo la demanda de depósitos, el nivel de crédito interno y los activos bancarios algunos de los factores clave. variables más significativas.

Considering the great ability of decision trees techniques to extract useful information from large databases and to handle heterogeneous variables, this paper applies Extreme Gradient Boosting for the prediction of systemic banking crises. To this end, prediction models have been constructed for different regions and the whole world. The results obtained show that Extreme Gradient Boosting overcomes the predictive power of existing models in the previous literature and provides more explanatory information on the causes that produce systemic banking crises, being the demand for deposits, the level of domestic credit and banking assets some of the most significant variables.