Can Machine Learning Models Capture Correlations in Corporate Distresses?

Nøjagtige konkursmodeller er nødvendige for tilsynsmyndigheder, virksomheder og investorer, som har brug for at evaluere konkursrisikoen i en låneportefølje. En række papirer har vist, at "machine learning"-modeller er bedre til at rangere virksomheder efter deres kreditrisiko end traditionelle statistiske modeller. Men det er stadig et åbent spørgsmål, om de avancerede modeller kan fange
korrelation i konkurser, hvilket traditionelle modeller har svært ved. Vi implementerer en machine learning-model, som generelt har vist sig at være god til at forudsige konkurser, og finder, at konkursestimater på virksomhedsniveau forbedres, mens de estimerede aggregerede konkursrater forbliver næsten uændrede i forhold til de traditionelle konkursmodeller. Vores resultater taler altså for, at komplekse machine learning-modeller ikke eliminerer nødvendigheden af at inkludere en latent variabel, der fanger korrelation i konkurser. Som et alternativ implementerer vi en "frailty"-
model, som direkte introducerer korrelation i konkurser. Modellen er ydermere udvidet med "regression splines", hvilket medfører, at den er god til at rangere virksomheder efter deres kreditrisiko, samtidig med at den vurderer risikoen i en låneportefølje korrekt.