Построение системы опережающих индикаторов для прогнозирования валютного кризиса

Данная работа посвящена анализу финансовых кризисов. Рассматриваются различные классификации кризисов, методы их прогнозирования, подходы к составлению системы опережающих индикаторов. Для лучшего понимания возможностей прогнозирования финансовых кризисов проводится собственное эмпирическое исследование по развивающимся странам с использованием традиционного эконометрического подхода для предсказания валютных кризисов и метода случайного леса. Выявлены наиболее значимые переменные, изменение которых может сигнализировать о начале валютного кризиса. Цель исследования —  сравнить прогностическую силу эконометрических моделей и методов машинного обучения для прогнозирования валютных кризисов в развивающихся странах и составить набор релевантных переменных, которые можно использовать в системе опережающих индикаторов. В работе применяется логит-регрессия и модель случайного леса. Для сравнения прогнозной силы моделей используется ROC-кривая. Значимость переменных в модели случайного леса определяется на основе значений Шепли. Полученные результаты свидетельствуют в пользу чуть более высокой прогностической силы случайного леса. Наиболее робастными предикторами валютных кризисов с точки зрения обеих моделей являются мировые цены на нефть и депозиты коммерческих банков. Полученные результаты могут быть приняты во внимание экономическими институтами, занимающимися регулированием финансовой системы, так как показывают, на какие индексы стоит в первую очередь обращать внимание при прогнозировании валютных кризисов в развивающихся странах.

1. Reinhart C., Rogoff K. The aftermath of financial crises. The American Economic Review. 2009;99(2):466 472. DOI: 10.1257/aer.99.2.466

2. Goldstein A. The political economy of global business: The case of the BRICs. Global Policy. 2013;4(2):162 172. DOI: 10.1111/1758–5899.12062

3. Eichengreen B., Rose A. K., Wyplosz C. Contagious currency crises: First tests. The Scandinavian Journal of Economics. 1996;98(4):463–484. DOI: 10.2307/3440879

4. Laeven L., Valencia F. Systemic banking crises database II. IMF Economic Review. 2020;68(2):307–361. DOI: 10.1057/s41308–020–00107–3

5. Balteanu I., Erce A. Linking bank crises and sovereign defaults: Evidence from emerging markets. IMF Economic Review. 2018;66(4):617–664. DOI: 10.1057/s41308–018–0066–4

6. Claessens S., Kose M. A. Financial crises: Explanations, types, and implications. IMF Working Paper. 2013;(28). URL: https://www.imf.org/external/pubs/ft/wp/2013/wp1328.pdf

7. Kaminsky G., Lizondo S., Reinhart C. Leading indicators of currency crises. IMF Staff Papers. 1998;45(1):1 48. URL: https://www.imf.org/external/pubs/ft/staffp/1998/03–98/pdf/kaminsky.pdf

8. Eijffinger S. C.W., Karataş B. Currency crises and monetary policy: A study on advanced and emerging economies. Journal of International Money and Finance. 2012;31(5):948–974. DOI: 10.1016/j.jimonfin.2011.12.003

9. Eijffinger S. C.W., Karataş B. Three sisters: The interlinkage between sovereign debt, currency, and banking crises. Journal of International Money and Finance. 2023;131:102798. DOI: 10.1016/j.jimonfin.2022.102798

10. Furceri D., Zdzienicka A. The consequences of banking crises for public debt. International Finance. 2012;15(3):289–307. DOI: 10.1111/j.1468–2362.2013.12003.x

11. Haugh D., Ollivaud P., Turner D. What drives sovereign risk premiums? OECD Economics Department Working Paper. 2009;(718). DOI: 10.1787/222675756166

12. Edison H. J. Do indicators of financial crises work? An evaluation of an early warning system. International Journal of Finance & Economics. 2003;8(1):11–53. DOI: 10.1002/ijfe.197

13. Lestano N. V., Jacobs J., Kuper G. H. Indicators of financial crises do work! An early-warning system for six Asian countries. University of Groningen. 2003. URL: https://scispace.com/pdf/indicators-of-financial-crises-do-work-an-early-warning-1gj3l5xn0q.pdf

14. Rose A. K., Spiegel M. M. Cross-country causes and consequences of the 2008 crisis: Early warning. Japan and the World Economy. 2012;24(1):1–16. DOI: 10.1016/j.japwor.2011.11.001

15. Babecký J., Havránek T., Matějů J., Rusnák M., Šmídková K., Vašíček B. Banking, debt, and currency crises in developed countries: Stylized facts and early warning indicators. Journal of Financial Stability. 2014;15:1–17. DOI: 10.1016/j.jfs.2014.07.001

16. Lizardo R. A., Mollick A. V. Oil price fluctuations and U.S. dollar exchange rates. Energy Economics. 2010;32(2):399–408. DOI: 10.1016/j.eneco.2009.10.005

17. Romelli D., Terra C., Vasconcelos E. Current account and real exchange rate changes: The impact of trade openness. European Economic Review. 2018;105:135–158. DOI: 10.1016/j.euroecorev.2018.03.009

18. Бекетнова Ю. М. Сравнительный анализ методов машинного обучения при идентификации при знаков вовлеченности кредитных организаций и их клиентов в сомнительные операции. Финансы: теория и практика. 2021;25(5):186–199. DOI: 10.26794/2587–5671–2020–25–5–186–199

19. Junyu H. Prediction of financial crisis based on machine learning. In: 4th Int. conf. on business and information management (ICBIM 2020). (Rome, August 3–5, 2020). New York, NY: Association for Computing Machinery; 2020:71–75. DOI: 10.1145/3418653.341867

20. Караев А. К., Борисова О. В. Перспективные модели финансового прогнозирования доходов бюдже та. Финансы: теория и практика. 2025;29(1):20–33. DOI: 10.26794/2587–5671–2025–29–1–20–33

21. Roy S. S., Chopra R., Lee K. C., Spampinato C., Mohammadi-ivatlood B. Random forest, gradient boosted machines and deep neural network for stock price forecasting: A comparative analysis on South Korean companies. International Journal of Ad Hoc and Ubiquitous Computing. 2020;33(1):62–71. DOI: 10.1504/ijahuc.2020.104715

22. Tölö E. Predicting systemic financial crises with recurrent neural networks. Journal of Financial Stability. 2020;49:100746. DOI: 10.1016/j.jfs.2020.100746

23. Bussière M., Cheng G., Chinn M. D., Lisack N. For a few dollars more: Reserves and growth in times of crises. Journal of International Money and Finance. 2015;52:127–145. DOI: 10.1016/j.jimonfin.2014.11.016

24. Meisenzahl R. R., Niepmann F., Schmidt-Eisenlohr T. The dollar and corporate borrowing costs. International Finance Discussion Paper. 2021;(1312). URL: https://www.federalreserve.gov/econres/ifdp/files/ifdp1312.pdf

25. Bluwstein K., Buckmann M., Joseph A., Kapadia S., Şimşek Ö. Credit growth, the yield curve and financial crisis prediction: Evidence from a machine learning approach. Journal of International Economics. 2023;145:103773. DOI: 10.1016/j.jinteco.2023.103773

26. Joseph A. Parametric inference with universal function approximators. Bank of England Working Paper. 2019;(784). DOI: 10.2139/ssrn.3351091