Prediction of Banks Distress - Regional Differences and Macroeconomic Conditions

• Autorzy: Małgorzata Iwanicz-Drozdowska , Aneta Ptak-Chmielewska

Warianty tytułu

Predykcja bankructwa banków - różnice regionalne i uwarunkowania makroekonomiczne

• Języki publikacji: EN

Abstrakty

EN

In this study we focus on distress events of European banks over the period of 1990-2015, using unbalanced panel of 3,691 banks. We identify 132 distress events, which include actual bankruptcies as well as bailout cases. We apply CAMEL-like bank-level variables and control macroeconomic variables (GDP, inflation, unemployment rate). The analysis is based on traditional logistic regression and k-means clustering. We find, that the probability of distress is connected with macroeconomic conditions via regional grouping (clustering). Bank-level variables that were stable predictors of distress from 1 to 4 years prior to event are equity to total assets ratio (leverage) and loans to funding (liquidity). From macroeconomic factors, the GDP growth is a reasonable variable, however with differentiated impact: for 1 year distance high distress probability is connected with low GDP growth, but for 2, 3 and 4 year distance: high distress probability is conversely connected with high GDP growth. This shows the changing role of macroeconomic environment and indicates the potential impact of favorable macroeconomic conditions on building-up systemic problems in the banking sector. (original abstract)

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. (abstrakt oryginalny)

Słowa kluczowe

EN

Bankruptcy; Banks; Regional diversity; Macroeconomic variables; Regression models; K-means methods

PL

Bankructwo; Banki; Zróżnicowanie regionalne; Zmienne makroekonomiczne; Modele regresji; Metoda k-średnich

• Czasopismo: Acta Universitatis Lodziensis. Folia Oeconomica
• Rocznik: 2019
• Numer: vol. 6, t. 345
• Strony: 57--73

Twórcy

autor

Małgorzata Iwanicz-Drozdowska

• Warsaw School of Economics, Poland

autor

Aneta Ptak-Chmielewska

• Warsaw School of Economics, Poland

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
• 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.
• Betz F., Oprica S., Peltonen T., Sarlin P. (2014), Predicting distress in European banks, "Journal of Banking and Finance", no. 45, pp. 225-241.
• 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.
• 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.
• 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.
• 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.
• 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.
• Iwanicz-Drozdowska (ed.) (2016), European Bank Restructuring During the Global Financial Crisis, Palgrave Macmillan, London.
• 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.
• 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.
• 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.
• Lopez J. A. (1999), Using CAMELS ratings to monitor bank conditions, Federal Reserve Bank of San Francisco Economic Letter, no. 19.
• 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.
• 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.
• 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.
• Peltonen T. A., Piloiu A., Sarlin P. (2015), Network linkages to predict bank distress, European Central Bank, Working Paper Series, no. 1828.
• 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.
• 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.
• Shaffer S. (2012), Bank failure risk: Different now?, "Economics Letters", vol. 116(3), pp. 613-616.
• Sinkey J. F. Jr (1975), A multivariate statistical analysis of the characteristics of problem banks, "Journal of Finance", vol. XXX(1), pp. 21-36.
• SirElkhatim M. A., Salim N. (2015), Prediction of Banks Financial Distress, "SUST Journal of Engineering and Computer Sciences", vol. 16(1), pp. 40-55.
• 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.

Identyfikatory

DOI

10.18778/0208-6018.345.03