[论文解读] A systematic review of early warning systems in finance

Ali Namaki, Reza Eyvazloo+1 more|arXiv (Cornell University)|Sep 30, 2023

Stock Market Forecasting Methods被引用 4

一句话总结

本篇系统性综述分析了1976年至2023年间616项与金融相关的早期预警系统（EWS）研究，揭示了2006年后机器学习技术应用的显著增长。研究识别出四个关键研究集群——破产预测、银行与货币危机、新兴市场，以及机器学习预测——并建议整合宏观经济、微观经济及另类数据（如社交媒体、新闻情绪）以提升预测准确性与系统稳健性。

ABSTRACT

Early warning systems (EWSs) are critical for forecasting and preventing economic and financial crises. EWSs are designed to provide early warning signs of financial troubles, allowing policymakers and market participants to intervene before a crisis expands. The 2008 financial crisis highlighted the importance of detecting financial distress early and taking preventive measures to mitigate its effects. In this bibliometric review, we look at the research and literature on EWSs in finance. Our methodology included a comprehensive examination of academic databases and a stringent selection procedure, which resulted in the final selection of 616 articles published between 1976 and 2023. Our findings show that more than 90\% of the papers were published after 2006, indicating the growing importance of EWSs in financial research. According to our findings, recent research has shifted toward machine learning techniques, and EWSs are constantly evolving. We discovered that research in this area could be divided into four categories: bankruptcy prediction, banking crisis, currency crisis and emerging markets, and machine learning forecasting. Each cluster offers distinct insights into the approaches and methodologies used for EWSs. To improve predictive accuracy, our review emphasizes the importance of incorporating both macroeconomic and microeconomic data into EWS models. To improve their predictive performance, we recommend more research into incorporating alternative data sources into EWS models, such as social media data, news sentiment analysis, and network analysis.

研究动机与目标

• 通过全面的书目计量分析，绘制金融早期预警系统（EWS）的发展历程与当前状态。
• 识别过去五十年中EWS开发中的主导研究集群与方法论趋势。
• 评估机器学习及另类数据源（如社交媒体、新闻情绪）在提升EWS性能方面日益增长的作用。
• 突出关键挑战，如数据质量、偏见，以及在EWS模型中整合定性因素的问题。
• 为提升系统性风险、银行、货币及新兴市场背景下EWS的可靠性与预测准确性，提供可操作的研究方向。

提出的方法

• 利用Scopus数据库开展系统性文献综述，识别1976年至2023年间关于金融EWS的同行评审文章。
• 采用严格的选择流程，基于相关性与方法论严谨性，筛选出616篇高质量文章用于分析。
• 运用书目计量技术，将研究划分为四个集群：破产预测、银行与货币危机、新兴市场，以及机器学习预测。
• 分析时间趋势，显示超过90%的研究发表于2006年后，表明2008年金融危机后研究兴趣显著上升。
• 评估计量经济学模型、网络分析及机器学习算法（如SVM、ANN、集成方法）在EWS设计中的应用。
• 评估将另类数据源（如社交媒体、新闻情绪、网络结构）整合进EWS模型的潜力。

实验结果

研究问题

• RQ1 1976年至2023年期间，金融早期预警系统的主要研究集群与方法论趋势是什么？
• RQ2 机器学习技术在EWS开发中的应用如何演变？其对预测准确性有何影响？
• RQ3 宏观经济与微观经济数据在EWS模型中的整合程度如何？这对模型性能有何影响？
• RQ4 另类数据源（如社交媒体、新闻情绪、网络分析）在增强EWS能力方面发挥何种作用？
• RQ5 哪些关键挑战（如数据质量、偏见、模型验证）阻碍了EWS模型的可靠性与实际部署？

主要发现

• 在616项所审查的EWS研究中，超过90%发表于2006年后，表明2008年金融危机后研究兴趣显著激增。
• 与传统计量经济学模型相比，支持向量机（SVM）、人工神经网络（ANN）及集成方法等机器学习技术展现出更高的预测准确性。
• 同时整合宏观经济与微观经济数据可显著提升EWS性能，提供更全面的金融稳定视角。
• 社交媒体情绪与新闻分析等另类数据源在检测市场情绪与早期风险信号方面展现出强大潜力，但其整合仍具挑战性。
• 基于网络的EWS模型通过分析金融机构之间的相互关联，日益用于检测系统性风险，反映出金融体系相互依存性的日益重视。
• 尽管技术不断进步，数据质量、另类数据中的偏见，以及难以整合定性因素等问题，仍是阻碍可靠EWS部署的关键障碍。