論文の概要: Enhancing Bankruptcy Prediction of Banks through Advanced Machine Learning Techniques: An Innovative Approach and Analysis

• arxiv url: http://arxiv.org/abs/2510.06852v1
• Date: Wed, 08 Oct 2025 10:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.421464
• Title: Enhancing Bankruptcy Prediction of Banks through Advanced Machine Learning Techniques: An Innovative Approach and Analysis
• Title（参考訳）: 先進的な機械学習技術による銀行の破産予測の強化:革新的アプローチと分析
• Authors: Zuherman Rustam, Sri Hartini, Sardar M. N. Islam, Fevi Novkaniza, Fiftitah R. Aszhari, Muhammad Rifqi,
• Abstract要約: 銀行が破産する確率を計算することは、銀行システムの安全性と健全性を保証する一つの方法である。 統計的手法は厳密で時には無関係な仮定に依存しており、予測精度は低い。 提案された革新的な機械学習アプローチは、倒産のコストを削減するポリシーの実装に役立つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Context: Financial system stability is determined by the condition of the banking system. A bank failure can destroy the stability of the financial system, as banks are subject to systemic risk, affecting not only individual banks but also segments or the entire financial system. Calculating the probability of a bank going bankrupt is one way to ensure the banking system is safe and sound. Existing literature and limitations: Statistical models, such as Altman's Z-Score, are one of the common techniques for developing a bankruptcy prediction model. However, statistical methods rely on rigid and sometimes irrelevant assumptions, which can result in low forecast accuracy. New approaches are necessary. Objective of the research: Bankruptcy models are developed using machine learning techniques, such as logistic regression (LR), random forest (RF), and support vector machines (SVM). According to several studies, machine learning is also more accurate and effective than statistical methods for categorising and forecasting banking risk management. Present Research: The commercial bank data are derived from the annual financial statements of 44 active banks and 21 bankrupt banks in Turkey from 1994 to 2004, and the rural bank data are derived from the quarterly financial reports of 43 active and 43 bankrupt rural banks in Indonesia between 2013 and 2019. Five rural banks in Indonesia have also been selected to demonstrate the feasibility of analysing bank bankruptcy trends. Findings and implications: The results of the research experiments show that RF can forecast data from commercial banks with a 90% accuracy rate. Furthermore, the three machine learning methods proposed accurately predict the likelihood of rural bank bankruptcy. Contribution and Conclusion: The proposed innovative machine learning approach help to implement policies that reduce the costs of bankruptcy.
• Abstract（参考訳）: 文脈:金融システムの安定性は、銀行システムの状態によって決定される。 銀行の破綻は、個々の銀行だけでなく、セグメントや金融システム全体に影響を及ぼし、システム的リスクにさらされているため、金融システムの安定性を損なう可能性がある。 銀行が破産する確率を計算することは、銀行システムの安全性と健全性を保証する一つの方法である。 既存の文献と限界:アルトマンのZスコアのような統計モデルは、倒産予測モデルを開発するための一般的な手法の1つである。 しかし、統計的手法は厳密で時には無関係な仮定に依存しており、予測精度は低い。 新しいアプローチが必要です。 倒産モデルは、ロジスティック回帰(LR)、ランダムフォレスト(RF)、サポートベクターマシン(SVM)などの機械学習技術を用いて開発されている。 いくつかの研究によると、機械学習は銀行のリスク管理を分類し予測する統計手法よりも正確で効果的である。 現況: 商業銀行データは、1994年から2004年までトルコの44のアクティブバンクと21の破産銀行の年次財務報告から派生し、農村銀行のデータは2013年から2019年にかけてインドネシアの43のアクティブバンクと43の破産銀行の四半期決算報告から導かれる。 インドネシアの5つの地方銀行も、銀行の破産動向を分析する可能性を示すために選ばれた。 調査の結果、RFは商業銀行からのデータを90%の精度で予測できることがわかった。 さらに,3つの機械学習手法が,地方銀行倒産の可能性を正確に予測する。 コントリビューションと結論: 提案された革新的な機械学習アプローチは、倒産のコストを削減するポリシーの実装に役立つ。

関連論文リスト

• Deriving Strategic Market Insights with Large Language Models: A Benchmark for Forward Counterfactual Generation [55.2788567621326]
  本稿では,FIN-FORCE-FINancial Forward Counterfactual Evaluationを提案する。 FIN-FORCEは金融ニュースの見出しをまとめることで、LLMベースの対実生成を支援する。 これにより、将来の市場展開を探索し、予測するためのスケーラブルで自動化されたソリューションの道を開くことができる。
  論文  参考訳（メタデータ） (2025-05-26T02:41:50Z)
• Bank Loan Prediction Using Machine Learning Techniques [0.0]
  我々は機械学習手法を用いて、148,670のインスタンスと37の属性のデータセットに取り組んできた。 最高の性能のアルゴリズムはAdaBoostingであり、99.99%の精度を達成した。
  論文  参考訳（メタデータ） (2024-10-11T15:01:47Z)
• Should Bank Stress Tests Be Fair? [1.370633147306388]
  銀行間でデータをプールすることは銀行を平等に扱うが、2つの欠陥があると主張する。 我々は、銀行間の差異を単に無視するよりも、中心的な銀行固定効果を推定し、破棄することを好んで論じる。
  論文  参考訳（メタデータ） (2022-07-27T06:46:51Z)
• Managers versus Machines: Do Algorithms Replicate Human Intuition in Credit Ratings? [0.0]
  銀行経営者の行動を再現できる機械学習アルゴリズムを見つけることができることを示す。 アルゴリズムへの入力は、銀行のマネージャーが利用できる標準的な財務情報とソフト情報の組み合わせから成り立っている。 本研究は、銀行業務における機械学習に基づく分析手法の有効性と、金融セクターにおける高度な業務への潜在的課題を明らかにするものである。
  論文  参考訳（メタデータ） (2022-02-09T01:20:44Z)
• Fighting Money Laundering with Statistics and Machine Learning [95.42181254494287]
  反マネーロンダリングのための統計的および機械学習手法に関する科学的文献はほとんどない。 本研究では,クライアントのリスクプロファイリングと疑わしい行動フラグングという2つの中心的要素を持つ統一用語を提案する。
  論文  参考訳（メタデータ） (2022-01-11T21:31:18Z)
• Sequential Deep Learning for Credit Risk Monitoring with Tabular Financial Data [0.901219858596044]
  深層学習による信用リスク評価の新たなアプローチを創出する試みを紹介します。 本稿では,深い再帰と因果畳み込みに基づくニューラルネットワークを用いた新しいクレジットカードトランザクションサンプリング手法を提案する。 時間的畳み込みネットワークを用いた逐次的深層学習アプローチは、ベンチマーク非逐次木モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-12-30T21:29:48Z)
• Provable tradeoffs in adversarially robust classification [96.48180210364893]
  我々は、ロバストなイソペリメトリに関する確率論の最近のブレークスルーを含む、新しいツールを開発し、活用する。 この結果から,データの不均衡時に増加する標準精度とロバスト精度の基本的なトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2020-06-09T09:58:19Z)
• Super-App Behavioral Patterns in Credit Risk Models: Financial, Statistical and Regulatory Implications [110.54266632357673]
  従来の官僚データとは対照的に、アプリベースのマーケットプレースから派生した代替データが信用スコアモデルに与える影響を提示する。 2つの国にまたがって検証した結果、これらの新たなデータソースは、低体重者や若年者における金融行動を予測するのに特に有用であることが示された。
  論文  参考訳（メタデータ） (2020-05-09T01:32:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。