Sovereign Debt and Currency Crises Prediction Models Using Machine Learning Techniques

Abstract

La deuda soberana y las monedas juegan un papel cada vez más influyente en el desarrollo de cualquier país, dada la necesidad de obtener financiamiento y establecer relaciones internacionales. Un tema recurrente en la literatura sobre crisis financieras ha sido la predicción de crisis de deuda soberana y cambiaria debido a su extrema importancia en la actividad económica internacional. Sin embargo, las limitaciones de los modelos existentes están relacionadas con la precisión y la literatura pide más investigación sobre el tema y carece de diversidad geográfica en las muestras utilizadas. Este artículo presenta nuevos modelos para la predicción de crisis de deuda soberana y cambiaria, utilizando diversas técnicas computacionales, que aumentan su precisión. Además, estos modelos presentan experiencias con una amplia muestra global de las principales zonas geográficas del mundo, como África y Medio Oriente, Latinoamérica, Asia, Europa y globalmente. Nuestros modelos demuestran la superioridad de las técnicas computacionales relativas a las estadísticas en términos de nivel de precisión, que son los mejores métodos para la crisis de la deuda soberana: árboles de decisión difusos, AdaBoost, aumento de gradiente extremo y árboles de decisión neuronal de aprendizaje profundo, y para pronosticar el crisis monetaria: árboles de decisión neuronal de aprendizaje profundo, aumento de gradiente extremo, bosques aleatorios y una red de creencias profundas. Nuestra investigación tiene un impacto grande y potencialmente significativo en la adecuación de la política macroeconómica de los países frente a los riesgos derivados de las crisis financieras y proporciona instrumentos que permiten mejorar el equilibrio en las finanzas de los países.Sovereign debt and currencies play an increasingly influential role in the development of any country, given the need to obtain financing and establish international relations. A recurring theme in the literature on financial crises has been the prediction of sovereign debt and currency crises due to their extreme importance in international economic activity. Nevertheless, the limitations of the existing models are related to accuracy and the literature calls for more investigation on the subject and lacks geographic diversity in the samples used. This article presents new models for the prediction of sovereign debt and currency crises, using various computational techniques, which increase their precision. Also, these models present experiences with a wide global sample of the main geographical world zones, such as Africa and the Middle East, Latin America, Asia, Europe, and globally. Our models demonstrate the superiority of computational techniques concerning statistics in terms of the level of precision, which are the best methods for the sovereign debt crisis: fuzzy decision trees, AdaBoost, extreme gradient boosting, and deep learning neural decision trees, and for forecasting the currency crisis: deep learning neural decision trees, extreme gradient boosting, random forests, and deep belief network. Our research has a large and potentially significant impact on the macroeconomic policy adequacy of the countries against the risks arising from financial crises and provides instruments that make it possible to improve the balance in the finance of the countries.