Spotting the Danger Zone: Forecasting Financial Crises With Classification Tree Ensembles and Many Predictors
识别危险区：用分类树集成与众多预测变量预测金融危机AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要预测系统性银行危机，并比较多预测变量下的样本外预警表现，直接对应系统性风险和宏观预测方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
识别危险区：用分类树集成与众多预测变量预测金融危机
- 研究问题
- 面对大量预测变量，分类树集成能否提高系统性银行危机的样本外预警能力，并改善危机识别率与误报概率之间的权衡？
- 方法与思路
- 作者将多棵分类树组合成集成并纳入众多预测变量，在 1870—2011 年长期样本及两个覆盖广泛的 1970 年后样本上评价预测。
- 材料陈述的贡献
- 摘要报告相较既有预警系统的样本外表现改善，并称在误报概率为 20% 时可预测 80% 的危机，改进来自树集成与多变量结合。
- 阅读关注点
- 核对危机定义、预测提前期与样本外划分、阈值选择及误报率分母，并检查变量筛选是否使用未来信息和基准比较是否公平。
- 阅读边界
- 摘要未说明危机预测提前期、各样本指标及统计不确定性；报告的识别率与误报概率不能直接视为任意时期的预警效果。
原文摘要
Summary This paper introduces classification tree ensembles (CTEs) to the banking crisis forecasting literature. I show that CTEs substantially improve out‐of‐sample forecasting performance over best‐practice early‐warning systems. CTEs enable policymakers to correctly forecast 80% of crises with a 20% probability of incorrectly forecasting a crisis. These findings are based on a long‐run sample (1870–2011), and two broad post‐1970 samples which together cover almost all known systemic banking crises. I show that the marked improvement in forecasting performance results from the combination of many classification trees into an ensemble, and the use of many predictors. Copyright © 2016 John Wiley & Sons, Ltd.