Recurrent neural network models for financial distress prediction

Mathematical modeling and prediction of financial crises constitutes a very challenging but important task. Several authors have tried to analyze the causes of past crises and to develop models that can probabilistically forecast the occurrence of a new one. Literature in the field exploded especially after the most recent 2008 Lehman crisis. Typically, statistical methods are the most prominent family of models employed in this literature. However, in recent years the field of machine learning, and particularly of Neural Networks, has been applied to crisis prediction showing excellent empirical performances. While these methods are harder to use and understand than classical methods, the empirical performances are good enough to make the usage of such models interesting. In this thesis we investigate neural network models for crisis prediction, with the aim to improve existing neural network models used in finance to include state of the art approaches, which were not used previously in this field. In particular, we will use Recurrent Network models that have a structure capable of exploiting the time-series structure of financial data. Experimental results with Long-Short Term Memory networks show that these models outperform both a classical log-linear model and other neural network models on two challenging real life datasets. In addition, we show that models learned in this way have good generalization capabilities and exhibit predictive capabilities not only on the economy of the particular country on which they were learned, but also in cross-country situations.

La modellazione matematica e la previsione delle crisi finanziarie costituiscono un compito molto impegnativo ma estremamente importante. Diversi autori hanno cercato di analizzare le cause delle crisi passate e di sviluppare modelli che possano probabilisticamente prevedere il verificarsene di nuove. La letteratura in questo campo è esplosa soprattutto in seguito alla crisi di Lehman del 2008. La famiglia di modelli più utilizzati in questo campo sono, tipicamente, modelli statistici classici. Tuttavia, negli ultimi anni il campo del machine learning, e in particolare delle reti neurali, è stato utilizzato per la previsione di crisi mostrando eccellenti prestazioni empiriche. Sebbene questi metodi sono più difficili da utilizzare e da capire rispetto ai metodi classici, le prestazioni empiriche sono tali da suscitare interesse nell'utilizzo di tali modelli. In questa tesi esaminiamo modelli di rete neurale per la previsione di crisi finanziarie. Attualmente in finanza vengono utilizzati modelli di rete neurali piuttosto datati. L'obiettivo della tesi è quindi includere in ambito finanziario alcuni recenti tipi di reti neurali che rappresentano lo stato dell’arte nel settore, e che non sono stati usati in precedenza in questo campo. In particolare, utilizzeremo modelli di rete ricorsive che dispongono di una struttura particolarmente efficiente con le serie temporali quindi adatte ai dati finanziari. I risultati sperimentali con reti Long-Short Term Memory dimostrano che questi modelli superano sia un modello log-lineare classico che altri modelli di rete neurale su due interessanti set di dati reali. Inoltre, mostriamo che i modelli appresi in questo modo hanno buone capacità di generalizzazione e mostrano capacità predittive non solo sull'economia del paese in cui sono state apprese, ma anche in situazioni di cross-country.