Editorial Ekonomi & Bisnis
Open AccessOA2024
Alur kerja machine learning inovatif untuk meneliti krisis keuangan sistemik China dengan SHAP value dan regresi Shapley
Studi ini mengusulkan alur kerja machine learning multistep yang secara objektif memilih indikator, memprediksi krisis keuangan sistemik China, dan menginterpretasikan pendorong risiko menggunakan SHAP value dan regresi Shapley. Alur kerja ini mengidentifikasi enam periode kenaikan risiko dari 1990 hingga 2020 dan mengungkap efek ambang batas serta efek interval non-linear dari indikator makroekonomi.
Da Wang; YingXue Zhou· Financial Innovation· 2024· DOI 10.1186/s40854-023-00574-3
Masalah inti
Meningkatnya pengaruh internasional China dan penekanan Kongres Nasional ke-19 pada pencegahan risiko keuangan sistemik menjadi motivasi penelitian ini. Studi ini mengatasi kelemahan dalam alur kerja machine learning yang ada: tidak adanya metode objektif untuk menentukan sistem indeks. Studi ini mengusulkan alur kerja yang ditingkatkan untuk mengidentifikasi probabilitas krisis keuangan sistemik China dan menganalisis dampak indikator makroekonomi. Alur kerja akhir terdiri dari empat langkah: memilih indikator yang rasional, memodelkan menggunakan supervised learning, mendekomposisi fungsi internal model, dan melakukan inferensi statistik non-linear non-parametrik. Keunggulannya adalah pemilihan indeks yang objektif, prediksi yang akurat, dan transparansi model yang tinggi.
Inovasi
Studi ini memilih satu faktor perdagangan global dan 11 indikator makroekonomi tingkat negara untuk membangun model machine learning. Alur kerjanya multistep: pertama, indikator dipilih secara objektif; kedua, model supervised learning dilatih; ketiga, fungsi internal model didekomposisi menggunakan SHAP (SHapley Additive exPlanations) value; keempat, inferensi statistik non-linear non-parametrik dilakukan melalui regresi Shapley. Penulis mencatat bahwa peneliti dapat beralih ke model machine learning dangkal lain atau deep neural network untuk pemodelan. Metode-metode ini dapat digunakan secara independen atau dikombinasikan tergantung kebutuhan penelitian.
Pendahuluan
Meningkatnya pengaruh internasional China dan penekanan Kongres Nasional ke-19 pada pencegahan risiko keuangan sistemik menjadi motivasi penelitian ini. Studi ini mengatasi kelemahan dalam alur kerja machine learning yang ada: tidak adanya metode objektif untuk menentukan sistem indeks. Studi ini mengusulkan alur kerja yang ditingkatkan untuk mengidentifikasi probabilitas krisis keuangan sistemik China dan menganalisis dampak indikator makroekonomi. Alur kerja akhir terdiri dari empat langkah: memilih indikator yang rasional, memodelkan menggunakan supervised learning, mendekomposisi fungsi internal model, dan melakukan inferensi statistik non-linear non-parametrik. Keunggulannya adalah pemilihan indeks yang objektif, prediksi yang akurat, dan transparansi model yang tinggi.
Mengapa penting
Alur kerja yang diusulkan menawarkan pendekatan yang transparan dan objektif untuk penelitian krisis keuangan sistemik. Dengan menggabungkan SHAP value dan regresi Shapley, studi ini mencapai transparansi model yang tinggi dan mengidentifikasi hubungan non-linear antara indikator makroekonomi dan probabilitas krisis. Alur kerja ini cocok untuk analisis kategorikal dan regresi di berbagai bidang. Temuan ini menegaskan pentingnya pemilihan indeks yang objektif dan interpretabilitas model dalam manajemen risiko keuangan. Penulis menyarankan bahwa alur kerja dapat diadaptasi dengan model machine learning lain, meningkatkan fleksibilitasnya untuk penelitian mendatang.
Siapa yang sebaiknya membaca
Pembaca Research Digest dan praktisi rumpun ini.
Membuka konten member…