Analysis and forecasting of asset quality, risk management and financial stability for the Greek banking system

Abstract

This Thesis extends earlier research by employing a short-term monitoring system with the aim to forecast “failures” i.e. NPL creation. The creation of such a monitoring system allows the risk of a “failure” to change over time, measuring the likelihood of “failure” given the survival time and a set of explanatory variables. The application of Cox proportional hazards models and survival trees to forecast NPLs can be usefully employed in the Greek corporate sectors.The research aim of this thesis consists of two domains: The first aim is the investigation of the determinants that contribute to the NPLs formation. Two GAMLSS models are being tested, a linear GAMLSS model and a nonlinear semi-parametric GAMLSS model which includes smoothing functions that capture potential nonlinear relationships between the explanatory variables to model the parameters favorably. The explanatory variables of the models consist of credit risk variables, macroeconomic variables, bank-specific variables and supervisory and market variables, while the response variable is the non-performing loans.The second aim is to provide answers on whether proportional hazards Cox models and survival tree models can forecast NPLs of loans that are provided in specific corporate sectors in Greece by the use of the most granular data set of corporate borrowers. By evaluating a series of Cox models, a short-term monitoring system has been created with the aim to forecast “failures” i.e. NPL creation. The Cox proportional hazards regression models are incorporating time-to-event, involving a timeline, described by the survival function, indicating the probability that a loan becomes an NPL until time t. The time period counts from the origination of the loan until the “death” of the loan, i.e. its termination, incorporating an “in between” observation point. The event is when the loan is initially being “infected”, i.e. has become NPL. Regarding survival trees, the data set was divided into more subsets, which are easier to model separately and hence yield an improved overall performance. Such models are then beneficial to implement with different machine learning techniques. Predictors (or covariates) are defined as the sectors of the Greek economy and the model is fitted both for the whole sample and for the sample of early terminated loans.

Η συγκεκριμένη διδακτορική διατριβή επεκτείνει προηγούμενες έρευνες χρησιμοποιώντας ένα βραχυπρόθεσμο σύστημα παρακολούθησης με στόχο την πρόβλεψη «αποτυχιών», δηλαδή τη δημιουργία μη εξυπηρετούμενων δανείων. Η δημιουργία ενός τέτοιου συστήματος παρακολούθησης επιτρέπει στον κίνδυνο μιας «αστοχίας» να αλλάξει με την πάροδο του χρόνου, μετρώντας την πιθανότητα «αποτυχίας» δεδομένου του χρόνου επιβίωσης και ενός συνόλου επεξηγηματικών μεταβλητών. Η εφαρμογή των μοντέλων αναλογικών κινδύνων Cox και των δέντρων επιβίωσης για την πρόβλεψη των μη εξυπηρετούμενων δανείων μπορεί να αποβεί χρήσιμη για τους ελληνικούς εταιρικούς κλάδους. Ο ερευνητικός στόχος της παρούσας διπλωματικής εργασίας αποτελείται από δύο πεδία: Ο πρώτος στόχος είναι η διερεύνηση των καθοριστικών παραγόντων που συμβάλλουν στη διαμόρφωση των μη εξυπηρετούμενων δανείων. Για το λόγο αυτό εξετάζονται δύο μοντέλα GAMLSS, ένα γραμμικό μοντέλο GAMLSS και ένα μη γραμμικό ημιπαραμετρικό μοντέλο GAMLSS που περιλαμβάνει συναρτήσεις εξομάλυνσης που καταγράφουν πιθανές μη γραμμικές σχέσεις μεταξύ των επεξηγηματικών μεταβλητών για να μοντελοποιήσουν ευνοϊκά τις παραμέτρους. Οι επεξηγηματικές μεταβλητές των μοντέλων αποτελούνται από μεταβλητές πιστωτικού κινδύνου, μακροοικονομικές μεταβλητές, μεταβλητές για τα αποτελέσματα των τραπεζών, εποπτικές μεταβλητές και μεταβλητές για τις αγορές, ενώ η εξαρτημένη μεταβλητή είναι τα μη εξυπηρετούμενα δάνεια. Ο δεύτερος στόχος είναι να δοθούν απαντήσεις σχετικά με το εάν τα μοντέλα αναλογικών κινδύνων Cox και τα μοντέλα δέντρων επιβίωσης μπορούν να προβλέψουν το σχηματισμό μη εξυπηρετούμενων δανείων από χορηγήσεις που παρέχονται από τις τράπεζες σε συγκεκριμένους εταιρικούς κλάδους στην Ελλάδα με τη χρήση μιας πιο λεπτομερούς βάσης δεδομένων εταιρικών δανειοληπτών. Με την αξιολόγηση μιας σειράς μοντέλων Cox, δημιουργήθηκε ένα βραχυπρόθεσμο σύστημα παρακολούθησης με στόχο την πρόβλεψη «αποτυχιών», δηλαδή τη δημιουργία μη εξυπηρετούμενων δανείων. Τα μοντέλα παλινδρόμησης αναλογικών κινδύνων Cox ενσωματώνουν το χρόνο επιβίωσης μέχρι να συμβεί το γεγονός, που περιλαμβάνει ένα χρονοδιάγραμμα, που περιγράφεται από τη συνάρτηση επιβίωσης, υποδεικνύοντας την πιθανότητα ένα δάνειο να γίνει μη εξυπηρετούμενο μέχρι το χρόνο t. Η χρονική περίοδος μετράει από την έναρξη του δανείου μέχρι τον «θάνατο» του δανείου, δηλαδή τη λήξη του, ενσωματώνοντας ένα «ενδιάμεσο» σημείο παρατήρησης. Το γεγονός είναι όταν το δάνειο αρχικά «μολύνεται», δηλαδή έχει γίνει μη εξυπηρετούμενο. Όσον αφορά τα δέντρα επιβίωσης, η βάση δεδομένων χωρίστηκε σε περισσότερα υποσύνολα, τα οποία είναι ευκολότερο να μοντελοποιηθούν ξεχωριστά και ως εκ τούτου αποφέρουν βελτιωμένη συνολική απόδοση. Τέτοια μοντέλα είναι στη συνέχεια ωφέλιμα να εφαρμοστούν με διαφορετικές τεχνικές μηχανικής μάθησης. Ως προγνωστικοί παράγοντες (ή συμμεταβλητές) ορίζονται οι τομείς της ελληνικής οικονομίας και το μοντέλο προσαρμόζεται τόσο για το σύνολο του δείγματος όσο και για το δείγμα των δανείων με πρόωρη λήξη.