53

Les crises bancaires peuvent être extrêmement coûteuses. La détection précoce des vulnérabilités peut aider à prévenir ou à atténuer ces coûts. Nous développons un modèle d’alerte précoce des crises bancaires systémiques qui combine la technologie d’arbre de régression avec un algorithme statistique (CRAGGING), dans le but d’améliorer sa précision et de surmonter les inconvénients des modèles précédemment utilisés. Notre modèle possède un large éventail de fonctionnalités souhaitables. Il fournit des seuils critiques déterminés de manière endogène pour un ensemble d’indicateurs utiles, présentés sous la forme intuitive d’une structure d’arbre de décision. Notre cadre prend en compte les relations conditionnelles entre différents indicateurs lors de la fixation des seuils d’alerte précoce. Cela facilite la production de signaux d’alerte précoce précis par rapport aux signaux d’un modèle logit et d’un arbre de régression standard. Notre modèle suggère également que des agrégats de crédits élevés, à la fois en termes de volume et par rapport à une tendance à long terme, ainsi qu’une faible perception du risque de marché, sont parmi les indicateurs les plus importants pour prédire l’accumulation de vulnérabilités dans le secteur bancaire.

Banking crises can be extremely costly. The early detection of vulnerabilities can help prevent or mitigate those costs. We develop an early warning model of systemic banking crises that combines regression tree technology with a statistical algorithm (CRAGGING), with the objective to improve its accuracy and overcome the drawbacks of previously used models. Our model has a large set of desirable features. It provides endogenously determined critical thresholds for a set of useful indicators, presented in the intuitive form of a decision tree structure. Our framework considers the conditional relations between various indicators when setting early warning thresholds. This facilitates the production of accurate early warning signals as compared to the signals from a logit model and from a standard regression tree. Our model also suggests that high credit aggregates, both in terms of volume and as compared to a long-term trend, as well as low market risk perception, are amongst the most important indicators for predicting the build-up of vulnerabilities in the banking sector.