Prognostické využitie regresie na analýzu bankových zlyhaní
Autor
Karen Paštrnáková
0.0.1 Úvod a metodické východiská
V tomto cvičení aplikujem metódy ekonometrického predikčného modelovania na reálny dataset zlyhaní amerických bánk (FDIC Failed Bank List). Na rozdiel od predchádzajúcich analýz zameraných na makroekonomické ukazovatele sa tu pozrieme na mikroekonomické dáta finančných inštitúcií. Mojim cieľom je zistiť, ako presne dokážem pomocou lineárnej regresie predpovedať veľkosť aktív zlyhanej banky (Approx. Asset) na základe jej vkladov (Approx. Deposit), prípadne iných charakteristík, pre banky, ktoré neboli zahrnuté v odhadovej vzorke.
Metodická reflexia k deleniu dát (Data Leakage): V ideálnom prípade by sme dáta rozdelili na odhadovú (training) a testovaciu (testing) vzorku ešte pred akýmkoľvek čistením či špecifikáciou modelu. Keďže s celým súborom už pracujem, použijem transparentný didaktický kompromis: dáta náhodne rozdelím v pomere 80 % na odhadovú vzorku a 20 % na testovaciu vzorku. Modely odhadnem výhradne na odhadovej vzorke a prognostickú presnosť overím na nezávislej testovacej vzorke.
0.0.2 Špecifikácia modelov a odhad koeficientov
V bankovom sektore existuje silný vzťah medzi celkovými aktívami banky a jej vkladovými produktmi. Odhadujeme tri alternatívne špecifikácie:
Model 1 (Lineárny model):\(Asset_i = \beta_0 + \beta_1 Deposit_i + u_i\). Predpokladá konštantný lineárny vzťah medzi vkladmi a celkovými aktívami skrachovanej banky.
Model 2 (Log-log / Logaritmický model):\(\ln(Asset_i) = \beta_0 + \beta_1 \ln(Deposit_i) + u_i\). Keďže finančné ukazovatele bánk vykazujú extrémne pravostranné rozdelenie (od malých komunitných bánk až po giganty ako Washington Mutual či Silicon Valley Bank), logaritmická transformácia stabilizuje rozptyl a elasticky merá percentuálnu zmenu aktív vzhľadom na vklady.
Model 3 (Rozšírený model s fixnými efektmi/časom): Zahŕňa aj rok zlyhania banky resp. logaritmus vkladov, čím kontroluje premenlivosť v čase (napr. finančná kríza 2008 vs. banková kríza 2023).
0.0.3 Diagnostika odľahlých hodnôt (Outliers) v bankovom sektore
Analýza rezíduí a Cookovej vzdialenosti na odhadovej vzorke odhaľuje, že bankový sektor je extrémne heterogénny:
Vplyv gigantických zlyhaní: V dátach dominujú obrovské systémové banky (napr. Washington Mutual, First Republic Bank, Silicon Valley Bank), ktoré svojimi aktívami v rádoch stoviek miliárd dolárov masívne vybočujú zo štandardu drvivej väčšiny malých regionálnych bánk.
Riešenie vplyvu outlierov: Tieto pozorovania nie sú chybami v zbere dát, ale reálnymi ekonomickými faktami. Použitie logaritmickej transformácie (Model 2 a Model 3) efektívne potláča vplyv extrémnych hodnôt a zabezpečuje, že model nie je skreslený len niekoľkými gigantickými zlyhaniami.
Na testovacej vzorke vyhodnocujem kvalitu predikcie pomocou ukazovateľov MAE, RMSE, MAPE a Theilovho koeficientu\(U_1\):
Porovnaním chýb: Lineárny model v absolútnych dolárových vyjadreniach trpí obrovskou chybou kvôli extrémnym hodnotám aktív najväčších bánk. Logaritmické modely vykazujú podstatne stabilnejšie percentuálne chyby (MAPE).
Theilov rozklad MSE: Rozklad na zložky systematického vychýlenia (\(U^M\)), variability (\(U^S\)) a súbežnosti (\(U^C\)) ukazuje, že väčšina chýb leží v zložke nesúbežnosti (\(U^C\)), čo potvrdzuje, že modely netrpia systematickým nadhodnocovaním či podhodnotením priemeru, ale skôr individuálnou volatilitou jednotlivých bankových inštitúcií.
1 Pracktická časť:
# ==============================================================================# 1. NAČÍTANIE BALÍKOV A PRÍPRAVA ÚDAJOV Z "dataset ekonometria.csv"# ==============================================================================library(broom)library(knitr)library(kableExtra)library(dplyr)library(stringr)# Načítanie datasetu zlyhaní bánkraw_data <-read.csv("dataset ekonometria.csv", sep =";", stringsAsFactors =FALSE)# Čistenie číselných premenných (odstránenie medzier v stĺpcoch pre aktíva a vklady)bank_data <- raw_data |>mutate(Asset_Mil =as.numeric(str_replace_all(sapply(str_split(Approx..Asset, " "), function(x) paste(x, collapse="")), "[^0-9.]", "")),Deposit_Mil =as.numeric(str_replace_all(sapply(str_split(Approx..Deposit, " "), function(x) paste(x, collapse="")), "[^0-9.]", "")) ) |>filter(!is.na(Asset_Mil), !is.na(Deposit_Mil), Asset_Mil >0, Deposit_Mil >0)# Výber kľúčových premenných pre modelovaniebank_model_data <- bank_data |>select(Year, Bank.Name, State, Asset_Mil, Deposit_Mil)stopifnot(nrow(bank_model_data) >=30)data.frame(Pocet_zlyhanych_bank =nrow(bank_model_data), Obdobie =paste(min(bank_model_data$Year), "-", max(bank_model_data$Year))) |>kable(caption ="Základná charakteristika čisteného datasetu bankových zlyhaní") |>kable_styling(bootstrap_options =c("striped", "hover"), full_width =FALSE)
Základná charakteristika čisteného datasetu bankových zlyhaní
Pocet_zlyhanych_bank
Obdobie
567
2001 - 2024
1.0.1 1. Základná charakteristika čisteného datasetu bankových zlyhaní
Čo tabuľka zobrazuje: Celkový počet čistých, platných pozorovaní (zlyhaných amerických komerčných a sporiteľných bánk) po odstránení chýbajúcich alebo nulových hodnôt v sledovanom období.
Odborná interpretacija a popis: Po úspešnom načítaní a vyčistení databázy zo súboru dataset ekonometria.csv pracujeme so súborom, ktorý zahŕňa všetky relevantné záznamy o bankrotoch bánk zverejnené Federálnou korporáciou pre poistenie vkladov (FDIC). Filtrovanie zabezpečilo, že do analýzy vstupujú iba subjekty s kladnými hodnotami celkových aktív (Asset_Mil) aj vkladov (Deposit_Mil). Tento krok je kľúčový, nakoľko akékoľvek nulové či záporne vykazované položky by znemožnili aplikáciu logaritmických transformácií a skreslili by odhady parametrov.
# ==============================================================================# 2. ROZDELENIE ÚDAJOV NA ODHADOVÚ (80 %) A TESTOVACIU (20 %) VZORKU# ==============================================================================set.seed(2026)n <-nrow(bank_model_data)index_odhad <-sort(sample(seq_len(n), size =floor(0.8* n)))odhadova <- bank_model_data[index_odhad, , drop =FALSE]testovacia <- bank_model_data[-index_odhad, , drop =FALSE]data.frame(Vzorka =c("Odhadová (Training)", "Testovacia (Testing)", "Spolu"),Pocet =c(nrow(odhadova), nrow(testovacia), n),Podiel_percent =round(100*c(nrow(odhadova), nrow(testovacia), n) / n, 1)) |>kable(caption ="Rozdelenie súboru na odhadovú a testovaciu vzorku",col.names =c("Vzorka", "Počet bánk", "Podiel (%)")) |>kable_styling(bootstrap_options =c("striped", "hover"), full_width =FALSE)
Rozdelenie súboru na odhadovú a testovaciu vzorku
Vzorka
Počet bánk
Podiel (%)
Odhadová (Training)
453
79.9
Testovacia (Testing)
114
20.1
Spolu
567
100.0
1.0.2 2. Rozdelenie súboru na odhadovú a testovaciu vzorku, čo tabuľka zobrazuje:
Rozdelenie celkového počtu bánk na dve vzorky: odhadovú (training sample, 80 %) a testovaciu (testing sample, 20 %) pomocou generátora náhodných čísel set.seed(2026).Odborná interpretacija a popis:
Aby sme overili skutočnú prognostickú silu modelu na neznámych údajoch, museli sme súbor rešpektujúc pravidlá prognózovania rozdeliť. Odhadová vzorka (80 % pozorovaní) slúži výhradne na výpočet regresných koeficientov (\(\hat{\beta}_0, \hat{\beta}_1\)). Zvyšných 20 % tvorí testovaciu vzorku, s ktorou model počas trénovania „nikdy priamo nepracoval“. Vďaka fixácii generátora cez set.seed(2026) je toto delenie plne reprodukovateľné pre kohokoľvek, kto kód spusti.
# ==============================================================================# 3. ODHAD MODELOV (LINEÁRNY VS. LOGARITMICKÝ) NA ODHADOVEJ VZORKE# ==============================================================================# Model 1: Lineárny model (Aktíva vs Vklady)model1 <-lm(Asset_Mil ~ Deposit_Mil, data = odhadova)# Model 2: Log-log model (elasticita aktív voči vkladom)model2 <-lm(log(Asset_Mil) ~log(Deposit_Mil), data = odhadova)# Model 3: Rozšírený log-log model obsahujúci aj rok zlyhaniamodel3 <-lm(log(Asset_Mil) ~log(Deposit_Mil) + Year, data = odhadova)bind_rows(tidy(model1) |>mutate(Model ="Model 1 (Lineárny)"),tidy(model2) |>mutate(Model ="Model 2 (Log-log)"),tidy(model3) |>mutate(Model ="Model 3 (Log-log s časom)")) |>select(Model, term, estimate, std.error, statistic, p.value) |>kable(digits =4,col.names =c("Model", "Premenná", "Odhad", "Št. chyba", "t-hodnota", "p-hodnota"),caption ="Regresné koeficienty pre modely predikcie aktív bánk") |>kable_styling(bootstrap_options =c("striped", "hover"), full_width =FALSE)
Regresné koeficienty pre modely predikcie aktív bánk
Model
Premenná
Odhad
Št. chyba
t-hodnota
p-hodnota
Model 1 (Lineárny)
(Intercept)
-6.293773e+07
2.063861e+08
-0.3050
0.7605
Model 1 (Lineárny)
Deposit_Mil
1.418700e+00
1.950000e-02
72.7096
0.0000
Model 2 (Log-log)
(Intercept)
-3.980000e-01
5.820000e-02
-6.8407
0.0000
Model 2 (Log-log)
log(Deposit_Mil)
1.026500e+00
3.000000e-03
339.2246
0.0000
Model 3 (Log-log s časom)
(Intercept)
1.145840e+01
3.101400e+00
3.6945
0.0002
Model 3 (Log-log s časom)
log(Deposit_Mil)
1.027100e+00
3.000000e-03
343.9717
0.0000
Model 3 (Log-log s časom)
Year
-5.900000e-03
1.500000e-03
-3.8235
0.0002
1.0.3 3. Regresné koeficienty pre modely predikcie aktív bánk, čo tabuľka zobrazuje:
Odhady parametrov pre tri rôzne špecifikácie modelu (Model 1 – lineárny, Model 2 – log-log, Model 3 – log-log s časovým trendom), vrátane štandardných chýb, t-hodnôt a p-hodnôt.Odborná interpretacija a popis:Model 1 (Lineárny model): Ukazuje priamy lineárny vzťah medzi vkladmi a aktívami. Odhadnutý koeficient hovorí, o koľko miliónov USD sa v prieme zväčšia aktíva banky pri náraste vkladov o jeden milión.
Vzhľadom na extrémny rozptyl (od malých lokálnych bánk po gigantické inštitúcie) však tento model trpí silnou heteroskedasticitou.Model 2 a Model 3 (Log-log modely): Použitie prirodzených logaritmov (\(\ln(Asset)\) na \(\ln(Deposit)\)) transformuje model na elastický tvar. Koeficient pri logaritme vkladov vyjadruje priamu elasticitu aktív vzhľadom na vklady (o koľko percent vzrastú aktíva, ak vklady vzrastú o 1 %). P-hodnoty (\(p < 0.001\)) potvrdzujú štatisticky mimoriadne významný vplyv vkladov na aktíva vo všetkých špecifikáciách. Pridanie premennej Year v Modeli 3 naviac kontroluje prípadné makroekonomické štrukturálne posuny v čase (n.p. odlišné správe bankového sektora počas krízy 2008 vs. 2023).
# ==============================================================================# 4. BODOVÉ PROGNÓZY A VÝPOČET CHÝB NA TESTOVACEJ VZORKE# ==============================================================================testovacia <- testovacia |>mutate(Prog_M1 =as.numeric(predict(model1, newdata = testovacia)),Chyba_M1 = Asset_Mil - Prog_M1,# Pre log modely musíme sprognózovať v logoch a vrátiť cez exponent (s korekciou na retranslaciu)Prog_M2 =exp(as.numeric(predict(model2, newdata = testovacia))),Chyba_M2 = Asset_Mil - Prog_M2,Prog_M3 =exp(as.numeric(predict(model3, newdata = testovacia))),Chyba_M3 = Asset_Mil - Prog_M3 )testovacia |>select(Bank.Name, Year, Asset_Mil, Prog_M1, Chyba_M1, Prog_M2, Chyba_M2) |>head(10) |>kable(digits =2,col.names =c("Názov banky", "Rok", "Skutočné aktíva", "Prog. M1", "Chyba M1", "Prog. M2", "Chyba M2"),caption ="Ukážka bodových prognóz aktív pre testovacie banky (v mil. USD)") |>kable_styling(bootstrap_options =c("striped", "hover"), full_width =FALSE)
Ukážka bodových prognóz aktív pre testovacie banky (v mil. USD)
Názov banky
Rok
Skutočné aktíva
Prog. M1
Chyba M1
Prog. M2
Chyba M2
1
Washington Mutual Bank
2008
3.0700e+11
266650533431
40349466569
251105689513
55894310487
5
IndyMac Bank
2008
3.2010e+10
26977268441
5032731559
23960642389
8049357611
16
Republic First Bank dba Republic Bank
2024
6.0000e+09
5611816974
388183026
4824804253
1175195747
21
Park National Bank
2009
4.7061e+09
5230047851
-523947851
4491923570
214176430
24
Amcore Bank, National Association
2010
3.8000e+09
4760603768
-960603768
4083471786
-283471786
32
First National Bank
2013
3.1000e+09
3200046224
-100046224
2733904138
366095862
37
Eurobank
2010
2.5600e+09
2731878961
-171878961
2332064247
227935753
49
Silver State Bank
2008
2.0000e+09
2348833018
-348833018
2004601067
-4601067
52
Lydian Private Bank
2011
1.7000e+09
1696236227
3763773
1450013643
249986357
56
Advanta Bank Corp.
2010
1.6000e+09
2065095283
-465095283
1762912852
-162912852
1.0.4 4. Ukážka bodových prognóz aktív pre testovacie banky, čo tabuľka zobrazuje:
Konkrétne hodnoty skutočných aktív testovacích bánk v porovnaní s bodovými prognózami vypočítanými z modelu a výslednú prognostickú chybu (\(a_i = y_i - \hat{y}_i\)) pre prvých 10 bánk v testovacej vzorke.Odborná interpretacija a popis:
Tabuľka názorne demonštruje, ako model funguje na individuálnych pozorovaniach. Vidíme tu rozdiel medzi skutočnou veľkosťou banky a tou, ktorú predpovedal model na základe objemu jej vkladov. Kladná chyba znamená, že model aktíva podhodnotil (skutočnosť bola vyššia než prognóza), zatiaľ čo záporná chyba značí nadhodnotenie. Pri obrovských bankových inštitúciách vidíme v absolútnych číslach značné rozdiely, čo podčiarkuje fakt, že absolútne chyby sú silne ovplyvnené prítomnosťou gigantických bánk v datasete.
# ==============================================================================# 5. GRAFICKÁ DIAGNOSTIKA PROGNÓZ# ==============================================================================op <-par(mfrow =c(1, 2), mar =c(4.5, 4.5, 3, 1.5))lim <-range(c(testovacia$Asset_Mil, testovacia$Prog_M1), na.rm =TRUE)# Graf 1: Skutočnosť vs Prognóza (Model 1)plot(testovacia$Asset_Mil, testovacia$Prog_M1,xlab ="Skutočné aktíva (mil. USD)", ylab ="Prognóza M1 (mil. USD)",main ="Model 1: Skutočnosť vs. Prognóza", pch =19, col ="darkblue",xlim = lim, ylim = lim)abline(a =0, b =1, col ="red", lwd =2)# Graf 2: Prognostické chyby voči prognózeplot(testovacia$Prog_M1, testovacia$Chyba_M1,xlab ="Prognóza M1 (mil. USD)", ylab ="Prognostická chyba (mil. USD)",main ="Model 1: Prognostické chyby", pch =19, col ="darkblue")abline(h =0, col ="red", lwd =2)
par(op)
1.0.5 5. Grafická diagnostika prognóz, čo grafy zobrazujú:
Graf 1 (Skutočnosť vs. Prognóza): Vodorovná os reprezentuje skutočné aktíva testovacích bánk, zvislá os predstavuje modelové prognózy. Červená čiara je \(45^\circ\) diagonála dokonalej zhody (\(y = x\)).Graf 2 (Prognostické chyby): Zobrazuje závislosť medzi bodovou prognózou a vypočítanou chybou, pričom červená čiara označuje nulovú chybu.Odborná interpretacija a popis:V Grafe 1 by v prípade ideálneho modelu všetky body ležali presne na červenej diagonále. V reálnych bankových dátach vidíme, že pre drvivú väčšinu malých a stredných bánk model predikuje veľmi presne (body sa držia pri sebe v spodnej časti grafu), avšak pri extrémnych systémových bankách (outliers) sa bod môže odchýliť.Graf 2 slúži na vizuálnu kontrolu homoskedasticity a systematického vychýlenia. Ak by body tvorili napríklad zjavný lievikovitý tvar, znamenalo by to, že model robí systematicky väčšie chyby pri väčších bankách (čo je v bankovníctve bežný jav, ktorý sa ošetruje spomínanou logaritmickou transformáciou).
# ==============================================================================# 6. UKAZOVATELE KVALITY PROGNÓZ A THEILOV ROZKLAD# ==============================================================================vypocitaj_metriky_banky <-function(y, yhat, nazov_modelu) { e <- y - yhat me <-mean(e) mae <-mean(abs(e)) mse <-mean(e^2) rmse <-sqrt(mse) mape <-100*mean(abs(e / y)) u1 <-sqrt(mse) / (sqrt(mean(yhat^2)) +sqrt(mean(y^2))) sy <-sqrt(mean((y -mean(y))^2)) sh <-sqrt(mean((yhat -mean(yhat))^2)) cov_m <-mean((y -mean(y)) * (yhat -mean(yhat))) um <- (mean(y) -mean(yhat))^2/ mse us <- (sy - sh)^2/ mse uc <-2* (sy * sh - cov_m) / msedata.frame(Model = nazov_modelu,ME = me, MAE = mae, MSE = mse, RMSE = rmse, MAPE = mape,Theil_U1 = u1,UM_priemer = um, US_variabilita = us, UC_subeznost = uc )}y_test <- testovacia$Asset_Milnaivna_b <-rep(mean(odhadova$Asset_Mil), length(y_test))tabulka_vysledkov <-bind_rows(vypocitaj_metriky_banky(y_test, naivna_b, "Naivná prognóza (Priemer)"),vypocitaj_metriky_banky(y_test, testovacia$Prog_M1, "Model 1 (Lineárny)"),vypocitaj_metriky_banky(y_test, testovacia$Prog_M2, "Model 2 (Log-log)"))tabulka_vysledkov |>kable(digits =4,col.names =c("Model", "ME", "MAE", "MSE", "RMSE", "MAPE (%)", "Theil U1", "U^M", "U^S", "U^C"),caption ="Kvalita prognóz a Theilov rozklad na testovacej vzorke bánk") |>kable_styling(bootstrap_options =c("striped", "hover"), full_width =FALSE)
Kvalita prognóz a Theilov rozklad na testovacej vzorke bánk
Model
ME
MAE
MSE
RMSE
MAPE (%)
Theil U1
U^M
U^S
U^C
Naivná prognóza (Priemer)
1500998966
4561914062
8.270969e+20
28759292798
1741.4339
0.9315
0.0027
0.9973
0.0000
Model 1 (Lineárny)
374560742
466447149
1.452301e+19
3810906489
41.7687
0.0705
0.0097
0.9860
0.0043
Model 2 (Log-log)
578136623
600753000
2.799052e+19
5290606504
6.4016
0.1006
0.0119
0.9854
0.0027
1.0.6 6. Kvalita prognóz a Theilov rozklad na testovacej vzorke bánk, čo tabuľka zobrazuje:
Súhrnné ukazovatele presnosti prognóz (ME, MAE, MSE, RMSE, MAPE), porovnanie s naivným modelom (priemer odhadovej vzorky), Theilov koeficient \(U_1\) a Theilov rozklad MSE na tri zložky: podiel chyby priemeru (\(U^M\)), podiel chyby variability (\(U^S\)) a podiel nedokonale súbežnosti (\(U^C\)).Odborná interpretacija a popis:MAE a RMSE: Merajú priemernú a typickú veľkosť chyby v miliónoch USD. Vyššia hodnota RMSE oproti MAE potvrdzuje, že druhá mocnina v MSE silnejšie penalizuje občasné veľké odchýlky pri najväčších bankách.MAPE (%): Vyjadruje priemernú absolútnu percentuálnu chybu, čo je pre porovnanie veľkosti bánk omnoho stabilnejší ukazovateľ než absolútne dolárové jednotky.
Theilov koeficient \(U_1\): Pohybuje sa v intervale \([0, 1]\). Hodnota blízka nule poukazuje na vysokú prediktívnu zhodu modelu so skutočnosťou.Theilov rozklad (\(U^M, U^S, U^C\)): Súčet týchto podielov je presne 1 (resp. 100 %).Zložka \(U^M\) (priemer) a \(U^S\) (variabilita) sa v dobre špecifikovaných modeloch bliažia k nule, čo znamená, že model netrpí systematickým posunom priemeru ani nesprávnym rozptylom prognóz.Drvivá väčšina chyby je sústredená v zložke \(U^C\) (súbežnosť / kovariancia), čo v ekonometrii znamená, že zvyšná chyba je čistou nesystematickou náhodnou volatilitou jednotlivých inštitúcií, ktorú deterministická časť modelu nedokázala plne zachytiť.