Öz
This study develops an XGBoost model to forecast systemic banking crises, utilizing a comprehensive dataset of financial and macroeconomic indicators from G7 countries spanning the period 1870-2020. To elucidate the model's predictive mechanisms, Shapley Additive Explanations (SHAP) are employed to analyze feature importance and infer causal relationships within the model. The results demonstrate the potential of XGBoost to enhance crisis risk assessment for both practitioners and policymakers, exhibiting strong forecasting accuracy. Furthermore, the application of SHAP values contributes to improved transparency and accountability of the machine learning model by revealing complex relationships between predictor variables and the probability of crisis occurrence. This approach provides a robust framework for identifying key economic determinants of financial crises, thereby informing the integration of policy considerations into a more holistic decision-making process.
Anahtar Kelimeler
Financial Crises Machine Learning XGBoost SHAP Value Forecasting
Kaynakça
- ....................................................................
Öz
Bu çalışmada, 1870-2020 dönemi için G7 ülkelerine ait finansal ve makroekonomik veriler kullanılarak sistemik bankacılık kriz tahmininde XGBoost tabanlı bir model geliştirilmiştir. Modelin karar alma süreçlerini anlamlandırmak amacıyla SHAP (SHapley Additive exPlanations) yöntemleri uygulanarak model sonuçları arasındaki nedensel ilişkiler analiz edilmiştir. Bulgular, XGBoost'un yüksek tahmin performansı sergileyerek uygulayıcılar ve politika yapıcılar için kriz riskini değerlendirmede yeni olanaklar sunduğunu göstermektedir. Ek olarak SHAP değerleri, tahmin edici değişkenler ile kriz riski arasındaki karmaşık ilişkileri ortaya çıkararak makine öğrenimi modellerinin şeffaflığını ve hesap verebilirliğini önemli ölçüde artırmaktadır. Bu yaklaşım, finansal krizlerin temel ekonomik itici güçlerini belirleme konusunda güvenilir bir altyapı sunarak politika tercihlerinin daha kapsamlı bir karar alma sürecine dahil edilmesine olanak tanımaktadır.
Anahtar Kelimeler
Finansal Krizler Makine Öğrenimi XGBoost SHAP Değeri Tahminleme
Kaynakça
- ....................................................................
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Uygulamalı Makro Ekonometri, Uluslararası Finans, Finansal Ekonomi |
| Bölüm | Makaleler |
| Yazarlar | |
| Yayımlanma Tarihi | 30 Haziran 2025 |
| Gönderilme Tarihi | 19 Şubat 2025 |
| Kabul Tarihi | 4 Nisan 2025 |
| Yayımlandığı Sayı | Yıl 2025 Cilt: 10 Sayı: 2 |
