Essays on bankruptcy prediction

Abstract

Η διατριβή εξετάζει θέματα σχετικά με την πρόβλεψη χρεωκοπίας δημόσιων εταιριών στην Αμερική και αποτελείται από τρία κεφάλαια. Στο πρώτο κεφάλαιο εξετάζεται μια εναλλακτική μέθοδος πρόβλεψης χρεωκοπίας που απευθύνεται σε εταιρίες που έχουν δάνεια και πληρώνουν κουπόνια (coupon-paying debts). Η μέθοδος βασίζεται στο μοντέλο Leland-Toft (1996) το οποίο αποτελεί επέκταση ενός ευρέως διαδεδομένου μοντέλου; του Black-Scholes-Merton. Παρ ’όλα αυτά, το μοντέλο Leland-Toft (1996) δεν έχει λάβει την απαραίτητη προσοχή στην βιβλιογραφία και γι’ αυτό, εξετάζουμε την εμπειρική του απόδοση. Τέλος αποσκοπούμε στην βελτίωση της απόδοσης παραδοσιακών μοντέλων πρόβλεψης χρεωκοπίας, όπως τα μοντέλα του Altman (1968) και Ohlson (1980) αλλά και πιο σύγχρονων μοντέλων, όπως το μοντέλο των Campbell et al. (2008), χρησιμοποιώντας την πιθανότητα χρεωκοπίας που προκύπτει από το μοντέλο Leland-Toft, σαν επιπρόσθετο παράγοντα στα μοντέλα τους. Συνοπτικά, το κεφάλαιο αποδεικνύει τη χρησιμότητα του μοντέλου Leland-Toft για την πρόβλεψη χρεωκοπίας, καθώς παρέχει βελτιώσεις στην εμπειρική απόδοση των μοντέλων που εξετάζονται. Το δεύτερο κεφάλαιο ασχολείται με την μεγιστοποίηση του κριτήριου απόδοσης AUROC (Area Under ROC curve). Συγκεκριμένα, το AUROC είναι από τα πιο γνωστά κριτήρια απόδοσης μοντέλων χρεοκοπίας και έχει δειχθεί πως τράπεζες που χρησιμοποιούν μοντέλα με μεγαλύτερο δείκτη AUROC, πετυχαίνουν μεγαλύτερη κερδοφορία εν συγκρίσει με άλλες τράπεζες. Παρ ‘όλα αυτά, δεν είναι κοινή πρακτική να εκπαιδεύονται μοντέλα τα οποία μεγιστοποιούν το κριτήριο AUROC. Στο κεφάλαιο αυτό, προτείνονται και συγκρίνονται διάφορες μέθοδοι για μεγιστοποίηση του κριτηρίου απόδοσης AUROC, με τον σκοπό να βρούμε την καλύτερη μέθοδο. Συνοπτικά, το κεφάλαιο δείχνει ότι οι προτεινόμενες μέθοδοι βελτιώνουν την εμπειρική απόδοση παραδοσιακών μοντέλων. Επίσης, αναδεικνύονται τα οικονομικά οφέλη που προκύπτουν όταν το κριτήριο AUROC χρησιμοποιείται κατά τη διάρκεια της εκπαίδευσης μοντέλων πρόβλεψης χρεωκοπίας. Στο τρίτο κεφάλαιο δίνεται έμφαση στην κατηγορία των δομικών (παραμετρικών) μοντέλων , όπου προτείνουμε μια τεχνική για να υπολογίσουμε τις πιο σημαντικές τους παραμέτρους, οι οποίες δεν μπορούν να παρατηρηθούν στην αγορά; την αγοραία αξία της εταιρίας ή αντίστοιχα την αξία των περιουσιακών της στοιχείων (asset value) και την τυπική απόκλιση τους (asset volatility). Εναλλακτικές τεχνικές υπολογισμού που προτάθηκαν στην βιβλιογραφία βασίζονται σε προσεγγίσεις που μπορεί να οδηγήσουν σε ανακριβείς υπολογισμούς (προσεγγίσεις που είναι noisy or simplified). Στο κεφάλαιο αυτό, υποθέτουμε πως οι παράμετροι που θέλουμε να υπολογίσουμε, εξαρτώνται από κάποιες εξωγενής μεταβλητές μέσω αγνώστων σχέσεων-συναρτήσεων και χρησιμοποιώντας μια μη-παραμετρική μέθοδο, για παράδειγμα νευρωνικά δίκτυα, στοχεύουμε στην εκμάθηση αυτών των συναρτήσεων όπου θα δώσουν βελτιωμένες παραμέτρους. Αυτές οι παράμετροι, όταν ενσωματωθούν στο παραμετρικό μοντέλο, δημιουργούν ένα ημι-παραμετρικό μοντέλο. Χρησιμοποιώντας το παραμετρικό μοντέλο Black-Scholes-Merton ως παράδειγμα, το κεφάλαιο καταλήγει ότι η προτεινόμενη μέθοδος παρέχει παραμέτρους οι οποίες όταν ενσωματωθούν στο Black-Scholes-Merton, βελτιώνει σημαντικά την απόδοση του συγκριτικά με τις παραδοσιακές μεθόδους υπολογισμού τους.

The dissertation examines topics in bankruptcy prediction using public firms from U.S. and consists of three chapters. Chapter 1 is dedicated to investigating an alternative approach for bankruptcy prediction that measures the financial healthiness of firms with coupon-paying debts. The approach is based on the framework of Leland-Toft (1996) which is a structural model that extends a widely-used corporate bankruptcy model; the Black-Scholes-Merton model. Despite that, Leland-Toft (1996) has received limited attention in the bankruptcy literature and thus, we aim to examine its empirical performance. Finally, we are interested to improve the performance of well-established bankruptcy models, like Altman (1968) and Ohlson (1980) but also more recent ones, like Campbell et al. (2008) by incorporating the probability of bankruptcy derived from Leland-Toft as additional predictor in their models. Overall, the chapter demonstrates the usefulness of Leland-Toft in predicting bankruptcy, since it provides enhancements in the empirical performance of the examined models. Chapter 2 is dedicated on the maximization of the discriminatory power of bankruptcy prediction models, measured by the Area Under ROC curve (AUROC). Specifically, AUROC is a widely-used performance measure and it has been shown that models with higher AUROC are associated with higher economic benefits for banks. Yet, it is not a common practice to training bankruptcy models by maximizing AUROC. In this chapter, several methodologies to maximize AUROC are introduced and compared, with the objective to find the best one. Overall, the chapter shows that the proposed approaches provide enhancements in the empirical performance of the traditional bankruptcy models, highlighting also the economic benefits arising by using models where the AUROC is used as the optimization criterion during the training phase of the models. In Chapter 3, the focus is on structural (parametric) models where we propose an estimation technique to estimate their most important parameters which are not observed in the market; the value of assets and the volatility of assets. Alternative estimation techniques proposed in the literature, are based on “noisy” techniques or “simplified” approximations that may result to inaccurate estimation of the unobserved parameters. In this chapter, we assume that these parameters depend on some exogenous variables through some unknown relationships and by using a nonparametric approach, like neural networks, we seek to estimate these relationships, obtaining in that way improved parameter values that when enter the parametric model, yields a semiparametric method for the estimation of the probability of default. Using the Black-Scholes-Merton structural model as a paradigm, the chapter concludes that the proposed methodology provides parameters which when enter the structural model, significantly improve the predictive performance of the model relative to the traditional methods.