دانلود ترجمه مقاله رویکردی برای پیش بینی ریسک اعتباری بانک در اروپا

1. مقدمه و مقالات مرتبط 2. داده ها و روش تحقیق تجربی 3. نتایج تجربی 4. نتیجه گیری و دلالت ها

چکیده – هدف مقاله در دست، ایجاد یک رویکرد جایگزین، مبتنی بر شاخص احساس، با هدف اندازه گیری ریسک اعتبار بانکی، در کشورهای اروپایی، با استفاده از یک رویکرد جایگزین، به جای مقیاس های سنتی می باشد. علی الخصوص از داده های گوگل، برای مجموعه ای از واژگان کلیدی مرتبط، با ریسک اعتبار بانکی استفاده می کنیم تا احساس سرمایه گذار را ثبت نماییم. شاخص حاصله نشان دهنده تشابه زیادی با شاخص های سنتی، مبتنی بر CDS بانک است. تحلیل خارج از نمونه نشان می دهد که شاخص احساس ما برای پیش بینی ریسک اعتبار بانکی، در طول بازه های تنش مالی، مفید است زیرا دقت برآوردها را افزایش می دهد. مقدمه و مقالات مربوطه: بحران مالی ای که در سال 2008 شروع شد، اهمیت بخش مالی، در توسعه اقتصاد را نشان داد. شهروندان، شرکت ها و حتی دولت های حاکم، از عواقب این تنش مالی به شدت رنج بردند. با این وجود یک درس مثبت که این بحران داشت این بود که به عنوان یک نقع عطف، در مدیریت ریسک، در بخش بانکداری عمل کرد. ارزیابی ریسک اعتبار، تبدیل به یک مسئله حیاتی، برای بازارهای مالی شده است. از آن زمان، ریسک ها با دقت بیشتری ارزیابی شده است و به چندین روش، نمایندگی می شوند. در این مورد، باید عنوان کرد که دو زمینه در مقالات مرتبط با ارزیابی ریسک اعتبار بانک ها وجود دارد. زمینه اول مرتبط با متغیرهای اقتصادی و مالی است. در این زمینه باید گفت که اختلاف قیمت معاوضه شاخص شبانه LIBOR (اختلاف قیمت LIBOR-OIS) و اختلاف قیمت CDS (اسمیلز 2011) اغلب به عنوان مقیاس ریسک اعتبار بانکی استفاده می شود. مورد اول به صورت نرخ LIBOR، منهای تعویض شاخص شبانه (OIS) محاسبه می شود تا انتظارات بازار، درباره سیاست های بانک های مرکزی حذف گردد (اسمیلز 2011). بنابراین اختلاف قیمت LIBOR-OIS حاصله، نماینده بهتری برای ریسک اعتبار بانک است که اغلب در مقالات، در طول بازه های تنش مالی استفاده می گردد (آیت- ساهالیا و همکاران 2012، بلک و همکاران 2016). از طرف دیگر، اختلاف قیمت CDS نشان دهنده نرخ دوره ای است که یک فروشنده محافظت، از یک خریدار، برای منتقل کردن ریسک یک رویداد اعتباری، دریافت می نماید (گوسمی و همکاران 2018) و اغلب در مقالات، به عنوان شاخص ریسک اعتبار بانکی استفاده می شود (آوینو و کاتر 2014). در کنار این شاخص های سنتی، نویسندگان دیگر پیشنهاد می کنند که ریسک اعتبار را می توان توسط فاکتورهای ماکرو اقتصادی (یورداکول 2014) مدلسازی کرد زیرا از زمان تضعیف بانک ها، ترازنامه مالی نیز توسط فاکتورهای ماکرواقتصادی، علاوه بر متغیرهای خاص بانکی تعیین می شود (گوچینلی و همکاران 2018) که این خود یک دلیل دیگر به شمار می رود.

The aim of this paper is to construct an alternative approach based on a sentiment index to measure bank credit risk in European countries using an alternative approach instead of traditional measures. Specifically, we use Google data for a set of keywords related to bank credit risk to capture investor sentiment. The resulting index shows a great similarity to traditional indexes based on bank CDS. The out-of-sample analysis demonstrates that our sentiment index is helpful for predicting bank credit risk during periods of financial distress, since it enhances the accuracy of the estimations. Introduction and related literature: The financial crisis that started in 2008 showed the importance of the financial sector in the development of the economy. Citizens, companies and even sovereign states suffered the consequences of the financial turmoil. However, one positive lesson the crisis provided was that it served as a turning point in the management of risk in the banking sector. The evaluation of credit risk has become a crucial issue for financial markets. Since then, risks are more carefully evaluated and better proxied in multiple ways. In this sense, there are two areas of the literature associated with bank credit risk assessment. The first area is related to financial and economic variables. Regarding this area, the LIBOR-overnight index swap spread (LIBOR-OIS spread) and the CDS spreads (Smales, 2016) are usually employed as measures of bank credit risk. The former is calculated as the LIBOR rate minus the overnight index swap (OIS) to remove markets expectations about central banks policies (Smales, 2016). Thus, the resultant LIBOR-OIS spread is a better proxy for bank credit risk that is usually employed in the literature during periods of financial turmoil (Aït-Sahalia et al., 2012; Black et al., 2016). On the other hand, the CDS spreads represents the periodic rate a protection seller receives from a buyer for transferring the risk of a credit event (Guesmi et al., 2018) and are commonly used in the literature as indicators of bank credit risk (Avino and Cotter, 2014). Along these traditional indicators, other authors suggest that credit risk can be modeled by macroeconomic factors (Yurdakul, 2014), since the weakening of the banks financial balance-sheet is also determined by macroeconomic factors in addition to bank specific variables (Cucinelli et al., 2018).