Early-warning models for systemic banking crises: the effect of model and estimation uncertainty

• Applicant: Professor Dr. Gregor von Schweinitz
• Subject Area: Economic Policy, Applied Economics ; Statistics and Econometrics
• Term: from 2016 to 2019
• Project identifier: Deutsche Forschungsgemeinschaft (DFG) - Project number 334853253

• Final Report Year: 2020

Final Report Abstract

Das Forschungsprojekt hat neue Ergebnisse zu möglichen Verbesserungen von Frühwarnsystemen für systemische Finanzkrisen erbracht. Die wichtigste Einsicht des Projektes ist, dass bestehende Methoden kaum verbessert werden können. Der Grund dafür ist, dass Frühwarnmodelle bisher nicht in der Lage sind, die mannigfaltigen Ursachen von Finanzkrisen abzubilden, weil die entsprechenden Daten fehlen. Damit existiert eine fundamentale Prognoseunsicherheit, die auch durch bessere Methoden wie zum Beispiel die Verwendung von Machine-Learning-Methoden nicht überwunden werden kann. Im Gegenteil: Machine-Learning-Methoden können die fundamentale Prognoseunsicherheit teilweise deutlich unterschätzen, was zu einer deutlichen Verschlechterung der Prognosequalität im Vergleich zu einfachen Methoden führt. Auch andere Ansätze, die Herleitung von Frühwarnsignalen zu verbessern, führen nur zu minimalen (und insignifikanten) Verbesserungen der Prognosequalität. Die Schlussfolgerung aus dem obigen Befund ist, dass die vielversprechendsten Ansätze zur Verbesserung von Krisenvorhersagen vielmehr in der Erweiterung der üblicherweise verwendeten Indikatoren liegen. Auch hier haben wir im Rahmen des Projekts wichtige Beiträge zu möglichen Indikatoren geliefert. Dabei wurden zuerst Bewertungen von Staatsanleihen durch Ratingagenturen untersucht, da diese Bewertungen verschiedene Risikodimensionen vereinen und keinen Publikationslags unterliegen. Wir finden allerdings, dass Ratings tendenziell zur Verwendung in Frühwarnmodellen nicht geeignet sein dürften, da Ratingagenturen Neubewertungen nur selten vornehmen. Das hat zur Folge, dass Ratingverschlechterungen selten zu starken Zinserhöhungen führen, was ein Indiz für ein gestiegenes Ausfallrisiko und damit eine drohende Krise wäre. Besser geeignet scheinen Daten zu Konsolidierungsbemühungen von Staatsfinanzen zu sein. Vor allem in Zeiten von hohem Krisenrisiko kann es hilfreich sein, wenn Staatsausgaben reduziert oder Steuereinnahmen erhöht werden, um die Nachhaltigkeit von Staatsschulden zu erhöhen. Zusätzlich wurde im Rahmen dieses Projekts untersucht, welche ökonomischen Kosten durch den Einsatz von makroprudentieller Regulierung entstehen, speziell Mindestreserveanforderungen an Banken, und ob diese Maßnahmen zu einem leichteren Krisenverlauf beitragen können. Wir finden, dass Mindestreserveanforderungen tatsächlich ökonomische Fluktuationen dämpfen. In normalen Zeiten reduziert die Regulierung das ökonomische Wachstum. Dafür wirken sie in Krisenzeiten (leicht) positiv. Hierbei deuten die Ergebnisse darauf hin, dass Mindestreserveanforderungen nicht zu hoch angesetzt werden sollten.

Publications

• 2018. The joint dynamics of sovereign ratings and government bond yields. Journal of Banking & Finance 97, 198–218
  El-Shagi, M., von Schweinitz, G.
  
• 2019. Does machine learning help us predict banking crises? Journal of Financial Stability 45, 100693
  Beutel, J., List, S., von Schweinitz, G.
  
• 2019. Fiscal policy and fiscal fragility: Empirical evidence from the OECD. IWH Discussion Paper 13/2019
  El-Shagi, M., von Schweinitz, G.
  
• 2019. On the empirics of reserve requirements and economic growth. Journal of Macroeconomics 60, 253–274
  Crespo-Cuaresma, J., von Schweinitz, G., Wendt, K.
  
• 2020. Nowcasting east german gdp growth: a midas approach. Empirical Economics 58, 29–54
  Claudio, J.C., Heinisch, K., Holtemöller, O.