The Effect of Board Characteristics on Real Activities Manipulation in Tunisian Banks

The succession of financial scandals and resounding bank failures that characterized the economic environment over the past three decades have given more weight to governance mechanisms. As such, considered to be one of the most important internal governance mechanisms, the board of directors has shown its strengths in controlling earnings manipulation, in particular those linked to real activities. The aim of this paper is to examine the effect of board characteristics on real earnings management. Using panel data econometrics, on all Tunisian commercial banks over the period 2008-2019, we show that board gender diversity has a disciplinary role in real earnings management as measured by discretionary revenue on equity securities. However, we show that board independence increases the real earnings management. As for board size, board duality, as well as the number of meetings carried out per year by the board of directors, we prove that they have no significant effect on real earnings management.

A Hard-Science Approach to Kondratieff’s Economic Cycle

In an effort to evidence the Kondratieff cycle more scientifically than the way economists do, physical variables are studied rather than monetary indicators. Previously published graphs are reproduced and updated here with recent data. A cyclical rather regular variation of energy consumption reveals a 56-year cycle. A dozen human endeavors/phenomena, such as bank failures, homicides, hurricanes, feminism, and sunspot activity are shown to resonate with this cycle. Possible explanations for this phenomenon may have to do with a climatic variation or with the length of time any individual actively influences the environment. There is some evidence that the cycle may be getting shorter in amplitude and duration in recent years. All quantitative confidence levels involved in these observations are poor by scientific standards and permit critics to question the very existence of this phenomenon.

Forecasting bank failures and credit ratings

Τα τελευταία είκοσι χρόνια, ο μεγάλος αριθμός των χρεωκοπημένων τραπεζών αύξησε το ενδιαφέρον για τις μεθοδολογίες και τις τεχνικές αξιολόγησης της πιστοληπτικής ικανότητας των τραπεζών για την έγκαιρη πρόβλεψη μιας επικείμενης χρεωκοπίας. H χρηματοπιστωτική κρίση που ξεκίνησε το 2007, προκάλεσε ανησυχίες σχετικά με τα ρυθμιστικά και εποπτικά μέτρα που ίσχυαν και οδήγησε σε ρυθμιστικές και εποπτικές μεταρρυθμίσεις με στόχο την σταθεροποίηση και εξυγίανση του τραπεζικού συστήματος. Οι προσομοιώσεις ακραίων καταστάσεων αποτέλεσαν ένα σημαντικό εργαλείο επίβλεψης στα χέρια των εποπτικών αρχών στη προσπάθειά τους να αξιολογήσουν την ανθεκτικότητα των τραπεζών με βάση διάφορα εναλλακτικά σενάρια. Στην παρούσα διατριβή, παρουσιάζεται ένα νέο μοντέλο πρόβλεψης χρεωκοπίας των τραπεζών με μεθόδους μηχανικής μάθησης. Σύμφωνα με την προτεινόμενη μεθοδολογία ορίζεται ένας διαχωριστής ο οποίος χωρίζει τις χρεωκοπημένες τράπεζες από τις υγιείς με μια ευθεία. Αυτό οδηγεί σε ένα εναλλακτικό εργαλείο stress-testing για την αξιολόγηση της φερεγγυότητας των τραπεζών και παρέχει σημαντικές πληροφορίες για τον τρόπο πρόληψης μιας επικείμενης χρεωκοπίας. Επιπλέον, με βάση το μοντέλο, εξετάζεται η επίδραση των ρυθμιστικών αλλαγών που συνέβησαν μετά την χρηματοοικονομική κρίση στην ανθεκτικότητα του τραπεζικού συστήματος συνολικά. Στο πλαίσιο αυτό εξετάζονται και οι 5826 τράπεζες του τραπεζικού συστήματος των Η.Π.Α. για 19 χρόνια. Χρησιμοποιώ μόνο ποσοτικές και δημόσια διαθέσιμες πληροφορίες από τις οικονομικές καταστάσεις των τραπεζών από το 2000 έως το 2018 με στόχο την δημιουργία ενός μοντέλου για α) την πρόβλεψη αξιολόγησης της πιστοληπτικής ικανότητας των τραπεζών β) την πρόβλεψη χρεωκοπίας των τραπεζών και γ) την αξιολόγηση της ανθεκτικότητας του τραπεζικού συστήματος των Η.Π.Α. στο σύνολό του πριν και μετά την πρόσφατη χρηματοπιστωτική κρίση. Τα αποτελέσματα δείχνουν ότι οι αξιολογήσεις πιστοληπτικής ικανότητας των τραπεζών βασίζονται σε μεγάλο βαθμό σε δεδομένα προηγούμενων ετών με αποτέλεσμα να ανταποκρίνονται και να ενημερώνονται πολύ αργά, ενίοτε πολύ μετά την αντίδραση της αγοράς. Το προτεινόμενο μοντέλο πρόβλεψης χρεωκοπίας τραπεζών παρουσιάζει συνολική προβλεπτική ικανότητα 99,22% χρησιμοποιώντας μόνο δύο επεξηγηματικές μεταβλητές. Παρέχω αποδείξεις ότι τα τελευταία χρόνια, ο μειωμένος ανταγωνισμός και οι νέοι ρυθμιστικοί κανονισμοί διεύρυναν το περιθώριο ασφαλείας του τραπεζικού συστήματος, με αποτέλεσμα έναν υγιέστερο και πιο ανθεκτικό χρηματοπιστωτικό κλάδο.

Predicting Bank Failures: A Synthesis of Literature and Directions for Future Research

Risk management has been a topic of great interest to Michael McAleer. Even as recent as 2020, his paper on risk management for COVID-19 was published. In his memory, this article is focused on bankruptcy risk in financial firms. For financial institutions in particular, banks are considered special, given that they perform risk management functions that are unique. Risks in banking arise from both internal and external factors. The GFC underlined the need for comprehensive risk management, and researchers since then have been working towards fulfilling that need. Similarly, the central banks across the world have begun periodic stress-testing of banks’ ability to withstand shocks. This paper investigates the machine-learning and statistical techniques used in the literature on bank failure prediction. The study finds that though considerable progress has been made using advanced statistical and computational techniques, given the complex nature of banking risk, the ability of statistical techniques to predict bank failures is limited. Machine-learning-based models are increasingly becoming popular due to their significant predictive ability. The paper also suggests the directions for future research.

Residential House Prices, Commercial Real Estate Lending and Bank Failures

We investigate factors leading to bank failures during and after the Great Recession and banking crisis (2008–2015). The FHFA residential real estate house price index (HPI) for each of the 9 Census regions is used to interact with bank mortgage loans and bank financial statement variables. We find that these variables isolate different regional effects on the likelihood of a bank failing. Since we use changes from region to region, we find that regional location and HPI changes have an effect on banks’ commercial lending activity. Other more traditional and associated factors, like construction and land development lending or multifamily real estate lending, similarly explain bank failures during the main period of the banking crisis. By using this approach we better isolate the relationship between residential house prices and builders’ and land developers’ desire to borrow and the willingness of banks to concentrate portfolio lending in commercial real estate.

Forecasting Bank Failure with Machine Learning Models: A study on Turkish Banks

Forecasting bank failures has been an essential study in the literature due to their significant impact on the economic prosperity of a country. Acting as an intermediary player, banks channel funds from those with surplus capital to those who require capital to carry out their economic activities. Therefore, it is essential to generate early warning systems that could warn banks and stakeholders in case of financial turbulence. In this paper, three machine learning models named as GLMBoost, XGBoost, and SMO were used to forecast bank failures. We used commercial bank failure data of Turkey between 1997 and 2001, where we have 17 failed and 20 healthy banks. Our results show that the Sequential Minimal Optimization and GLMBoost provide the same performance when classifying failed banks, while GLMBoost performs better in AUC and SMO when considering total classification success. Lastly, XGBoost, one of the most recent and robust classification models, surprisingly underperformed in all three metrics we used in research.