aalto1 untyped-item.component.html
Modeling non-maturity deposit balances for stress testing
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3055
Degree programme
Language
en
Pages
84
Series
Abstract
Non-maturity deposits (NMDs) are of great importance to banks, but an inherently tricky phenomenon to model accurately. This thesis aims to model NMDs for a bank’s stress testing by answering the research question - which predictive model is the most suitable for predicting daily NMD balances? Performing the stress tests is omitted from the thesis. This thesis researchs multiple time series and machine learning modeling methods to predict cumulative daily NMD balances. These methods include ARIMA, ARIMAX, SARIMA, SARIMAX, linear regression, simple exponential smoothing, Holt-Winters exponential smoothing and a long short-term memory (LSTM) neural network. The used explanatory variables are the 12 month Euribor interest rate and close prices of the OMXH25 stock index. The prediction accuracies are quantified with the mean absolute percentage error (MAPE) for 30, 60, 90 and 180 day prediction periods. Further analysis is conducted by inspecting e. g. residual plots of the models. The results indicate that the LSTM neural network is the best model for predicting daily NMD balances, as its MAPE values were lower compared to the other models, and it considered NMD fluctuations the most accurately. The ARIMA and Holt Winters models were also viable in case implementing the LSTM neural network is too labor-intensive. Out of the two models, the ARIMA model was chosen as the more suitable alternative due to its better long-term accuracy and better visual fit of the predictions.
Eräpäivättömät talletukset ovat pankeille tärkeä rahoituksen lähde, mutta ilmiönä vaikeasti mallinnettava. Tämä diplomityö pyrkii ennustamaan eräpäivättömien talletusten kehittymistä stressitestaustarkoituksiin vastaamalla tutkimuskysymykseen, mikä ennustemalli sopii parhaiten eräpäivättömien talletusten ennustamiseen? Stressitestaaminen itsessään ei sisälly tähän diplomityöhön. Diplomityö tutkii erilaisia aikasarja- ja koneoppimismalleja eräpäivättömien talletusten päivittäisten saldojen ennustamiseksi. Työssä käytettyihin malleihin lukeutuvat ARIMA, ARIMAX, SARIMA, SARIMAX, lineaarinen regressio, yksinkertainen eksponentiaalinen tasoitus, Holt-Winters eksponentiaalinen tasoitus sekä long short-term memory (LSTM) -neuroverkko. Selittävinä muuttujina käytetään 12 kuukauden Euribor-korkoa sekä OMXH25-osakeindeksin päivittäisiä päätöskursseja. Mallien ennustustarkkuutta mitataan 30, 60, 90 sekä 180 päivän ennustusjaksojen keskimääräisellä absoluuttisella prosenttivirheellä (MAPE). Syvällisempää analyysia mallinnustuloksista tehdään esimerkiksi tarkastelemalla ennustusvirheiden jakaumia visuaalisesti. Työn tulokset osoittavat, että LSTM-neuroverkko on paras malli eräpäivättömien talletusten päivittäisten saldojen ennustamiseen, sillä sen MAPE-arvot olivat muita malleja alhaisempia ja se huomioi eräpäivättömien talletusten heilahtelut parhaiten. ARIMA- ja Holt Winters -malli olivat myös potentiaalisia vaihtoehtoja, mikäli LSTM-neuroverkon implementoiminen olisi liian työlästä. Näistä kahdesta vaihtoehdosta ARIMA-malli oli sopivampi paremman pitkän aikavälin tarkkuutensa ja ennusteiden paremman visuaalisen sopivuuden ansiosta.