A predictive model of sovereign investment grade using machine learning and natural language processing

María Victoria Landaberry (), Kenji Nakasone, Johann Pérez and María del Pilar Posada
Additional contact information
María Victoria Landaberry: Banco Central del Uruguay
Kenji Nakasone: UTEC - Universidad Tecnológica
Johann Pérez: UTEC - Universidad Tecnológica
María del Pilar Posada: Banco Central del Uruguay

No 2022005, Documentos de trabajo from Banco Central del Uruguay

Abstract: Las agencias calificadoras de riesgo como Moody's, Standard and Poor's y Fitch califican los activos soberanos basados en un análisis matemático de factores económicos, sociales y políticos conjuntamente con un análisis cualitativo de juicio de experto. De acuerdo a la calificación obtenida, los países pueden ser clasificados como aquellos que tienen grado inversor o cuentan con grado especulativo. Tener grado inversor es importante en la medida que reduce en costo de financiamiento y expande el conjunto de potenciales inversores en una economía. En este documento nos proponemos predecir si la deuda soberana de un país será calificada con grado inversor utilizando un conjunto de variables macroeconómicas y variables obtenidas a partir del análisis de texto de los reportes de Fitch entre 2000 y 2018 utilizando técnicas de procesamiento natural de lenguaje. Utilizamos una regresión logística y un conjunto de algoritmos de machine learning alternativos. De acuerdo a nuestros resultados, el índice de incertidumbre, construido a partir de los reportes de Fitch, es estadísticamente significativo para predecir el grado inversor. Al comparar los distintos algoritmos de machine learning, random forest es el que tiene mejor poder predictivo fuera de la muestra cuando la variable dependiente refiere al mismo año que las variables explicativas mientras que knearest neighbors tiene el mejor desempeño predictivo cuando las variables independientes refieren al año anterior en términos del f1-score y recall.

Keywords: Riesgo soberano, agencias calificadoras, variables macroeconómicas, análisis de texto, procesamiento natural del lenguaje; machine learning (search for similar items in EconPapers)
JEL-codes: E22 E66 G24 (search for similar items in EconPapers)
Pages: 34 pages
Date: 2022
New Economics Papers: this item is included in nep-big and nep-cmp
References: View references in EconPapers View complete reference list from CitEc
Citations:

Downloads: (external link)
https://www.bcu.gub.uy/Estadisticas-e-Indicadores/ ... 20Trabajo/5.2022.pdf First version, 2022 (application/pdf)

Related works:
This item may be available elsewhere in EconPapers: Search for items with the same title.

Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text

Persistent link: https://EconPapers.repec.org/RePEc:bku:doctra:2022005

Access Statistics for this paper

More papers in Documentos de trabajo from Banco Central del Uruguay Biblioteca Especializada. Banco Central del Uruguay. Diagonal Fabini 777, Montevideo-Uruguay. CP 11100. Contact information at EDIRC.
Bibliographic data for series maintained by Biblioteca Especializada ().