External Crisis Prediction Using Machine Learning : An Early Warning System for Argentina

Abstract

External Early Warning Systems (EWSs) have traditionally been designed to warn policymakers of potential balance of payments crises. This study compares the performance of three different EWSs Machine Learning models using Classification and Regression Trees (CART), Bagging or Bootstrap Aggregating (BA) and Random Forest (RF). The three models have been trained with Argentinian data between 2003 and 2023 and have shown high out-of-sample performance. In addition, using 103 macroeconomic variables, the models highlight the relevance of certain variables in the fiscal, external, real and monetary sectors as potential predictors of future currency crises in Argentina.

Los denominados "External Early Warning Systems" (EWSs) o "Sistemas Externos de Alerta Temprana" (SAT), fueron diseñados con el fin de identificar posibles crisis de balanza de pagos. Este estudio compara el rendimiento de tres diferentes modelos de aprendizaje automático de "EWSs" utilizando las técnicas de: Classification and Regression Trees / Clasificación y Árboles de Regresión (CART), Bagging or Bootstrap Aggregating (BA) / Agregación de Ensacado o Bootstrap (BA) y Random Forest (RF) / Bosque Aleatorio. Estos tres modelos fueron entrenados con datos sobre Argentina relativos al período comprendido entre 2003 y 2023 mostrando en sus resultados un alto desempeño por fuera de la muestra. En adición, mediante la utilización de 103 variables macroeconómicas, los modelos destacaron la relevancia de determinadas variables en los sectores fiscales, externo, real y monetario como posibles predictores de futuras crisis monetarias en Argentina.