Comparing Prediction Power of Artificial Neural Networks Compound Models in Predicting Credit Default Swap Prices through Black–Scholes–Merton Model

Document Type : Research Paper


Department of Accounting, Islamic Azad University of Kerman Branch, Iran


Default risk is one of the most important types of risks, and credit default swap (CDS) is one of the most effective financial instruments to cover such risks. The lack of these instruments may reduce investment attraction, particularly for international investors, and impose potential losses on the economy of the countries lacking such financial instruments, among them, Iran. After the 2007 financial crisis, the importance of CDS has increasingly augmented because theoretically and practically, this instrument could significantly prevent catastrophes such as the mentioned crisis. The present study seeks to predict the price of CDS contracts with the Merton model as well as the compound neural network models including ANFIS, NNARX, AdaBoost, and SVM regression, and compare the predictive power of these algorithms which are among the most prestigious, intelligent models in finance. The research statistical population includes the A-rated North American and European companies which are known as the reference entities for credit default swaps. Data were collected from the Bloomberg Terminal for an eight-year period from 2008 to 2015. Contracts of 125 companies were selected as the statistical sample. The results reveal that the average predictive power of the NNARX is higher than that of other algorithms under scrutiny.


Main Subjects

Article Title [فارسی]

مقایسه قدرت پیشبینی کنندگی مدلهای ترکیبی شبکه های عصبی مصنوعی، در پیش بینی قیمت قراردادهای سواپ نکول اعتباری با مدل مرتون

Authors [فارسی]

  • اصغر بیت اللهی
  • حدیث زینلی
گروه حسابداری، دانشگاه آزاد اسلامی واحد کرمان، ایران
Abstract [فارسی]

ریسک نکول از تعهدات یکی از مهمترین انواع ریسک، و قراردادهای سواپ نکول اعتباری از مهمترین ابزار مالی جهت پوشش آن میباشند. نبود چنین ابزار ی موجب کاهش جذابیت به خصوص برای سرمایه گذاران بین المللی میگردد و زیانهای اقتصادی را به کشورهای فاقد این نوع ابزر، من جمله ایران، تحمیل مینماید. پس از بحران 2007، کارایی ابزار مالی مذکور پررنگتر شد، زیرا در تئوری و عمل، این ابزار میتوانست تا حد زیادی از بروز فاجعه ی مالی جلوگیری کند. هدف این پژوهش ، پیش بینی قیمت قراردادهای مذکور با مدل مرتون و برخی از مدلهای ترکیبی شبکه عصبی من جمله انفیس، نارکس، آدابوست و رگرسیون ماشین بردار پشتیبان، و مقایسه ی این الگوریتمهاست که از کاراترین مدلهای هوشمند حوزه ی فایننس میباشند. جامعه ی آماری را شرکتهای آمریکای شمالی و اروپایی تشکیل میدهند که نهاد مرجع قراردادهای مذکور بوده اند. داده ها از پایگاه بلومبرگ برای دوره ی 2015-2008 استخراج گردید که 125 شرکت به عنوان نمونه ی آماری انتخاب شدند. طبق نتایج، میانگین قدرت پیش بینی کنندگی الگوریتم نارکس بیش از سایر مدلهاست.

Keywords [فارسی]

  • ابزار مشتقه مالی
  • انفیس
  • نارکس
  • آدابوست
  • رگرسیون ماشین بردار پشتیبان
Alfaro, E., García, N., Gámez, M., & Elizondo, D. (2008). Bankruptcy forecasting: An empirical comparison of AdaBoost and neural networks. Decision Support Systems, 45(1), 110-122.
Amuthan, R. (2014). Financial Derivatives. Himalaya[A1]  Publishing House.
Anyaeche, C. O., & Ighravwe, D. E. (2013). Predicting performance measures using linear regression and neural network: A comparison. African Journal of Engineering Research, 1(3), 84-89.
Aragon, G. O., & Li, L. (2019). The use of credit default swaps by bond mutual funds: Liquidity provision and counterparty risk. Journal of Financial Economics, 131(1), 168-185.
Blaskowitz, O., & Herwartz, H. (2009). Adaptive forecasting of the EURIBOR swap term structure. Journal of Forecasting, 28(7), 575-594.
Chau, F., Han, C., & Shi, S. (2018). Dynamics and determinants of credit risk discovery: Evidence from CDS and stock markets. International Review of Financial Analysis, 55, 156-169.
Fahimifard, S. M., Mohaddes, S. A., Mohammadi, H., & Keshtkar, R. (2012). Application of NNARX to agriculture sector value added forecasting: A case of Irans agriculture sector. African Journal of Agricultural Research7(27), 3918-3924.
Friedman, D., Cycowicz, Y. M., & Gaeta, H. (2001). The novelty P3: An event-related brain potential (ERP) sign of the brain's evaluation of novelty. Neuroscience & Biobehavioral Reviews25(4), 355-373.
Gayen, P. K., & Jana, A. (2017). An ANFIS based improved control action for single phase utility or micro-grid connected battery energy storage system. Journal of Cleaner Production164, 1034-1049.[A2] 
Gündüz, Y., & Uhrig-Homburg, M. (2011). Predicting credit default swap prices with financial and pure data-driven approaches. Quantitative Finance, 11(12), 1709-1727.
 Halagunde Gowda, G. R. (2018). Classificatory statistical modelling on adoption of drough coping mechanisms. (Doctoral dissertation[A3] , DEPARTMENT OF FARM ENGINEERING INSTITUTE OF AGRICULTURAL SCIENCES BANARAS HINDU UNIVERSITY VARANASI).).
Hull, J. (2009). Options, futures and other derivatives/John C. Hull.[A4] 
Kimoto, T., Asakawa, K., Yoda, M., & Takeoka, M. (1990, June). Stock market prediction system with modular neural networks. In 1990 IJCNN international joint conference on neural networks (pp. 1-6). IEEE.
Marthinsen, J. E. (2018). Risk takers: Uses and abuses of financial derivatives. Walter[A5]  de Gruyter GmbH & Co KG.
Meissner, G. (2009). Credit derivatives: application, pricing, and risk management. John[A6]  Wiley & Sons.
Pang, X., Zhou, Y., Wang, P., Lin, W., & Chang, V. (2018). An innovative neural network approach for stock market prediction. The Journal of Supercomputing, 1[A7] -21.
Scott, K. E., & Taylor, J. B. (Eds.). (2012). Bankruptcy Not Bailout: A Special (No. 625). Hoover Press.[A8] 
Wang, J., Fang, W., & Niu, H. (2016). Financial time series prediction using elman recurrent random neural networks. Computational intelligence and neuroscience, Volume 2016, Article ID 4742515, 14 pages.