A literatura relacionada aos early warning systems (EWS) para crises bancárias, distress bancá- rio e insolvência bancária está assentada em duas grandes correntes: a abordagem micro e a macro. A abordagem micro tipicamente está focada nos dados dos balanços e, em alguns casos, ações de bancos, com o objetivo de prever a insolvência, utilizando diferentes metodologias empíricas e índices de análise de balanços para produzir uma avaliação das condições dos bancos consistentes com o sistema CAMELS de ratings (González-Hermosillo,1999).
Neste sentido os estudos de Abad González e Gutiérrez López (2015), Miller et al. (2015),
Moinescu e Costea (2014), Auvray e Brossard (2012), Huang et al. (2012), Fidrmuc e Süss
(2011), Bhimani et al. (2010), Gunther e Moore (2003) eBongini et al. (2001) colocaram seu foco no distress bancário, utilizando apenas variáveis retiradas dos balanços dos bancos, estimando modelos de resposta qualitativa (logit e probit). Também há os estudos deTanaka et al. (2016),
Koyuncugil e Ozgulbas (2012), Güvenir e Çakır (2010), Zhao et al. (2009), Ng et al. (2008),
Nguyen et al. (2008),Tung et al. (2004) eSarkar e Sriram (2001) que utilizam variáveis contábeis com o uso de modelos de aprendizagem de máquina (redes neurais, support vector machines, árvores de decisão e random forest). Já os estudos deAdeyeye e Migiro (2015), Messai e Gallali
(2015) e Miller et al. (2015) utilizaram variáveis contábeis, mas estimaram mais de um tipo de modelo como: métodos econométricos de resposta qualitativa, método de Extração de Sinais, métodos não-paramétricos e modelos de aprendizagem de máquina.
A segunda corrente da literatura empírica foca em variáveis macroeconômicas para explicar as crises bancárias. Os fatores macroeconômicos associados com episódios de problemas no setor bancário destacados na literatura incluem quedas nos níveis de produção, choques adversos nos termos de troca, declínio nos preços de ativos, aumentos das taxas de juros, ciclos de elevada inflação, expansão do crédito, perdas nas reservas internacionais e entradas de capitais (González- Hermosillo,1999).
Nesta corrente da abordagem macroeconômica existem os estudos de Joy et al. (2017) que utilizaram machine learning para crises bancárias e crises cambiais em 36 países;Ari e Cergibozan
(2016) que estudaram as crises cambiais e bancárias na Turquia;Billio et al. (2016) que analisaram o risco sistêmico em 15 países europeus;Caggiano et al. (2016) que estudaram o risco bancário sistêmico em 92 países;Dabrowski et al. (2016) que trabalharam com crises bancárias sistêmicas para 11 países;Ganİoğlu (2016) que estudaram os problemas institucionais financeiros e políticos como indicadores de crises bancárias em 45 países (24 desenvolvidos e 21 em desenvolvimento);
Hamdaoui (2016) que comparou crises bancárias sistêmicas em 22 países desenvolvidos e 27 em desenvolvimento, Manasse et al. (2016) que estudaram as crises bancárias em 85 mercados emergentes;Singh (2016) que estudou o comportamento do risco bancário em 18 países da União Europeia;Sohn e Park (2016) que estudaram os indicadores de crises bancárias nos Estados Unidos;
Tamadonejad et al. (2016) que estudaram os efeitos da estabilidade política e econômica sobre as crises bancárias em 10 países da Ásia Oriental;Burra et al. (2015) que analisaram a implementação do buffer de capital contracíclico com o auxílio de early warning system na África do Sul;Catullo
et al. (2015) que analisaram as interações entre bancos e empresas como indicadores de crises financeiras no Japão; Ibáñez-Hernández et al. (2015) que analisaram a aplicação do buffer de capital contracíclico na Espanha,Jedidi e Pentecôte (2015) que desenvolveram um early warning systempara previsão de crises bancárias em 48 países desde 1977 até 2010;Babecký et al. (2014) que analisaram a interação entre as crises bancárias, crises cambiais e crise da dívida em países desenvolvidos; Borgy et al. (2014) que verificaram que o crescimento exagerado no preço de imóveis e ativos são indicadores de recessão e de crises bancárias em 18 países da OECD;Catão e Milesi-Ferretti (2014) que investigaram o papel dos passivos externos na indução de crises em 72 países;Drehmann e Juselius (2014) que avaliaram as principais características para preditores a serem empregados em um early warning system em 26 países;Giese et al. (2014) que avaliaram o gap do crédito sobre o PIB e indicadores complementares para a política macroprudencial no Reino Unido; Islami e Kurz-Kim (2014) que construíram um indicador de estresse financeiro para previsão de crises para 17 países da Zona do Euro; Jin e Nadal De Simone (2014) que desenvolveram uma estrutura de medição do risco de crédito para previsão de crises bancárias em 15 países; Qin e Luo (2014) que estudaram os efeitos da abertura de capital como indutor de crises bancárias em 19 países do G20,Sayek e Taskin (2014) que verificaram o comportamento de preditores em diferentes eventos de crises bancárias em 117 países;Asanović (2013) que estimou um early warning system para crises bancárias em Montenegro;Bhattacharya e Roy (2012) que levantaram os indicadores de crises bancárias na Índia;Boitan (2012) que desenvolveu um early warning systempara avaliar a queda de qualidade da carteira de crédito dos bancos da Romênia;
Eichler e Sobański (2012) que avaliaram indicares de vulnerabilidade do setor bancário em 8 países da Zona do Euro;Kauko (2012) que avaliou a influência dos déficits externos e dos empréstimos em atraso na crise de 2008 em 34 países; Roy e Kemme (2012) que estudaram a influência da desregulamentação, dos crescimentos exagerados no crédito e das bolhas de ativos em crises bancárias de 7 países;Davis et al. (2011) que testaram se há diferenças entre a América Latina e Ásia na construção de early warning systems;Barrell et al. (2010) que estimaram um early warning system para países da OCDE; Byström (2004) que verificou a relação entre a probabilidade de insolvência e a ocorrência de crises bancárias em 34 países; eMontgomery (2003) que avaliou a probabilidade de ocorrência de crises bancárias em Taiwan, Coreia e Japão.
Os estudos da abordagem macroeconômica, que têm o foco principal nos fatores macroeconô- micos que contribuem na previsão de ocorrência de crises, são ferramentas importantes para a detecção tempestiva de crises sistêmicas, mas não permitem uma análise da importância de vulne- rabilidades microeconômicas que contribuem para estas crises. Além disse, é pouco provável que possam ser capazes de distinguir entre os casos de instituições financeiras vulneráveis que foram atingidas por choques exógenos, dos casos de determinadas vulnerabilidades microeconômicas existentes antes da crise que levam ao distress financeiro sistêmico. Os estudos macroeconômicos dão às autoridades informações insuficientes sobre como determinadas instituições financeiras são mais frágeis e vulneráveis no sistema, fazendo com que tenham que tratar dos problemas do setor financeiro em um nível agregado, ou seja, pela abordagem macro, sem a inclusão dos bancos indi- viduais na análise, não se pode explicar porque nem todos bancos ficam insolventes, se todos são submetidos ao mesmo choque macroeconômico. Já com os dados individualizados das instituições financeiras, é possível que se possa comparar as características específicas de uma instituição em distress ou insolvência com outras em situação normal. E o levantamento de tais características podem ser utilizado para o desenvolvimento de sistemas de monitoramento do risco de distress no futuro (Bongini et al.,2001).
González-Hermosillo (1999) defende uma abordagem integrada das correntes micro e macro, aproveitando as características das duas. Os estudos microeconômicos, principalmente os baseados na análise do tipo CAMELS, tendem a produzir resultados de estimação satisfatórios, em parte por conta do número de variáveis explicativas. Mas essa abordagem geralmente falha quando as
condições econômicas mudam, mas, também, porque algumas variáveis explicativas tipicamente utilizadas para a previsão de distress ou insolvência bancária são endógenas. Um exemplo é o caso dos empréstimos de liquidação duvidosa, que é uma variável ligada a qualidade dos ativos, que são o resultado de más decisões de empréstimo e deterioração das condições econômicas. Os bancos não ficam insolventes por conta de ter um elevado percentual de empréstimos com problemas, mas sim por conta de decisões anteriores, cujos resultados também podem ter sido influenciados por mudanças nas condições econômicas.
Alguns estudos com foco no distress utilizaram variáveis contábeis, variáveis do setor bancário e macroeconômicas e estimaram modelos econométricos de resposta qualitativa. Como os estudos de: Lin e Yang (2016) que demonstram empiricamente que fortes fundamentos bancários bem como condições econômicas favoráveis reduzem a probabilidade de colapso de bancos da Ásia Oriental; Calabrese e Giudici (2015) que com base na teoria do valor extremo mostram que, além dos fatores microeconômicos e de capital regulatório, os fatores macroeconômicos só são relevantes quando as insolvências são definidas não apenas pelo não cumprimento das obrigações, mas também em termos de fusões e aquisições;Zhen-Jia-Liu (2015) que verificam que índices de capital, juros recebidos sobre despesas com juros, receitas excluindo juros sobre as despesas com juros, rentabilidade sobre o patrimônio e provisões para prejuízos em empréstimos têm correlações significantemente negativas com falências bancárias e, por outro lado, índices de empréstimos, créditos de liquidação duvidosa e ativos fixos têm correlações significantemente positivas; Betz
et al. (2014) que demonstram que as vulnerabilidades específicas de cada banco complementadas com indicadores de desequilíbrios macroeconômicos e indicadores de vulnerabilidades do setor bancário melhoram o desempenho do modelo; Maghyereh e Awartani (2014) que demonstram que variáveis bancárias específicas e outras variáveis do tipo CAMEL, juntamente com choques sistemáticos no ambiente financeiro e macroeconômico funcionaram de maneira significante para a previsão de distress bancário;Zaghdoudi (2013) que demonstra que os indicadores que melhor contribuíram para a capacidade de previsão de insolvência dos bancos tunisianos foram a queda da lucratividade e da capacidade do banco para pagar sua dívida.
Também utilizando variáveis contábeis, macroeconômicas e do setor bancário,Li et al. (2013) utilizou um modelo de aprendizagem de máquina, o support vector machine para avaliação do distressem bancos chineses. JáIoannidis et al. (2010) comparou diversos métodos quantitativos para avaliar o distress em bancos, como modelos de aprendizagem de máquina, modelos economé- tricos de resposta qualitativa e métodos não-paramétricos e, também, comparou o desempenho de modelos estimados com apenas variáveis financeiras com o desempenho de modelos com variáveis financeiras e macroeconômicas, mostrando que os modelos com apenas variáveis financeiras obtêm resultados mais pobres.