Il lavoro sviluppa un modello di early warning delle crisi di liquidità per le banche italiane, confrontando l'efficacia di tre metodi di machine learning (logistic LASSO, random forest e Extreme Gradient Boosting) nel prevedere la probabilità di una crisi. Si utilizza un dataset originale costruito a partire dai casi di ELA, e si calibrano i segnali dei modelli tramite un'ottimizzazione basata sulle preferenze tra l'errore di I tipo (mancata segnalazione di una crisi) e di II tipo (falso allarme).
I tre metodi di stima utilizzati hanno un'ottima performance previsiva, che migliora combinandoli tra loro (attraverso una media semplice o ponderata). I modelli combinati sono in grado di ottenere una bassa percentuale di mancate segnalazioni di una crisi (falsi negativi) pur limitando allo stesso tempo i falsi allarme (falsi positivi).