این تحقیق ، دقت دو رویکرد را مقایسه می کند: تکنیک های آماری سنتی و تکنیک های یادگیری ماشین ، که سعی در پیش بینی شکست بانک ها دارند. نمونه ای از ۳۰۰۰ بانک آمریکایی (۱۴۳۸ شکست و ۱۵۶۲ بانک فعال) توسط دو رویکرد آماری سنتی (تجزیه و تحلیل تبعیض آمیز و رگرسیون لجستیک) و سه روش یادگیری ماشین (شبکه عصبی مصنوعی ، ماشینهای بردار پشتیبان و نزدیکترین همسایگان) بررسی شده است. برای هر بانک ، داده ها برای یک دوره ۵ ساله قبل از غیرفعال شدن جمع آوری شده است. ۳۱ نسبت مالی که از گزارشهای مالی بانکی استخراج شده است ، ۵ جنبه اصلی را شامل می شود: کیفیت وام ، کیفیت سرمایه ، راندمان عملیات ، سودآوری و نقدینگی. نتایج تجربی نشان می دهد که شبکه عصبی مصنوعی و روش های همسایگی K-دقیق ترین هستند.