الذكاء الاصطناعي
هل يمكن للذكاء الاصطناعي أن يحذر المستثمرين قبل الأزمة المالية التالية؟
أضف Securities.io إلى مصادرك المفضلة على Google
في صميم التقدم الأخير في الذكاء الاصطناعي تكمن القدرة المتزايدة على استخراج الأنماط المعقدة من البيانات غير المنظمة، وهو ما كان الأجيال السابقة من البرمجيات تكافح معه.
يفتح هذا العديد من السبل الجديدة لتطبيق الذكاء الاصطناعي، من الطب إلى أنواع متعددة من التنبؤ. لذا، ليس من المستغرب أن يبدأ الكثيرون في توظيفه في الأسئلة المالية، وخاصةً في توقع الأزمات المالية.
ذلك لأن الأزمات المالية قد تبدو مفاجئة، ولكن عند النظر إلى الوراء، غالبًا ما تكشف بعض البيانات عن تراكم العوامل التي أدت إلى ذلك. وتكون الأزمات المالية تقريبًا دائمًا نتيجة لسنوات من الاختلال، والقرارات الاستثمارية السيئة، والتقييم المفرط، وغيرها.
لذلك قد يساعد نظام ذكاء اصطناعي قادر على معالجة كمية هائلة من البيانات وفهمها في توقع مثل هذه الأزمات.
أجرت دراسة جديدة باحث في معهد الهند للتكنولوجيا رووركي (Indian Institute of Technology Roorkee) هذا السؤال. وتستكشف الدراسة، عبر التعلم الآلي، ما إذا كان يمكن استخدام نقاط ضعف القوائم المالية كمؤشر لتحذير من أزمة مالية وشيكة.
نُشرت نتائجه في مجلة International Review of Economics & Finance، تحت العنوان “هل تتنبأ نقاط ضعف القوائم المالية بالأزمات المالية؟ دليل من التعلم الآلي وتفكيك شابلي.”
الأزمات المالية والتنبؤات
نظرًا لقدرتها الهائلة على تدمير الثروات، تُعد الأزمات المالية محورًا أساسيًا في العلوم الاقتصادية.
هناك بعض المؤشرات الرئيسية المعروفة التي تزيد من احتمال حدوث أزمات مالية.
الأول هو “الخطيئة الأصلية”، أو عدم قدرة الاقتصادات الناشئة والنامية (EDEs) على الاقتراض في الخارج بعملتها الخاصة، مما يجبرها على الاعتماد على ديون مقومة بعملات أجنبية (FCD). وهذا بدوره يجعل قوائمها المالية عرضة للصدمات الخارجية.
عامل آخر هو عدم التوافق بين العملات، حيث تحتفظ دولة أو بنك أو شركة بأصول وخصوم بعملات محلية وأجنبية بنسب غير متساوية. وبالتالي، أثناء تحركات أسعار الصرف، يمكن أن يخلق ذلك مخاطر نظامية قد تؤدي إلى إفلاس واسع النطاق وتقلبات اقتصادية كبرى. على سبيل المثال، كان مثل هذا العملية مركزية في الأزمة 1997 المالية الآسيوية.
غالبًا ما تفشل الأساليب التقليدية في العلوم الاقتصادية، مثل الانحدار اللوجستي واستخراج الإشارات، في تقييم هذه المخاطر بشكل صحيح.
أحد الأسباب الرئيسية هو أنها غالبًا ما تغفل عن تأثيرات التفاعل واللاخطية، حيث يمكن أن ينتج عن مدخل مشابه نتائج مختلفة جذريًا بمجرد تجاوز عتبة معينة (صعبة التنبؤ).
توقع الأزمات
رسم خريطة الأزمات المختلفة
يمكن أن تتجلى الأزمات المالية بأشكال مختلفة، حيث يُعترف عمومًا بثلاثة أنواع تقريبًا: أزمات العملة، والأزمات المصرفية، وأزمات الدين.
أزمات العملة يمكن تعريفها بأنها “الانخفاض الاسمي للعملة مقابل الدولار الأمريكي بنسبة لا تقل عن 30٪ وأيضًا أعلى بـ10 نقاط مئوية على الأقل من معدل الانخفاض في السنة السابقة”.
الأزمات المصرفية تتطلب شرطين متزامنين:
- وجود علامات واضحة على الضائقة المالية في النظام المصرفي، كما يتضح من حدوث سحوبات بنكية كبيرة، وخسائر في النظام المصرفي، و/أو تصفيات بنكية.
- إجراءات تدخلية هامة في السياسة المصرفية استجابةً للخسائر الكبيرة في النظام المصرفي.
أزمات الديون السيادية يمكن تحديدها من خلال أحداث تخلف الدين وإعادة هيكلة، استنادًا إلى تقارير وكالات التصنيف، وتراكم الاحتياطيات، وتقارير موظفي صندوق النقد الدولي، وتطورات سوق السندات.
على الرغم من اختلافها عن بعضها البعض ومن جذورها المتباينة، فإن هذه الأنواع من الأزمات المالية ليست متنافية. فمثلاً، قد يتسبب أزمة العملة في ركود حاد يمكن أن يفضي إلى أزمة ديون أو أزمة مصرفية في دولة شديدة الضعف.
قياس مؤشرات الإنذار المبكر
لتجاوز قيود أدوات التحليل المستخدمة سابقًا، أنشأ مؤلف هذه الدراسة مؤشرات الخطيئة الأصلية الواسعة (BOSIN) ومؤشر عدم توافق العملة الجديد (NCM) للعثور على مؤشرات مبكرة لأزمة مالية متصاعدة.
يتضمن مؤشر BOSIN كلًا من تركيبة عملة الأوراق المالية المدينة والقروض المصرفية عبر الحدود، ويغطي 162 دولةً من عام 1970 إلى 2018.
يُظهر مؤشر NCM الضعف الخارجي من خلال تضمين احتياطيات العملات الأجنبية، وانفتاح الصادرات، وتركيبة عملة ديون البنوك والديون الدولية.
هذا يُظهر إمكانات مثيرة للاهتمام، حيث يكشف مؤشر NCM عن الضعف الخارجي قبل الأزمات المالية. على سبيل المثال، تُظهر الأرجنتين والبرازيل أعلى قمم عدم توافق العملة حول عام 2000، متزامنة مع أزمتهما في 2001–02.
حالة أخرى هي أزمة تيكيلا في المكسيك عام 1994–95. شهدت زيادة حادة في عدم توافق العملة، بسبب ارتفع الدين بالدولار من 4٪ إلى 75٪ من الدين العام الخاص خلال عام واحد.
اشتمل مجموعة البيانات النهائية المستخدمة في الدراسة على 120 ملاحظة قبل الأزمة لأزمة العملة (5.50٪)، و95 حدثًا قبل الأزمة لأزمة البنوك (4.64٪)، و47 لأزمة الدين (1.90٪).
الأزمات وتعلم الآلة
لأجل هذه الدراسة، اختار المؤلف tقائم على الأشجار التعلم الآلي لأنه يتطلب ضبطًا بسيطًا للمعلمات، ويتعامل جيدًا مع مجموعات البيانات الكبيرة، ويظل بسيطًا في التنفيذ والتفسير.
ركز التحليل الأساسي على أشجار القرار، والغابات العشوائية، وأشجار العشوائية المتطرفة. كما اختبر المؤلف الشبكات العصبية، وآلات الدعم الناقل، وCatBoost، وLightGBM كاختبارات للمتانة.
كانت نماذج التجميع القائمة على التجميع (bagging) هي الأكثر اتساقًا عبر فئات الأزمات الثلاث، رغم أن CatBoost وLightGBM حققا نتائج تنافسية لأزمات البنوك.
قامت الدراسة بعد ذلك بمقارنة خوارزميات التعلم الآلي القائمة على الأشجار وقدرتها على توقع الأزمات، بالإضافة إلى ميلها للنتائج الإيجابية الكاذبة (توقع أزمة عندما لا تحدث).
بشكل عام، تفوقت أشجار “القصوى”، وتلتها عن كثب خوارزميات الغابة العشوائية.
التنبؤ مقابل تقييم الأزمات
في حين أن تحديد أزمة محتملة أمر مهم، يحتاج صانعو السياسات والمستثمرون أيضًا إلى فهم سبب إصدار النموذج لتحذيره. وهذا صعب مع العديد من أنظمة التعلم الآلي لأن عملية اتخاذ القرار الداخلية فيها قد تشبه الصندوق الأسود.
للقيام بذلك، استخدم المؤلف قيم شابلي لمؤشرات الاقتصاد، والتي تمثل مساهمتها الحدية في توقع الأزمة، مُتوسطًا عبر جميع تركيبات المؤشرات الممكنة.
أظهر ذلك أن عددًا قليلًا من المؤشرات هو الأكثر أهمية لتوقع الأزمات المالية:
- الاقتصادات التي تتعرض لدرجة أكبر من “الخطيئة الأصلية” تواجه مخاطر أعلى لأزمات العملة.
- مؤشر عدم التوازن في العملة يُظهر ارتفاعًا حادًا في قيم شابلي عند ارتفاع مراكز الالتزامات بالعملات الأجنبية.
- يمكن أن يساعد ذلك في وضع حدود محددة للضعف، مما يزود صانعي السياسات بمعايير لتقييم المخاطر وتوجيه السياسات الكلية الاحترازية.
أنواع الأزمات المالية المختلفة لها، كما هو متوقع، أسباب جذور مختلفة.
- في أزمات العملة، يبرز الانفتاح المالي، وأنظمة سعر الصرف، ومعدل خزانة الولايات المتحدة كأهم المتنبئات.
- في أزمات البنوك، يُعد معدل خزانة الولايات المتحدة، وائتمان البنوك، والانفتاح المالي من أكثر المتنبئات.
- في أزمات الدين، يُعد نمو الناتج المحلي الإجمالي، والانفتاح المالي، وعدم التوازن في العملة من أهم المؤشرات.
الأزمات المالية والدروس المستفادة من الذكاء الاصطناعي
تُظهر هذه الدراسة أن بعض الأزمات المالية قد تُصدر إشارات تحذيرية قابلة للكشف، رغم تعقيد وسلوك الأنظمة الاقتصادية الكلية غير الخطية.
يمكن تحقيق ذلك باستخدام التعلم الآلي، وخاصة الخوارزميات القائمة على الأشجار، التي أثبتت اتساقًا أكبر عبر فئات الأزمات الثلاث مقارنة بالطرق الأخرى التي تم اختبارها.
يعمل ذلك لأن التعلم الآلي يستطيع استخراج البيانات ذات الصلة لتوقعه واكتشاف الإشارات التحذيرية غير الخطية بفعالية أكبر من الانحدار اللوجستي التقليدي.
كما يجب الإشارة إلى أن انتقاد “الصندوق الأسود” المتعلق بالتعلم الآلي والذكاء الاصطناعي بشكل عام لا ينطبق بالكامل، إذ يمكن إظهار أي من المؤشرات الاقتصادية تساهم في التوقع، وفي هذه الحالة، ديون العملات الأجنبية وعدم التوازن في العملة.
يُثبت ذلك أن مثل هذا النموذج يمكنه تعزيز تحليل مخاطر السيادة وتقديم تحذير بشأن أزمة على مستوى الدولة تستعد للظهور.
مع ذلك، يجب على المستثمرين أن يدركوا أن الدقة العامة العالية لا تعني أنه سيتنبأ بكل أزمة في الوقت المناسب لتجنب الخسائر المالية. وبالمثل، لا تزال الإيجابيات الكاذبة احتمالًا واضحًا.
هذا يعني أنه بينما يمكن للتعلم الآلي أن يوفر جرس إنذار، فإن اتخاذ قرار ما إذا كان دقيقًا ويتطلب اتخاذ إجراء لا يزال يتطلب خبرة وحكمة بشرية. لذا فإن هذه التقنية تُعد أفضل كأنظمة دعم اتخاذ القرار، وليس كعراف توقعات مستقل.
الاستثمار في تحليل المخاطر المالية
Moody’s Corporation
MCO مخطط السعر
كان التنبؤ بمخاطر أزمة غير متوقعة على مستوى الدولة أو الشركة دائمًا جزءًا أساسيًا من عمل المستثمرين والمقرضين والخبراء الماليين بشكل عام.
في العصر الحديث، يُفوض جزء كبير من هذه المهمة إلى وكالات التصنيف التي تمتلك الخبرة وإمكانية الوصول إلى البيانات والسمعة لتقديم تقييمات محايدة وموثوقة حول ملاءة الشركة، وسلامة ميزانية البنك، وصحة الاقتصاد في القطاع، أو استقرار المالية في الدولة.
إحدى وكالات التصنيف الرائدة هي Moody’s، التي تعمل في مجالات تصنيف الائتمان، وتحليل السيادة، والاستخبارات المالية، ونمذجة المخاطر. داخل Moody’s Investors Service، تُعد مجموعة التمويل المؤسسي أكبر مساهم في الإيرادات، حيث تمثل تقريباً نصف إيرادات القسم خلال الربع الثاني من عام 2026.
المصدر: Moody’s
من خلال تقليل الفجوات المعلوماتية بين المصدرين والمستثمرين، يمكن لتصنيفات الائتمان المعترف بها على نطاق واسع تحسين الوصول إلى الأسواق وربما خفض تكاليف الاقتراض. حتى خفض طفيف في سعر الفائدة المرتبط بإصدار سندات كبير يمكن أن يحقق وفورات كبيرة على مدى عمره.
المصدر: Moody’s
في حين يمكن استخدام نماذج الذكاء الاصطناعي للتنبؤ بالمخاطر وتوقع الأزمات المحتملة، فإن اليقين بأن التنبؤ دقيق أمر بالغ الأهمية عندما تكون المليارات على المحك. لذا فإن Moody’s (MCO ) تتبنى الذكاء الاصطناعي، مما يسمح بتسويق هذه التطورات التقنية كتحليلات مالية قابلة للتفسير، بدعم من مزود راسخ لتحليل المخاطر يُعتمد عليه منذ عقود.
ما يمنح Moody’s ميزة رئيسية في استخدام الذكاء الاصطناعي لرسم خريطة المخاطر المالية ليس فقط سمعته، بل الوصول المباشر إلى أحد أكبر مجموعات البيانات المنقحة والمسيطر عليها في العالم، والتي تغطي كل شيء من البراءات إلى صفقات الاندماج والاستحواذ، والمزاج المالي، والبيانات الاقتصادية، وتحليل الشركات الفردية، وحتى تحليلات المناخ.
المصدر: Moody’s
بشكل عام، تُعد Moody’s وسيلة جيدة للحصول على تعرض لنوع تحليل المخاطر باستخدام الذكاء الاصطناعي لتوقع أزمات الديون وأنواع أخرى من الأزمات المالية.
أحدث أخبار وتطورات أسهم Moody’s Corporation (MCO)
الدراسة المشار إليها
1. هاري فينكاتش. هل تتنبأ ضعف الميزانية بأزمات مالية؟ دليل من التعلم الآلي وتحليل شابلي. المراجعة الدولية للاقتصاد والتمويل. أكتوبر 2026. المقال: 105731. المجلد 111. 10.1016/j.iref.2026.105731
