Kunstig intelligens
Kan AI advare investorer før den næste finanskrise?
Føj Securities.io til dine foretrukne kilder på Google
Kernen i den seneste udvikling inden for kunstig intelligens er en stigende evne til at udtrække komplekse mønstre fra uorganiserede data, noget tidligere generationer af software havde svært ved.
Dette åbner mange nye veje for anvendelse af AI, fra medicin til forskellige former for prognoser. Så er det ikke overraskende, at mange begynder at anvende den på finansielle spørgsmål, især på forudsigelse af finanskriser.
Dette skyldes, at selvom finanskriser kan synes pludselige, afslører nogle datapunkter i bakspejlet ofte opbygningen op til dette tidspunkt. Finanskriser er næsten altid resultatet af års ubalance, dårlige investeringsbeslutninger, overvurdering osv.
Så måske kan et AI-system, der kan behandle en enorm mængde data og give mening til dem, hjælpe med at forudsige sådanne kriser.
En ny undersøgelse af en forsker ved Indian Institute of Technology Roorkee undersøgte dette spørgsmål. Den undersøger, ved hjælp af maskinlæring, om balance‑sheet‑sårbarheder kan bruges som et mål for at advare om en forestående finanskrise.
Hans resultater blev offentliggjort i International Review of Economics & Finance, under titlen “Kan balance‑sheet‑sårbarheder forudsige finanskriser? Evidens fra maskinlæring og Shapley‑dekomposition.”
Finanskriser & forudsigelser
På grund af deres enorme potentiale for at ødelægge formuer er finanskriser et fokusområde inden for økonomisk videnskab.
Et par nøgleindikatorer er kendt for at øge sandsynligheden for finanskriser.
Den første er “original sin”, eller manglende evne for fremvoksende og udviklende økonomier (EDE’er) til at låne i udlandet i deres egen valuta, hvilket tvinger dem til at stole på gæld denomineret i fremmed valuta (FCD). Dette gør deres balancer modtagelige for eksterne chok.
En anden faktor er valutamismatch, hvor et land, en bank eller en virksomhed har aktiver og forpligtelser i indenlandske og udenlandske valutaer i ulige proportioner. Så kan valutakursbevægelser skabe systemiske risici, der kan føre til udbredt insolvens og makroøkonomisk volatilitet. For eksempel var en sådan proces central for den 1997 asiatiske finanskrise.
Traditionelle metoder inden for økonomisk videnskab, såsom logistisk regression og signaludtrækning, fejler ofte i at vurdere disse risici korrekt.
En stor årsag er, at de ofte undlader at tage højde for interaktionseffekter og ikke‑lineariteter, hvor et lignende input pludselig kan give radikalt forskellige resultater, når en vis (svær at forudsige) tærskel overskrides.
Forudsigelse af kriser
Kortlægning af forskellige kriser
Finanskriser kan manifestere sig i forskellige former, med cirka tre typer, der generelt anerkendes: valutakrise, bankkrise og gældskrise.
Valutakrise kan defineres som den “nominale devaluering af valutaen i forhold til den amerikanske dollar på mindst 30 %, som også er mindst 10 procentpoint højere end devalueringsraten året før”.
Bankkriser kræver to samtidige betingelser:
- Betydelige tegn på finansiel nød i banksystemet, som indikeret af markante bankruns, tab i banksystemet og/eller banklikvidationer.
- Betydelige bankpolitiske indgribenstiltag som svar på betydelige tab i banksystemet.
Statsgældskriser kan identificeres gennem gældsnedskrivning og restruktureringsbegivenheder, baseret på ratingbureauers rapporter, reserveopbygning, IMF‑personalsrapporter og udviklinger på obligationsmarkedet.
Selvom de er forskellige og har forskellige årsager, er disse typer af finanskriser ikke gensidigt udelukkende. For eksempel kan en valutakrise forårsage en alvorlig recession, som derefter kan udløse en gældskrise eller bankkrise i et særligt sårbart land.
Måling af tidlige advarselsindikatorer
For at overvinde begrænsningerne i tidligere anvendte analyseværktøjer udviklede forfatteren af denne undersøgelse de brede original‑synd (BOSIN) og nye valutamismatch‑ (NCM) indekser for at finde tidlige indikatorer på en kommende finanskrise.
BOSIN omfatter både valutakompositionen af gældspapirer og grænseoverskridende banklån og dækker 162 lande fra 1970 til 2018.
NCM indfanger ekstern sårbarhed ved at inkludere valutareserver, eksportåbenhed og valutakomposition af bankgæld og internationale gældspapirer.
Dette viser interessant potentiale, da NCM afslører ekstern sårbarhed før finanskriser. For eksempel viser Argentina og Brasilien deres højeste valutamismatch‑toppe omkring år 2000, hvilket falder sammen med deres kriser i 2001–02.
Et andet eksempel er Mexicos Tequila‑krise i 1994–95. Den oplevede en kraftig stigning i valutamismatch, da dollargæld steg fra 4 % til 75 % af den privat holdte offentlige gæld inden for et år.
Det endelige datasæt, der blev brugt i undersøgelsen, indeholdt 120 observationer før valutakrise (5,50 %), 95 observationer før bankkrise (4,64 %) og 47 observationer før gældskrise (1,90 %).
Krisser & maskinlæring
Til denne undersøgelse valgte forfatteren træbaseret maskinlæring fordi den kræver minimal parameterjustering, håndterer store datasæt godt og forbliver enkel at implementere og fortolke.
Den primære analyse fokuserede på beslutningstræer, tilfældige skove og ekstremt randomiserede træer. Forfatteren testede også neurale netværk, supportvektormaskiner, CatBoost og LightGBM som robusthedstjek.
De på bagging baserede ensemble-modeller var de mest konsistente præstationer på tværs af de tre krisekategorier, selvom CatBoost og LightGBM leverede konkurrencedygtige resultater for bankkriser.
Undersøgelsen sammenlignede derefter forskellige træbaserede maskinlæringsalgoritmer og deres evne til at forudsige kriser samt deres tendens til falske positiver (forudsige en krise, når der ingen opstår).
Samlet set klarede “ekstreme” træer sig bedst, tæt efterfulgt af algoritmer for tilfældige skove.
Forudsigelse vs. evaluering af kriser
Selvom det er vigtigt at identificere en potentiel krise, har beslutningstagere og investorer også brug for at forstå, hvorfor en model udsendte sin advarsel. Dette er vanskeligt med mange maskinlæringssystemer, fordi deres interne beslutningsprocesser kan ligne en sort boks.
For at gøre dette brugte forfatteren de økonomiske indikatorers Shapley‑værdier, som repræsenterer deres marginale bidrag til kriseforudsigelse, gennemsnitligt over alle mulige indikator‑kombinationer.
Dette viste, at få indikatorer er de vigtigste for at forudsige finansielle kriser:
- Økonomier med større eksponering for original synd har højere risiko for valutakrise.
- Indikatoren for valutamismatch viser en kraftig stigning i Shapley‑værdier ved højere udenlandske valutaforpligtelser.
- Den kan hjælpe med at fastlægge specifikke sårbarhedstærskler, hvilket giver beslutningstagere benchmarks til at vurdere risici og vejlede makroprudentielle politikker.
Forskellige typer af finansielle kriser har, som forventet, også forskellige grundårsager.
- For valutakrise fremstår finansiel åbenhed, valutakursregimer og den amerikanske Treasury‑rente som de vigtigste forudsigere.
- For bankkriser er den amerikanske Treasury‑rente, bankkredit og finansiel åbenhed de mest forudsigende.
- For gældskriser er BNP‑vækst, finansiel åbenhed og valutamismatch de vigtigste indikatorer.
Finansielle kriser & AI‑konklusioner
Denne undersøgelse viser, at nogle finansielle kriser kan afgive påviselige advarselssignaler, på trods af de makroøkonomiske systemers kompleksitet og ikke‑lineære adfærd.
Dette kan gøres ved hjælp af maskinlæring, især træbaserede algoritmer, som viste sig at være mere konsistente på tværs af de tre krisekategorier end de øvrige testede metoder.
Dette fungerer, fordi maskinlæring kan udtrække de relevante data til sin forudsigelse og opdage ikke‑lineære advarselssignaler mere effektivt end traditionel logistisk regression.
Det bør også bemærkes, at kritikken af en “sort boks” omkring maskinlæring og AI generelt ikke fuldt ud gælder, da det er muligt at demonstrere, hvilke økonomiske indikatorer der bidrager til forudsigelsen – i dette tilfælde udenlandsgæld i fremmed valuta og valutamismatch.
Dette beviser, at en sådan model kan styrke suverænrisiko‑analysen og give en advarsel om en landskrise, der er ved at udvikle sig.
Investorer bør dog også være opmærksomme på, at høj samlet nøjagtighed ikke betyder, at den vil forudsige hver krise i tide til at undgå finansielle tab. Ligeledes er falske positiver stadig en reel mulighed.
Det betyder, at selvom maskinlæring kan give en alarm, kræver beslutningen om den er præcis og skal følges op stadig menneskelig erfaring og visdom. Så denne teknologi er bedst egnet som et beslutningsstøttesystem, ikke som en autonom forudsigelses‑orakel.
Investering i finansiel risikaanalyse
Moody’s Corporation
MCO Prisdiagram
At forudsige risikoen for en uventet krise på land- eller virksomhedsniveau har altid været en væsentlig del af investorer, långiveres og finansielle eksperters arbejde generelt.
I moderne tider delegeres en stor del af denne opgave til ratingbureauer, som har ekspertisen, datatilgangen og ryet til at foretage neutrale, pålidelige vurderinger af en virksomheds soliditet, en banks balancens sikkerhed, en sektors økonomiske sundhed eller et lands finansielle stabilitet.
Et førende ratingbureau er Moody’s, som opererer inden for kreditvurderinger, suveræn analyse, finansiel intelligens og risikomodellering. Inden for Moody’s Investors Service er Corporate Finance Group den største indtægtsbidragsyder og udgør cirka halvdelen af segmentets omsætning i andet kvartal af 2026.
Kilde: Moody’s
Ved at reducere informationskløfter mellem udstedere og investorer kan bredt anerkendte kreditvurderinger forbedre markedsadgangen og potentielt sænke låneomkostningerne. Selv en beskeden reduktion i renten på en stor obligationsudstedelse kan give betydelige besparelser over dens levetid.
Kilde: Moody’s
Selvom AI-modeller kan bruges til at forudsige risici og forudsige eventuelle kriser, er sikkerheden i, at forudsigelsen er præcis, ekstremt vigtig, når der er milliarder på spil. Så Moody’s (MCO ) omfavner AI, så sådanne teknologiske fremskridt kan kommercialiseres som fortolkelige finansielle risikaanalyser, med støtte fra en veletableret leverandør af risikaanalyse, der allerede i årtier er betroet.
Det, der giver Moody’s en væsentlig fordel ved at bruge AI til at kortlægge finansiel risiko, er ikke kun deres omdømme, men også den direkte adgang til et af verdens største kuraterede og kontrollerede datasæt, der dækker alt fra patenter til M&A‑aftaler, finansiel sentiment, økonomiske data, individuel virksomhedsanalyse eller endda klima‑analyse.
Kilde: Moody’s
Alt i alt er Moody’s en god måde at få eksponering mod den type risikaanalyse, der bruger AI til at forudsige gældskriser og andre former for finansielle kriser.
Seneste nyheder og udviklinger om Moody’s Corporation (MCO) aktien
Refereret studie
1. Hari Venkatesh. Forudsiger sårbarheder i balancen finansielle kriser? Evidens fra maskinlæring og Shapley‑dekomposition. International Review of Economics & Finance. oktober 2026. Artikel: 105731. Bind 111. 10.1016/j.iref.2026.105731
