Künstliche Intelligenz
Kann KI Anleger vor der nächsten Finanzkrise warnen?
Securities.io zu deinen bevorzugten Quellen auf Google hinzufügen
Im Kern des jüngsten Fortschritts im Bereich der Künstlichen Intelligenz steht die zunehmende Fähigkeit, komplexe Muster aus unstrukturierten Daten herauszufiltern – etwas, womit frühere Softwaregenerationen Schwierigkeiten hatten.
Damit eröffnen sich zahlreiche neue Anwendungsbereiche für KI, von der Medizin bis hin zu verschiedensten Prognosen. Daher ist es nicht überraschend, dass viele beginnen, sie auf finanzielle Fragestellungen anzuwenden, insbesondere zur Vorhersage von Finanzkrisen.
Das liegt daran, dass Finanzkrisen zwar plötzlich erscheinen mögen, im Nachhinein jedoch einige Datenpunkte häufig den Aufbau bis zu diesem Zeitpunkt offenbaren. Finanzkrisen sind fast immer das Ergebnis jahrelanger Ungleichgewichte, schlechter Investitionsentscheidungen, Überbewertungen usw.
Vielleicht kann ein KI‑System, das in der Lage ist, enorme Datenmengen zu verarbeiten und zu interpretieren, dabei helfen, solche Krisen vorherzusagen.
Eine neue Studie eines Forschers am Indian Institute of Technology Roorkee untersuchte diese Frage. Sie analysiert mithilfe von maschinellem Lernen, ob Bilanzschwächen als Kennzahl zur Warnung vor einer bevorstehenden Finanzkrise verwendet werden können.
Seine Ergebnisse wurden in der International Review of Economics & Finance veröffentlicht, unter dem Titel “Können Bilanzschwachstellen Finanzkrisen vorhersagen? Evidenz aus maschinellem Lernen und Shapley‑Dekomposition.”.
Finanzkrisen & Vorhersagen
Aufgrund ihres enormen Potenzials, Vermögen zu vernichten, stehen Finanzkrisen im Mittelpunkt der Wirtschaftswissenschaften.
Einige zentrale Indikatoren sind dafür bekannt, die Wahrscheinlichkeit von Finanzkrisen zu erhöhen.
Der erste ist „Ursünde“, also die Unfähigkeit von Schwellen- und Entwicklungsländern (EDEs), im Ausland in ihrer eigenen Währung zu leihen, was sie zwingt, auf fremdwährungsdenominierte Schulden (FCD) zurückzugreifen. Dies wiederum macht ihre Bilanzen anfällig für externe Schocks.
Zum Beispiel war ein solcher Prozess zentral für die 1997 Asien-Finanzkrise.
Traditionelle Methoden der Wirtschaftswissenschaften, wie logistische Regression und Signalauslese, scheitern häufig daran, diese Risiken angemessen zu bewerten.
Ein wichtiger Grund ist, dass sie häufig Wechselwirkungen und Nichtlinearitäten nicht berücksichtigen, bei denen ein ähnlicher Input plötzlich völlig andere Ergebnisse erzeugen kann, sobald ein gewisser (schwer vorhersehbarer) Schwellenwert überschritten wird.
Krisen vorhersagen
Verschiedene Krisen kartieren
Finanzkrisen können sich in verschiedenen Formen äußern, wobei im Allgemeinen etwa drei Typen anerkannt werden: Währungs-, Banken- und Schuldenkrisen.
„Währungskrisen“ können definiert werden als die „nominale Abwertung der Währung gegenüber dem US‑Dollar von mindestens 30 %, die zudem mindestens 10 Prozentpunkte höher liegt als die Abwertungsrate im Vorjahr“.
„Bankenkrisen“ erfordern zwei gleichzeitige Bedingungen:
- Deutliche Anzeichen finanzieller Not im Bankensystem, erkennbar an erheblichen Bankenanstürmen, Verlusten im Bankensektor und/oder Bankenliquidationen.
- Erhebliche Eingriffe der Bankenpolitik als Reaktion auf signifikante Verluste im Bankensystem.
Staatsverschuldungskrisen können anhand von Zahlungsausfällen und Restrukturierungsereignissen von Schulden identifiziert werden, basierend auf Berichten von Ratingagenturen, Reserveanhäufungen, IMF‑Mitarbeiterberichten und Entwicklungen am Anleihemarkt.
Obwohl sie sich voneinander unterscheiden und unterschiedliche Ursachen haben, schließen sich diese Arten von Finanzkrisen nicht gegenseitig aus. Beispielsweise kann eine Währungskrise eine schwere Rezession auslösen, die dann in einem besonders vulnerablen Land eine Schuldenkrise oder Bankenkrise nach sich ziehen kann.
Messung von Frühwarnindikatoren
Um die Einschränkungen zuvor genutzter Analysetools zu überwinden, entwickelte der Autor dieser Studie die Indizes Broad Original Sin (BOSIN) und New Currency Mismatch (NCM), um frühe Anzeichen einer entstehenden Finanzkrise zu identifizieren.
BOSIN berücksichtigt sowohl die Währungszusammensetzung von Schuldverschreibungen als auch grenzüberschreitende Bankkredite und umfasst 162 Länder von 1970 bis 2018.
NCM erfasst externe Verwundbarkeit, indem es Devisenreserven, Exportoffenheit und die Währungszusammensetzung von Bankschulden sowie internationalen Schuldverschreibungen einbezieht.
Dies zeigt ein interessantes Potenzial, da NCM externe Verwundbarkeiten vor Finanzkrisen aufdeckt. Beispielsweise erreichen Argentinien und Brasilien ihre höchsten Währungsfehlanpassungs‑Peaks um das Jahr 2000, was mit ihren Krisen 2001–02 zusammenfällt.
Ein weiteres Beispiel ist die mexikanische Tequila‑Krise 1994–95. Sie erlebte einen starken Anstieg der Währungsfehlanpassungen, da die Dollarverschuldung innerhalb eines Jahres von 4 % auf 75 % der privat gehaltenen öffentlichen Schulden anstieg.
Der für die Studie verwendete endgültige Datensatz umfasste 120 Vor‑Krisen‑Beobachtungen für Währungskrisen (5,50 %), 95 Vor‑Krisen‑Ereignisse für Bankenkrisen (4,64 %) und 47 für Schuldenkrisen (1,90 %).
Krisen & Maschinelles Lernen
Für diese Studie wählte der Autor tbaum-basiert Maschinelles Lernen, weil es nur minimale Parameterabstimmung erfordert, große Datensätze gut verarbeitet und einfach zu implementieren und zu interpretieren ist.
Die primäre Analyse konzentrierte sich auf Entscheidungsbäume, Random Forests und extrem randomisierte Bäume. Der Autor testete zudem neuronale Netze, Support‑Vector‑Machines, CatBoost und LightGBM als Robustheitsprüfungen.
Die auf Bagging basierenden Ensemble‑Modelle zeigten die konsistentesten Leistungen über alle drei Krisenkategorien hinweg, obwohl CatBoost und LightGBM wettbewerbsfähige Ergebnisse für Bankenkrisen lieferten.
Die Studie verglich anschließend verschiedene baum-basierte Machine‑Learning‑Algorithmen hinsichtlich ihrer Fähigkeit, Krisen vorherzusagen, sowie ihrer Neigung zu Fehlalarmen (eine Krise vorherzusagen, wenn keine eintrat).
Insgesamt erzielten „extreme“ Bäume die besten Ergebnisse, dicht gefolgt von Random‑Forest‑Algorithmen.
Krisen vorhersagen vs. bewerten
Während die Identifizierung einer potenziellen Krise wichtig ist, müssen politische Entscheidungsträger und Investoren auch verstehen, warum ein Modell seine Warnung ausgegeben hat. Das ist bei vielen Machine‑Learning‑Systemen schwierig, weil ihre interne Entscheidungsfindung einer Black‑Box ähneln kann.
Dazu nutzte der Autor die Shapley‑Werte der Wirtschaftsindikatoren, die deren marginalen Beitrag zur Krisenvorhersage darstellen, gemittelt über alle möglichen Indikatorenkombinationen.
Dies zeigte, dass einige wenige Indikatoren am wichtigsten für die Vorhersage finanzieller Krisen sind:
- Volkswirtschaften mit höherer Original‑Sin‑Exposition weisen ein größeres Risiko für Währungskrisen auf.
- Der Indikator für Währungsfehlanpassungen zeigt bei höheren Fremdwährungsverbindlichkeiten einen starken Anstieg der Shapley‑Werte.
- Er könnte helfen, spezifische Vulnerabilitätsschwellen festzulegen und politischen Entscheidungsträgern Benchmarks zur Risikobewertung und zur Lenkung makroprudenzieller Politik zu bieten.
Verschiedene Arten finanzieller Krisen haben, wie zu erwarten, unterschiedliche Ursachen.
- Für Währungskrisen erweisen sich Finanzoffenheit, Wechselkursregime und der US‑Treasury‑Zins als wichtigste Prädiktoren.
- Für Bankenkrisen sind der US‑Treasury‑Zins, Bankkredite und Finanzoffenheit am aussagekräftigsten.
- Für Schuldenkrisen sind das BIP‑Wachstum, Finanzoffenheit und Währungsfehlanpassungen die wichtigsten Indikatoren.
Finanzkrisen & KI‑Erkenntnisse
Diese Studie zeigt, dass einige Finanzkrisen erkennbare Warnsignale erzeugen können, trotz der Komplexität und nichtlinearen Dynamik makroökonomischer Systeme.
Dies lässt sich mittels Machine Learning erreichen, insbesondere mit baum‑basierten Algorithmen, die über alle drei Krisenkategorien hinweg konsistenter waren als die anderen getesteten Verfahren.
Das funktioniert, weil Machine Learning die relevanten Daten für die Vorhersage extrahieren und nichtlineare Warnsignale effektiver erkennen kann als herkömmliche logistische Regression.
Es sollte zudem angemerkt werden, dass die „Black‑Box“-Kritik an Machine Learning und KI im Allgemeinen nicht uneingeschränkt zutrifft, da es möglich ist, aufzuzeigen, welche Wirtschaftsindikatoren zur Vorhersage beitragen – in diesem Fall Fremdwährungsverschuldung und Währungsfehlanpassungen.
Dies beweist, dass ein solches Modell die Analyse von Staatsrisiken stärken und eine Warnung vor einer bevorstehenden länderspezifischen Krise liefern könnte.
Investoren sollten jedoch auch beachten, dass eine hohe Gesamtexaktheit nicht bedeutet, dass jede Krise rechtzeitig vorhergesagt wird, um finanzielle Verluste zu vermeiden. Ebenso bleiben Fehlalarme eine reale Möglichkeit.
Das bedeutet, dass Machine Learning zwar ein Alarmsignal liefern kann, die Entscheidung, ob es zutreffend ist und gehandelt werden muss, weiterhin menschliche Erfahrung und Urteilsvermögen erfordert. Diese Technologie ist daher am besten als Entscheidungsunterstützungssystem zu sehen, nicht als autonomes Prognoseorakel.
Investieren in die Analyse finanzieller Risiken
Moody’s Corporation
MCO Preisdiagramm
Die Vorhersage des Risikos einer unerwarteten Krise auf Länder‑ oder Unternehmensebene war schon immer ein wesentlicher Bestandteil der Arbeit von Investoren, Kreditgebern und Finanzexperten im Allgemeinen.
In der heutigen Zeit wird ein großer Teil dieser Aufgabe an Ratingagenturen delegiert, die über das Fachwissen, den Datenzugang und das Ansehen verfügen, um neutrale, verlässliche Einschätzungen zur Solvenz eines Unternehmens, zur Sicherheit der Bilanz einer Bank, zur wirtschaftlichen Gesundheit eines Sektors oder zur finanziellen Stabilität eines Landes abzugeben.
Eine führende Ratingagentur ist Moody’s, die in den Bereichen Kreditratings, Staatsanalyse, Finanzintelligenz und Risikomodellierung tätig ist. Innerhalb von Moody’s Investors Service ist die Corporate Finance Group der größte Umsatzträger und macht im zweiten Quartal 2026 etwa die Hälfte des Segmentumsatzes aus.
Quelle: Moody’s
Durch die Verringerung von Informationslücken zwischen Emittenten und Investoren können weithin anerkannte Kreditratings den Marktzugang verbessern und potenziell die Finanzierungskosten senken. Selbst eine moderate Senkung des Zinssatzes einer großen Anleiheemission kann über deren Laufzeit erhebliche Einsparungen bewirken.
Quelle: Moody’s
Während KI‑Modelle zur Risikovorhersage und zur Prognose möglicher Krisen eingesetzt werden können, ist die Sicherheit, dass die Vorhersage korrekt ist, von entscheidender Bedeutung, wenn Milliarden im Spiel sind. So nimmt Moody’s (MCO ) KI an, lässt solche technologischen Fortschritte als interpretierbare Finanzrisiko‑Analysen kommerzialisieren, unterstützt von einem etablierten Anbieter von Risikoanalysen, dem bereits seit Jahrzehnten vertraut wird.
Ein entscheidender Vorteil für Moody’s beim Einsatz von KI zur Abbildung finanzieller Risiken liegt nicht nur in seinem Ruf, sondern in dem direkten Zugriff auf einen der weltweit größten kuratierten und kontrollierten Datensätze, der alles von Patenten über M&A‑Transaktionen, Finanzstimmungen, Wirtschaftsdaten, Unternehmensanalysen bis hin zu Klima‑Analytics umfasst.
Quelle: Moody’s
Insgesamt ist Moody’s also ein guter Weg, um Zugang zu dieser Art von Risikoanalyse zu erhalten, die KI zur Vorhersage von Schuldenkrisen und anderen Finanzkrisen einsetzt.
Neueste Nachrichten und Entwicklungen zu Moody’s Corporation (MCO) Aktien
Zitierte Studie
1. Hari Venkatesh. Sagen Bilanzschwächen Finanzkrisen voraus? Evidenz aus maschinellem Lernen und Shapley‑Dekomposition. International Review of Economics & Finance. Oktober 2026. Artikel: 105731. Band 111. 10.1016/j.iref.2026.105731
