Τεχνητή νοημοσύνη
Μπορεί η Τεχνητή Νοημοσύνη να Προειδοποιήσει τους Επενδυτές Πριν από την Επόμενη Οικονομική Κρίση;
Προσθέστε το Securities.io στις προτιμώμενες πηγές σας στο Google
Στον πυρήνα της πρόσφατης προόδου στην τεχνητή νοημοσύνη βρίσκεται η αυξανόμενη ικανότητα να διαχωρίζονται πολύπλοκα μοτίβα από αταξινόμητα δεδομένα, κάτι με το οποίο οι προηγούμενες γενιές λογισμικού δυσκολεύονταν.
Αυτό ανοίγει πολλές νέες δυνατότητες εφαρμογής της ΤΝ, από την ιατρική μέχρι διάφορα είδη πρόβλεψης. Έτσι, δεν είναι έκπληξη που πολλοί αρχίζουν να την εφαρμόζουν σε χρηματοοικονομικά ερωτήματα, ιδιαίτερα στην πρόβλεψη οικονομικών κρίσεων.
Αυτό συμβαίνει επειδή, ενώ οι οικονομικές κρίσεις μπορεί να φαίνονται ξαφνικές, με την πίσω ματιά ορισμένα δεδομένα συχνά αποκαλύπτουν την προετοιμασία που οδήγησε σε αυτές. Οι οικονομικές κρίσεις σχεδόν πάντα προέρχονται από χρόνια ανισορροπία, κακές επενδυτικές αποφάσεις, υπερεκτιμήσεις κ.λπ.
Ίσως λοιπόν ένα σύστημα ΤΝ που μπορεί να επεξεργαστεί τεράστιο όγκο δεδομένων και να τα ερμηνεύσει, να βοηθήσει στην πρόβλεψη τέτοιων κρίσεων.
Μια νέα μελέτη ενός ερευνητή στο Indian Institute of Technology Roorkee εξέτασε αυτό το ερώτημα. Μελετά, μέσω μηχανικής μάθησης, εάν οι ευπάθειες των ισολογισμών μπορούν να χρησιμοποιηθούν ως μέτρο για την προειδοποίηση σχετικά με μια επικείμενη οικονομική κρίση.
Τα ευρήματά του δημοσιεύθηκαν στο International Review of Economics & Finance, υπό τον τίτλο «Προβλέπουν οι αδυναμίες των ισολογισμών τις χρηματοπιστωτικές κρίσεις; Αποδείξεις από τη μηχανική μάθηση και την αποσύνθεση Shapley.»
Οικονομικές Κρίσεις & Προβλέψεις
Λόγω της τεράστιας δυνατότητάς τους να καταστρέφουν πλούτο, οι οικονομικές κρίσεις αποτελούν κεντρικό αντικείμενο των οικονομικών επιστημών.
Γνωστοί είναι μερικοί βασικοί δείκτες που αυξάνουν την πιθανότητα οικονομικών κρίσεων.
Η πρώτη είναι «αρχική αμαρτία», ή η αδυναμία των αναδυόμενων και αναπτυσσόμενων οικονομιών (EDEs) να δανείζονται στο εξωτερικό στο δικό τους νόμισμα, γεγονός που τις αναγκάζει να βασίζονται σε χρέη που ορίζονται σε ξένα νομίσματα (FCD). Αυτό, με τη σειρά του, κάνει τους ισολογισμούς τους ευάλωτους σε εξωτερικά σοκ.
Για παράδειγμα, μια τέτοια διαδικασία ήταν κεντρική για την 1997 ασιατική χρηματοοικονομική κρίση.
Οι παραδοσιακές μέθοδοι των οικονομικών επιστημών, όπως η λογιστική παλινδρόμηση και η εξαγωγή σημάτων, συχνά αποτυγχάνουν να αξιολογήσουν σωστά αυτούς τους κινδύνους.
Ένας σημαντικός λόγος είναι ότι συχνά δεν λαμβάνουν υπόψη τις αλληλεπιδραστικές επιδράσεις και τις μη γραμμικότητες, όπου μια παρόμοια είσοδος μπορεί ξαφνικά να δημιουργήσει ριζικά διαφορετικά αποτελέσματα μόλις περαστεί ένα συγκεκριμένο (δύσκολο στην πρόβλεψη) όριο.
Πρόβλεψη Κρίσεων
Χαρτογράφηση Διαφορετικών Κρίσεων
Οι οικονομικές κρίσεις μπορούν να εκδηλωθούν σε διάφορες μορφές, με περίπου τρεις τύπους που αναγνωρίζονται γενικά: κρίσεις νομισματικές, τραπεζικές και χρέους.
Οι Κρίσεις νομισμάτων μπορούν να οριστούν ως η «ονομαστική υποτίμηση του νομίσματος έναντι του δολαρίου ΗΠΑ τουλάχιστον 30% που είναι επίσης τουλάχιστον 10 ποσοστιαίες μονάδες υψηλότερη από το ποσοστό υποτίμησης του προηγούμενου έτους».
Κρίσεις τραπεζών απαιτούν δύο ταυτόχρονες συνθήκες:
- Σημαντικά σημάδια χρηματοοικονομικής δυσπραγίας στο τραπεζικό σύστημα, όπως σημαντικές εκροές καταθέσεων, ζημίες στο τραπεζικό σύστημα και/ή εκκαθάριση τραπεζών.
- Σημαντικά μέτρα πολιτικής παρέμβασης στην τραπεζική σε απάντηση σε σημαντικές ζημίες στο τραπεζικό σύστημα.
Κρίσεις κρατικού χρέους μπορούν να εντοπιστούν μέσω γεγονότων αθέτησης χρέους και αναδιάρθρωσης, βάσει αναφορών οργανισμών αξιολόγησης, συγκεντρώσεων αποθεμάτων, αναφορών προσωπικού του ΔΝΤ και εξελίξεων της αγοράς ομολόγων.
Παρόλο που διαφέρουν μεταξύ τους και προέρχονται από διαφορετικές αιτίες, αυτοί οι τύποι οικονομικών κρίσεων δεν είναι αμοιβαία αποκλειστικοί. Για παράδειγμα, μια νομισματική κρίση μπορεί να προκαλέσει σοβαρή ύφεση που στη συνέχεια μπορεί να πυροδοτήσει κρίση χρέους ή τραπεζική κρίση σε μια ιδιαίτερα ευάλωτη χώρα.
Μέτρηση Δεικτών Πρόωρης Προειδοποίησης
Για να ξεπεραστούν οι περιορισμοί των προηγούμενων εργαλείων ανάλυσης, ο συγγραφέας αυτής της μελέτης δημιούργησε τους δείκτες ευρείας αρχικής αμαρτίας (BOSIN) και νέας νομισματικής ασυμφωνίας (NCM) για να εντοπίσει πρώιμους δείκτες μιας ερχόμενης οικονομικής κρίσης.
Το BOSIN ενσωματώνει τόσο τη σύνθεση του νομίσματος των χρεογράφων όσο και των διασυνοριακών τραπεζικών δανείων, και καλύπτει 162 χώρες από το 1970 έως το 2018.
Το NCM καταγράφει την εξωτερική ευαλωτότητα συμπεριλαμβάνοντας τα αποθέματα ξένου συναλλάγματος, το άνοιγμα των εξαγωγών και τη σύνθεση του νομίσματος του τραπεζικού χρέους και των διεθνών χρεογράφων.
Αυτό δείχνει ενδιαφέρον δυναμικό, καθώς το NCM αποκαλύπτει εξωτερικές ευαλωτότητες πριν από οικονομικές κρίσεις. Για παράδειγμα, η Αργεντινή και η Βραζιλία παρουσιάζουν τις υψηλότερες κορυφές νομισματικής ασυμφωνίας γύρω στο 2000, συμπίπτουν με τις κρίσεις του 2001–02.
Ένα άλλο παράδειγμα είναι η Μεξικανική κρίση του 1994–95 (κρίση Τεκίλας). Είδε μια απότομη αύξηση των νομισματικών ασυμφωνιών, λόγω του χρέους σε δολάρια που εκτοξεύτηκε από 4% σε 75% του ιδιωτικά κατειλημμένου δημόσιου χρέους μέσα σε ένα χρόνο.
Το τελικό σύνολο δεδομένων που χρησιμοποιήθηκε στη μελέτη περιλάμβανε 120 παρατηρήσεις πριν από κρίση νομίσματος (5,50 %), 95 παρατηρήσεις πριν από τραπεζική κρίση (4,64 %) και 47 για κρίση χρέους (1,90 %).
Κρίσεις & Μηχανική Μάθηση
Για αυτή τη μελέτη, ο συγγραφέας επέλεξε tree-based machine learning επειδή απαιτεί ελάχιστη ρύθμιση παραμέτρων, διαχειρίζεται καλά μεγάλα σύνολα δεδομένων και παραμένει απλό στην υλοποίηση και ερμηνεία.
Η κύρια ανάλυση επικεντρώθηκε σε δέντρα απόφασης, τυχαία δάση και εξαιρετικά τυχαία δέντρα. Ο συγγραφέας έπειτα έλεγξε νευρωνικά δίκτυα, μηχανές διανυσματικής υποστήριξης, CatBoost και LightGBM ως ελέγχους ανθεκτικότητας.
Τα μοντέλα σύνολου που βασίζονται σε bagging ήταν οι πιο συνεπείς επιδόσεις σε όλες τις τρεις κατηγορίες κρίσεων, αν και τα CatBoost και LightGBM παρήγαγαν ανταγωνιστικά αποτελέσματα για τις τραπεζικές κρίσεις.
Η μελέτη στη συνέχεια συνέκρινε διαφορετικούς αλγόριθμους μηχανικής μάθησης βάσει δέντρων και την ικανότητά τους να προβλέπουν κρίσεις, καθώς και την τάση τους για ψευδείς θετικές προβλέψεις (πρόβλεψη κρίσης όταν δεν συνέβη).
Συνολικά, τα «ακραία» δέντρα έδωσαν τα καλύτερα αποτελέσματα, ακολουθούμενα στενά από αλγόριθμους τυχαίου δάσους.
Πρόβλεψη έναντι Αξιολόγησης Κρίσεων
Ενώ η ταυτοποίηση μιας ενδεχόμενης κρίσης είναι σημαντική, οι υπεύθυνοι χάραξης πολιτικής και οι επενδυτές χρειάζονται επίσης να κατανοήσουν γιατί ένα μοντέλο έδωσε την προειδοποίηση. Αυτό είναι δύσκολο με πολλά συστήματα μηχανικής μάθησης, επειδή η εσωτερική λήψη αποφάσεων μπορεί να μοιάζει με μαύρο κουτί.
Για να το επιτύχει, ο συγγραφέας χρησιμοποίησε τις τιμές Shapley των οικονομικών δεικτών, οι οποίες αντιπροσωπεύουν τη μερική τους συμβολή στην πρόβλεψη κρίσης, μέσες σε όλους τους πιθανούς συνδυασμούς δεικτών.
Αυτό έδειξε ότι λίγοι δείκτες είναι οι πιο σημαντικοί για την πρόβλεψη χρηματοοικονομικών κρίσεων:
- Οι οικονομίες με μεγαλύτερη έκθεση στο «αρχικό αδίκημα» αντιμετωπίζουν υψηλότερο κίνδυνο νομισματικής κρίσης.
- Ο δείκτης μη αντιστοίχισης νομίσματος παρουσιάζει απότομη άνοδο στις τιμές Shapley σε υψηλότερες θέσεις υποχρέωσης σε ξένο νόμισμα.
- Μπορεί να βοηθήσει στον καθορισμό συγκεκριμένων ορίων ευαλωτότητας, παρέχοντας στους υπεύθυνους χάραξης πολιτικής σημεία αναφοράς για την αξιολόγηση κινδύνων και την καθοδήγηση των μακροπρόβλεπτων πολιτικών.
Διαφορετικοί τύποι χρηματοοικονομικών κρίσεων έχουν, όπως θα περίμενε κανείς, διαφορετικές ρίζες.
- Για νομισματικές κρίσεις, η χρηματοοικονομική ανοιχτότητα, τα καθεστώτα συναλλαγματικών ισοτιμιών και το επιτόκιο του Υπουργείου Οικονομικών των ΗΠΑ εμφανίζονται ως κορυφαίοι προβλεπτικοί παράγοντες.
- Για τραπεζικές κρίσεις, το επιτόκιο του Υπουργείου Οικονομικών των ΗΠΑ, η πιστωτική δραστηριότητα των τραπεζών και η χρηματοοικονομική ανοιχτότητα είναι οι πιο προβλεπτικοί δείκτες.
- Για κρίσεις χρέους, η ανάπτυξη του ΑΕΠ, η χρηματοοικονομική ανοιχτότητα και οι μη αντιστοιχίσεις νομίσματος είναι οι κορυφαίοι δείκτες.
Χρηματοοικονομικές Κρίσεις & Συμπεράσματα AI
Αυτή η μελέτη δείχνει ότι ορισμένες χρηματοοικονομικές κρίσεις μπορεί να παράγουν ανιχνεύσιμα σήματα προειδοποίησης, παρά την πολυπλοκότητα και τη μη γραμμική συμπεριφορά των μακροοικονομικών συστημάτων.
Αυτό μπορεί να επιτευχθεί με τη χρήση μηχανικής μάθησης, ιδιαίτερα αλγόριθμων βάσει δέντρων, οι οποίοι αποδείχθηκαν πιο συνεπείς σε όλες τις τρεις κατηγορίες κρίσεων σε σχέση με τις άλλες μεθόδους που δοκιμάστηκαν.
Λειτουργεί επειδή η μηχανική μάθηση μπορεί να εξάγει τα σχετικά δεδομένα για την πρόβλεψή της και να εντοπίσει μη γραμμικά σήματα προειδοποίησης πιο αποτελεσματικά από την παραδοσιακή λογιστική παλινδρόμηση.
Πρέπει επίσης να σημειωθεί ότι η κριτική του «μαύρου κουτιού» για τη μηχανική μάθηση και την AI γενικότερα δεν ισχύει πλήρως, καθώς είναι δυνατόν να επιδειχθεί ποιοι οικονομικοί δείκτες συμβάλλουν στην πρόβλεψη, στην προκειμένη περίπτωση το χρέος σε ξένο νόμισμα και οι μη αντιστοιχίσεις νομίσματος.
Αυτό αποδεικνύει ότι ένα τέτοιο μοντέλο θα μπορούσε να ενισχύσει την ανάλυση κυρίαρχου κινδύνου και να παρέχει προειδοποίηση για μια κρίση σε εθνικό επίπεδο που ετοιμάζεται να εξελιχθεί.
Ωστόσο, οι επενδυτές πρέπει επίσης να είναι ενήμεροι ότι η υψηλή συνολική ακρίβεια δεν σημαίνει ότι θα προβλέψει κάθε κρίση έγκαιρα ώστε να αποφευχθούν χρηματοοικονομικές ζημίες. Εξίσου, τα ψευδώς θετικά αποτελέσματα παραμένουν μια ξεχωριστή πιθανότητα.
Αυτό σημαίνει ότι ενώ η μηχανική μάθηση μπορεί να δώσει ένα σήμα συναγερμού, η απόφαση για το αν είναι ακριβές και χρειάζεται δράση εξακολουθεί να απαιτεί ανθρώπινη εμπειρία και σοφία. Συνεπώς, αυτή η τεχνολογία είναι καλύτερα τοποθετημένη ως σύστημα υποστήριξης λήψης αποφάσεων, όχι ως αυτόνομος χρηστικός μαντεψής.
Επένδυση στην Ανάλυση Χρηματοοικονομικού Κινδύνου
Moody’s Corporation
MCO Διάγραμμα τιμής
Η πρόβλεψη του κινδύνου μιας απρόσμενης κρίσης σε εθνικό ή εταιρικό επίπεδο αποτελεί πάντα ουσιώδες μέρος της εργασίας των επενδυτών, δανειστών και χρηματοοικονομικών εμπειρογνωμόνων γενικότερα.
Στη σύγχρονη εποχή, μεγάλο μέρος αυτής της εργασίας ανατίθεται σε οργανισμούς αξιολόγησης που διαθέτουν την τεχνογνωσία, την πρόσβαση στα δεδομένα και τη φήμη για να κάνουν ουδέτερες, αξιόπιστες εκτιμήσεις σχετικά με τη φερεγγυότητα μιας εταιρείας, την ασφάλεια του ισολογισμού μιας τράπεζας, την οικονομική υγεία ενός κλάδου ή τη χρηματοοικονομική σταθερότητα μιας χώρας.
Ένας κορυφαίος οργανισμός αξιολόγησης είναι η Moody’s, η οποία δραστηριοποιείται σε πιστωτικές αξιολογήσεις, ανάλυση κρατών, χρηματοοικονομική νοημοσύνη και μοντελοποίηση κινδύνου. Στο Moody’s Investors Service, η Ομάδα Εταιρικής Χρηματοδότησης είναι ο μεγαλύτερος εσόδων συνεισφέρων, αντιπροσωπεύοντας περίπου το ήμισυ των εσόδων του τμήματος κατά το δεύτερο τρίμηνο του 2026.
Πηγή: Moody’s
Μειώνοντας τα κενά πληροφοριών μεταξύ εκδοτών και επενδυτών, οι ευρέως αναγνωρισμένες πιστωτικές αξιολογήσεις μπορούν να βελτιώσουν την πρόσβαση στην αγορά και ενδεχομένως να μειώσουν το κόστος δανεισμού. Ακόμη και μια ήπια μείωση του επιτοκίου που συνδέεται με μια μεγάλη έκδοση ομολόγων μπορεί να αποφέρει σημαντικές εξοικονομήσεις καθ’ όλη τη διάρκεια της ζωής του.
Πηγή: Moody’s
Ενώ τα μοντέλα AI μπορούν να χρησιμοποιηθούν για την πρόβλεψη κινδύνων και την εκτίμηση πιθανών κρίσεων, η βεβαιότητα ότι η πρόβλεψη είναι ακριβής είναι εξαιρετικά σημαντική όταν εμπλέκονται δισεκατομμύρια. Έτσι Moody’s υιοθετεί την AI, επιτρέποντας τέτοιες τεχνολογικές προόδους να εμπορευματοποιηθούν ως ερμηνευτική ανάλυση χρηματοοικονομικού κινδύνου, με την υποστήριξη ενός καθιερωμένου παρόχου ανάλυσης κινδύνου που εμπιστεύεται εδώ και δεκαετίες.
Αυτό που προσφέρει ένα βασικό πλεονέκτημα στη Moody’s (MCO ) στη χρήση AI για τη χαρτογράφηση χρηματοοικονομικού κινδύνου δεν είναι μόνο η φήμη της, αλλά η άμεση πρόσβαση σε μία από τις μεγαλύτερες στον κόσμο επιμελημένες και ελεγχόμενες βάσεις δεδομένων, που καλύπτουν τα πάντα, από πατέντες έως συμφωνίες M&A, χρηματοοικονομικό συναίσθημα, οικονομικά δεδομένα, ανάλυση μεμονωμένων εταιρειών ή ακόμη και κλιματική ανάλυση.
Πηγή: Moody’s
Συνολικά, η Moody’s αποτελεί έναν καλό τρόπο για να αποκτήσει κάποιος έκθεση στην ανάλυση κινδύνου που χρησιμοποιεί AI για την πρόβλεψη χρεωστικών κρίσεων και άλλων τύπων χρηματοοικονομικών κρίσεων.
Τελευταία νέα και εξελίξεις μετοχής της Moody’s Corporation (MCO)
Αναφερόμενη Μελέτη
1. Hari Venkatesh. Προβλέπουν οι ευπάθειες του ισολογισμού τις χρηματοοικονομικές κρίσεις; Αποδείξεις από μηχανική μάθηση και αποσύνθεση Shapley. International Review of Economics & Finance. Οκτώβριος 2026. Άρθρο: 105731. Τόμος 111. 10.1016/j.iref.2026.105731
