Inteligencia artificial
¿Puede la IA advertir a los inversores antes de la próxima crisis financiera?
Añade Securities.io a tus fuentes preferidas en Google
En el núcleo del reciente progreso en inteligencia artificial se encuentra una capacidad creciente para identificar patrones complejos a partir de datos desorganizados, algo con lo que las generaciones anteriores de software tenían dificultades.
Esto abre muchas nuevas vías para la aplicación de la IA, desde la medicina hasta diversos tipos de pronósticos. Por lo tanto, no es sorprendente que muchos empiecen a aplicarla a cuestiones financieras, especialmente a la predicción de crisis financieras.
Esto se debe a que, aunque las crisis financieras pueden parecer repentinas, en retrospectiva algunos datos a menudo revelan la acumulación que conduce a ese momento. Las crisis financieras casi siempre son el resultado de años de desequilibrio, decisiones de inversión deficientes, sobrevaloración, etc.
Así que quizá un sistema de IA capaz de procesar una enorme cantidad de datos y darles sentido podría ayudar a predecir tales crisis.
Un nuevo estudio de un investigador del Indian Institute of Technology Roorkee analizó esta cuestión. Investiga, mediante aprendizaje automático, si las vulnerabilidades del balance pueden usarse como métrica para advertir sobre una crisis financiera inminente.
Sus hallazgos fueron publicados en la International Review of Economics & Finance, bajo el título “¿Predicen las vulnerabilidades del balance las crisis financieras? Evidencia del aprendizaje automático y la descomposición de Shapley.”
Crisis financieras y predicciones
Debido a su enorme potencial para destruir riqueza, las crisis financieras son un punto focal de las ciencias económicas.
Se conocen algunos indicadores clave que aumentan la probabilidad de crisis financieras.
El primero es “pecado original”, o la incapacidad de las economías emergentes y en desarrollo (EDE) para pedir prestado en el extranjero en su propia moneda, lo que les obliga a depender de deuda denominada en moneda extranjera (FCD). Esto, a su vez, hace que sus balances sean susceptibles a choques externos.
Otro factor son los desajustes de moneda, donde un país, banco o empresa posee activos y pasivos en monedas nacionales y extranjeras en proporciones desiguales. Así, durante movimientos de tipo de cambio, esto puede crear riesgos sistémicos que pueden conducir a insolvencias generalizadas y volatilidad macroeconómica. Por ejemplo, dicho proceso fue central en la 1997 crisis financiera asiática.
Los métodos tradicionales de las ciencias económicas, como la regresión logística y la extracción de señales, a menudo no logran evaluar adecuadamente estos riesgos.
Una gran razón es que a menudo no consideran los efectos de interacción y las no linealidades, donde una entrada similar puede generar de repente resultados radicalmente diferentes una vez que se supera cierto umbral (difícil de predecir).
Predicción de crisis
Mapeo de diferentes crisis
Las crisis financieras pueden manifestarse en diversas formas, reconociéndose generalmente tres tipos: crisis de moneda, bancarias y de deuda.
Crisis de moneda pueden definirse como la “depreciación nominal de la moneda frente al dólar estadounidense de al menos el 30 % que también sea al menos 10 puntos porcentuales superior a la tasa de depreciación del año anterior”.
Crisis bancarias requieren dos condiciones simultáneas:
- Signos significativos de estrés financiero en el sistema bancario, evidenciados por corridas bancarias importantes, pérdidas en el sistema bancario y/o liquidaciones de bancos.
- Medidas significativas de intervención de política bancaria en respuesta a pérdidas importantes en el sistema bancario.
Crisis de deuda soberana puede identificarse mediante eventos de incumplimiento y reestructuración de deuda, basándose en informes de agencias de calificación, acumulación de reservas, informes del personal del FMI y desarrollos del mercado de bonos.
Aunque son diferentes entre sí y provienen de causas distintas, estos tipos de crisis financieras no son mutuamente excluyentes. Por ejemplo, una crisis de moneda puede causar una recesión severa que luego desencadene una crisis de deuda o bancaria en un país especialmente vulnerable.
Medición de indicadores de alerta temprana
Para superar las limitaciones de las herramientas de análisis utilizadas anteriormente, el autor de este estudio creó los índices de pecado original amplio (BOSIN) y de nuevo desajuste de moneda (NCM) para encontrar indicadores tempranos de una crisis financiera inminente.
BOSIN incorpora tanto la composición de moneda de los valores de deuda como los préstamos bancarios transfronterizos, y cubre 162 países desde 1970 hasta 2018.
NCM captura la vulnerabilidad externa al incluir reservas de divisas, apertura de exportaciones y composición de moneda de la deuda bancaria y de los valores de deuda internacionales.
Esto muestra un potencial interesante, ya que NCM revela vulnerabilidades externas antes de las crisis financieras. Por ejemplo, Argentina y Brasil presentan sus picos más altos de desajuste de moneda alrededor del 2000, coincidiendo con sus crisis de 2001–02.
Otro caso es la crisis del tequila de México de 1994–95. Se observó un fuerte aumento de los desajustes de moneda, debido a que la deuda en dólares pasó del 4 % al 75 % de la deuda pública en manos privadas en un año.
El conjunto de datos final utilizado en el estudio incluyó 120 observaciones previas a crisis cambiarias (5,50 %), 95 eventos previos a crisis bancarias (4,64 %) y 47 para crisis de deuda (1,90 %).
Crisis y aprendizaje automático
Para este estudio, el autor eligió basado en árboles aprendizaje automático porque requiere una sintonización mínima de parámetros, maneja bien conjuntos de datos grandes y sigue siendo simple de implementar e interpretar.
El análisis principal se centró en árboles de decisión, bosques aleatorios y árboles extremadamente aleatorizados. El autor también probó redes neuronales, máquinas de vectores de soporte, CatBoost y LightGBM como verificaciones de robustez.
Los modelos de conjunto basados en bagging fueron los más consistentes en las tres categorías de crisis, aunque CatBoost y LightGBM obtuvieron resultados competitivos para las crisis bancarias.
El estudio comparó luego diferentes algoritmos de aprendizaje automático basados en árboles y su capacidad para predecir crisis, así como su tendencia a producir falsos positivos (predecir una crisis cuando no ocurrió).
En conjunto, los árboles “extremos” obtuvieron los mejores resultados, seguidos de cerca por los algoritmos de bosque aleatorio.
Predicción versus evaluación de crisis
Si bien identificar una posible crisis es importante, los responsables de políticas y los inversores también necesitan comprender por qué un modelo emitió su alerta. Esto es difícil con muchos sistemas de aprendizaje automático porque su proceso de toma de decisiones interno puede asemejarse a una caja negra.
Para ello, el autor utilizó los valores de Shapley de los indicadores económicos, que representan su contribución marginal a la predicción de crisis, promediados entre todas las combinaciones posibles de indicadores.
Esto demostró que unos pocos indicadores son los más importantes para predecir crisis financieras:
- Las economías con mayor exposición al pecado original enfrentan riesgos más altos de crisis cambiarias.
- El indicador de desajuste cambiario muestra un aumento pronunciado en los valores de Shapley en posiciones de pasivos en moneda extranjera más altas.
- Podría ayudar a establecer umbrales de vulnerabilidad específicos, proporcionando a los responsables de políticas referencias para evaluar riesgos y orientar políticas macroprudenciales.
Los diferentes tipos de crisis financieras también tienen, como era de esperarse, causas fundamentales distintas.
- Para las crisis cambiarias, la apertura financiera, los regímenes cambiarios y la tasa del Tesoro de EE. UU. aparecen como los principales predictores.
- Para las crisis bancarias, la tasa del Tesoro de EE. UU., el crédito bancario y la apertura financiera son los más predictivos.
- Para las crisis de deuda, el crecimiento del PIB, la apertura financiera y los desajustes cambiarios son los indicadores principales.
Conclusiones sobre crisis financieras y IA
Este estudio demuestra que algunas crisis financieras pueden generar señales de advertencia detectables, a pesar de la complejidad y el comportamiento no lineal de los sistemas macroeconómicos.
Esto puede lograrse mediante aprendizaje automático, especialmente algoritmos basados en árboles, que resultaron más consistentes en las tres categorías de crisis que los demás métodos probados.
Esto funciona porque el aprendizaje automático puede extraer los datos relevantes para su predicción y detectar señales de advertencia no lineales de manera más eficaz que la regresión logística tradicional.
También debe señalarse que la crítica de “caja negra” al aprendizaje automático y a la IA en general no se aplica plenamente, ya que es posible demostrar qué indicadores económicos contribuyen a la predicción, en este caso, la deuda en moneda extranjera y los desajustes cambiarios.
Esto prueba que un modelo de este tipo podría reforzar el análisis de riesgo soberano y proporcionar una alerta sobre una crisis a nivel de país que está a punto de desarrollarse.
Sin embargo, los inversores también deben ser conscientes de que una alta precisión global no implica que predecirá cada crisis a tiempo para evitar pérdidas financieras. Asimismo, los falsos positivos siguen siendo una posibilidad real.
Esto significa que, aunque el aprendizaje automático puede sonar la alarma, decidir si es fiable y requiere acción sigue requiriendo experiencia y juicio humanos. Por lo tanto, esta tecnología se posiciona mejor como un sistema de apoyo a la decisión, no como un oráculo de pronóstico autónomo.
Inversión en análisis de riesgo financiero
Moody’s Corporation
MCO Gráfico de precios
Predecir el riesgo de una crisis inesperada a nivel de país o empresa siempre ha sido una parte esencial del trabajo de inversores, prestamistas y expertos financieros en general.
En la época moderna, gran parte de esta tarea se delega a agencias de calificación que cuentan con la experiencia, el acceso a datos y la reputación necesarios para emitir juicios neutrales y fiables sobre la solvencia de una empresa, la seguridad del balance de un banco, la salud económica de un sector o la estabilidad financiera de un país.
Una agencia de calificación líder es Moody’s, que opera en calificaciones crediticias, análisis soberanos, inteligencia financiera y modelado de riesgos. Dentro de Moody’s Investors Service, el Corporate Finance Group es su mayor generador de ingresos, representando aproximadamente la mitad de los ingresos del segmento en el segundo trimestre de 2026.
Fuente: Moody’s
Al reducir las brechas de información entre emisores e inversores, las calificaciones crediticias ampliamente reconocidas pueden mejorar el acceso al mercado y potencialmente reducir los costos de endeudamiento. Incluso una reducción modesta en la tasa de interés vinculada a una gran emisión de bonos puede generar ahorros sustanciales a lo largo de su vida.
Fuente: Moody’s
Aunque los modelos de IA pueden usarse para predecir riesgos y pronosticar crisis eventual, la certeza de que la predicción sea precisa es extremadamente importante cuando están en juego miles de millones. Por lo tanto, Moody’s (MCO ) está adoptando la IA, permitiendo que dichos avances tecnológicos se comercialicen como análisis de riesgos financieros interpretables, con el respaldo de un proveedor de análisis de riesgos consolidado y confiado durante décadas.
Lo que brinda una ventaja clave a Moody’s al usar IA para mapear el riesgo financiero no es solo su reputación, sino el acceso directo a uno de los conjuntos de datos curados y controlados más grandes del mundo, que abarcan desde patentes hasta operaciones de fusiones y adquisiciones, sentimiento financiero, datos económicos, análisis de empresas individuales o incluso análisis climáticos.
Fuente: Moody’s
En conjunto, Moody’s es una buena forma de obtener exposición al tipo de análisis de riesgo que utiliza IA para predecir crisis de deuda y otros tipos de crisis financieras.
Últimas noticias y desarrollos de acciones de Moody’s Corporation (MCO)
Estudio citado
1. Hari Venkatesh. ¿Las vulnerabilidades del balance general predicen crisis financieras? Evidencia de aprendizaje automático y descomposición de Shapley. International Review of Economics & Finance. octubre de 2026. Artículo: 105731. Volumen 111. 10.1016/j.iref.2026.105731
