Voiko tekoäly varoittaa sijoittajia ennen seuraavaa talouskriisiä?

Tekoälyn viimeaikaisen kehityksen ytimessä on yhä kasvava kyky erottaa monimutkaisia kuvioita järjestämättömästä datasta, mikä oli aiempien ohjelmistogeneraatioden haaste.

Tämä avaa monia uusia mahdollisuuksia tekoälyn soveltamiseen, lääketieteestä erilaisiin ennustuksiin. Ei siis yllätä, että yhä useammat alkavat käyttää sitä taloudellisiin kysymyksiin, erityisesti talouskriisien ennustamiseen.

Tämä johtuu siitä, että vaikka talouskriisit saattavat vaikuttaa äkillisiltä, jälkikäteen tarkasteltuna tietyt datapisteet paljastavat usein niiden edeltävän kertymän. Talouskriisit ovat lähes aina vuosien epätasapainon, huonojen sijoituspäätösten, yliarvostuksen ym. seurauksia.

Siksi tekoälyjärjestelmä, joka pystyy käsittelemään valtavan määrän dataa ja tulkitsemaan sen, voisi mahdollisesti ennustaa tällaisia kriisejä.

Uusi tutkimus, jonka on tehnyt Indian Institute of Technology Roorkeen tutkija, tarkastelee tätä kysymystä. Se tutkii koneoppimisen avulla, voidaanko taseen haavoittuvuuksia käyttää mittarina varoittamaan lähestyvästä talouskriisistä.

Hänen löydöksensä julkaistiin International Review of Economics & Finance -lehdessä otsikolla “Ennustavatko taseen haavoittuvuudet talouskriisejä? Todisteita koneoppimisesta ja Shapley-dekomposiosta.”

Talouskriisit ja ennusteet

Koska niiden valtava kyky tuhota varallisuutta, talouskriisit ovat taloustieteen keskeinen tutkimuskohde.

Muutamia keskeisiä indikaattoreita tiedetään lisäävän talouskriisien todennäköisyyttä.

Ensimmäinen on “original sin”, eli kehittyvien ja kehittyvien talouksien (EDE) kyvyttömyys lainata ulkomaille omassa valuutassaan, mikä pakottaa ne turvautumaan ulkomaanvaluutassa nimettyyn velkaan (FCD). Tämä puolestaan tekee niiden taseista alttiita ulkoisille shokeille.

Toinen tekijä on valuuttamismatchit, joissa maa, pankki tai yritys pitää omaisuutta ja velkoja kotimaassa ja ulkomaisissa valuutoissa epätasapainoisina. Näin ollen valuuttakurssien liikkeiden aikana tämä voi luoda systeemisiä riskejä, jotka voivat johtaa laajamittaiseen maksukyvyttömyyteen ja makrotaloudelliseen epävakauteen. Esimerkiksi tällainen prosessi oli keskeinen vuoden 1997 Aasian finanssikriisissä.

Taloustieteen perinteiset menetelmät, kuten logistinen regressio ja signaalin erottelu, epäonnistuvat usein näiden riskien asianmukaisessa arvioinnissa.

Suuri syy on, että ne usein eivät ota huomioon vuorovaikutusvaikutuksia ja epälineaarisuuksia, joissa samanlainen syöte voi äkillisesti tuottaa radikaalisti erilaisia tuloksia, kun tietty (vaikeasti ennustettava) kynnys ylittyy.

Kriisien ennustaminen

Erilaisten kriisien kartoitus

Talouskriisit voivat ilmetä eri muodoissa, ja yleisesti tunnistetaan noin kolme tyyppiä: valuutta-, pankki- ja velkakriisit.

Valuuttakriisit voidaan määritellä nimellisenä valuutan arvon alenemisena Yhdysvaltain dollariin nähden vähintään 30 %, joka on myös vähintään 10 prosenttiyksikköä suurempi kuin edellisen vuoden alenemisnopeus.

Pankkikriisit vaativat kahta samanaikaista ehtoa:

• Merkittävät merkinnät pankkijärjestelmän taloudellisesta ahdingosta, kuten merkittävät pankkijonot, tappiot pankkijärjestelmässä ja/tai pankkien likvidoinnit.
• Merkittävät pankkipoliittiset puuttumistoimet vastauksena merkittäviin tappioihin pankkijärjestelmässä.

Valtion velka kriisit voidaan tunnistaa velkavakaumisen ja uudelleenjärjestelytapahtumien kautta, perustuen luokituslaitosten raportteihin, varantojen kertymiin, IMF:n henkilöstöraportteihin ja joukkovelkakirjamarkkinoiden kehitykseen.

Vaikka ne eroavat toisistaan ja johtuvat eri syistä, nämä talouskriisityypit eivät ole toisensa poissulkevia. Esimerkiksi valuuttakriisi voi aiheuttaa vakavan taantuman, joka puolestaan voi laukaista velkakriisin tai pankkikriisin erityisen haavoittuvaisessa maassa.

Varhainen varoitusindikaattorien mittaaminen

Voittaakseen aiemmin käytettyjen analyysityökalujen rajoitteet, tämän tutkimuksen tekijä loi laajan original sin (BOSIN) – ja uuden valuuttamismatch (NCM) -indeksit löytääkseen varhaisia indikaattoreita kehittyvästä talouskriisistä.

BOSIN sisältää sekä velkakirjojen valuuttarakenteen että rajat ylittävien pankkilainojen valuutan koostumuksen, ja kattaa 162 maata vuosilta 1970–2018.

NCM kuvaa ulkoista haavoittuvuutta sisällyttämällä valuuttavarannot, vientiä avoimuuden sekä pankkivelan ja kansainvälisten velkakirjojen valuuttarakenteen.

Tämä osoittaa mielenkiintoista potentiaalia, sillä NCM paljastaa ulkoisia haavoittuvuuksia ennen talouskriisejä. Esimerkiksi Argentiina ja Brasilia osoittavat suurimmat valuuttamismatch-huippunsa noin vuonna 2000, mikä osuu yhteen niiden 2001–02 kriisien kanssa.

Toinen tapaus on Meksikon 1994–95 Tequila-kriisi. Siinä nähtiin voimakas valuuttamismatchien kasvu, koska dollariveliä nousi 4 %:sta 75 %:iin yksityisesti hallinnoidusta julkisesta velasta yhden vuoden aikana.

Lähde: Kansainvälinen taloustieteen ja rahoituksen katsaus

Tutkimuksessa käytetty lopullinen aineisto sisälsi 120 esikriisihavaintoa valuuttakriisille (5,50 %), 95 esikriisitapausta pankkikriisille (4,64 %) ja 47 velkakriisille (1,90 %).

Kriisit & koneoppiminen

Tässä tutkimuksessa tekijä valitsi tree-pohjaisen koneoppimisen koska se vaatii minimaalisia parametrien säätöjä, käsittelee suuria aineistoja hyvin ja on helppo toteuttaa ja tulkita.

Ensisijainen analyysi keskittyi päätöspuihin, satunnaismetsiin ja äärimmäisesti satunnaistettuihin puihin. Tekijä testasi myös neuroverkkoja, tukivektori­koneita, CatBoostia ja LightGBM:ää robustisuustarkastuksina.

Bagging-pohjaiset yhdistelmämallit olivat kaikkein johdonmukaisimpia suorituksia kaikissa kolmessa kriisiluokassa, vaikka CatBoost ja LightGBM tuottivatkin kilpailukykyisiä tuloksia pankkikriiseissä.

Tutkimus vertasi sitten erilaisia puupohjaisia koneoppimisalgoritmeja niiden kykyyn ennustaa kriisejä sekä niiden taipumusta väärien positiivisten (kriisin ennustaminen, kun sellaista ei tapahtunut) tuottamiseen.

Kaiken kaikkiaan “äärimmäiset” puut suoriutuivat parhaiten, tiiviisti perässä olivat satunnaismetsäalgoritmit.

Lähde: Kansainvälinen taloustieteen ja rahoituksen katsaus

Kriisien ennustaminen vs. arviointi

Vaikka mahdollisen kriisin tunnistaminen on tärkeää, päättäjien ja sijoittajien on myös ymmärrettävä, miksi malli antoi varoituksensa. Tämä on vaikeaa monien koneoppimisjärjestelmien kanssa, koska niiden sisäinen päätöksenteko voi muistuttaa mustaa laatikkoa.

Tämän saavuttamiseksi tekijä käytti taloudellisten indikaattorien Shapley-arvoja, jotka kuvaavat niiden marginaalista panosta kriisin ennustamiseen, keskiarvottuna kaikissa mahdollisissa indikaattoriyhdistelmissä.

Tämä osoitti, että muutama indikaattori on tärkeimpiä taloudellisten kriisien ennustamisessa:

• Taloudet, joilla on suurempi alkuperäisen synnin altistuminen, kohtaavat korkeammat valuuttakriisiriskit.
• Valuuttamismittari osoittaa jyrkän Shapley-arvojen nousun, kun ulkomaanvaluuttavelkojen osuus kasvaa.
  • Se voi auttaa asettamaan erityisiä haavoittuvuuskynnysarvoja, tarjoten päättäjille vertailuarvoja riskien arviointiin ja makroprudentaalisten politiikkojen ohjaamiseen.

Lähde: Kansainvälinen taloustieteen ja rahoituksen katsaus

Erilaiset taloudelliset kriisit omaavat, kuten odotettua, erilaiset perimmäiset syyt.

• Valuuttakriiseissä taloudellinen avoimuus, valuuttakurssijärjestelmät ja Yhdysvaltain valtiovarainministeriön korko nousevat tärkeimmiksi ennustajiksi.
• Pankkikriiseissä Yhdysvaltain valtiovarainministeriön korko, pankkilainat ja taloudellinen avoimuus ovat merkittävimpiä ennustajia.
• Velkakriiseissä BKT:n kasvu, taloudellinen avoimuus ja valuuttamismittarit ovat keskeisiä indikaattoreita.

Lähde: Kansainvälinen taloustieteen ja rahoituksen katsaus

Taloudelliset kriisit & tekoälyn opit

Tämä tutkimus osoittaa, että jotkin taloudelliset kriisit voivat tuottaa havaittavia varoitusmerkkejä, huolimatta makrotaloudellisten järjestelmien monimutkaisuudesta ja epälineaarisesta käyttäytymisestä.

Tämä voidaan toteuttaa koneoppimisen avulla, erityisesti puupohjaisten algoritmien avulla, jotka osoittautuivat johdonmukaisemmiksi kaikissa kolmessa kriisiluokassa kuin muut testatut menetelmät.

Tämä toimii, koska koneoppiminen pystyy poimimaan olennaiset tiedot ennusteelle ja havaitsemaan epälineaariset varoitusmerkit tehokkaammin kuin perinteinen logistinen regressio.

On myös huomattava, että “mustan laatikon” kritiikki koneoppimisesta ja tekoälystä yleisesti ei täysin päde, sillä on mahdollista osoittaa, mitkä taloudelliset indikaattorit vaikuttavat ennusteeseen – tässä tapauksessa ulkomaanvaluuttavelka ja valuuttamismismittarit.

Tämä todistaa, että tällainen malli voisi vahvistaa suvereeniriskianalyysiä ja antaa varoituksen maakohtaisesta kriisistä, joka on valmistumassa.

Kuitenkin sijoittajien on myös tiedostettava, että korkea kokonais Tarkkuus ei tarkoita, että se ennustaisi jokaisen kriisin ajoissa taloudellisten menojen välttämiseksi. Vastaavasti väärät positiiviset ovat edelleen mahdollisia.

Tämä tarkoittaa, että vaikka koneoppiminen voi toimia hälytyksenä, sen tarkkuuden ja toiminnan tarpeellisuuden arviointi edellyttää edelleen ihmisen kokemusta ja viisautta. Näin ollen tämä teknologia on parhaiten sijoitettuna päätöksentekotukijärjestelmäksi, ei itsenäiseksi ennustavaksi oraakliksi.

Sijoittaminen taloudelliseen riskianalyysiin

Moody’s Corporation

Yllättävän kriisin riskin ennustaminen maatasolla tai yritystasolla on aina ollut olennainen osa sijoittajien, lainanantajien ja rahoitusalan asiantuntijoiden työtä.

Nykyisin suuri osa tästä tehtävästä delegoidaan luottoluokituslaitoksille, joilla on asiantuntemus, datan käyttöoikeus ja maine tehdä neutraaleja, luotettavia arvioita yrityksen maksukyvystä, pankin taseen turvallisuudesta, toimialan taloudellisesta terveydestä tai valtion rahoitusvakaudesta.

Yksi johtavista luottoluokituslaitoksista on Moody’s, joka toimii luottoluokitusten, suvereenianalyysin, rahoitustiedustelun ja riskimallinnuksen parissa. Moody’s Investors Servicen Corporate Finance -ryhmä on sen suurin tulonlähde, ja se vastaa noin puolesta segmentin liikevaihdosta vuoden 2026 toisella neljänneksellä.

Lähde: Moody’s

Vähentämällä tiedon aukkoja liikkeeseenlaskijoiden ja sijoittajien välillä laajasti tunnustetut luottoluokitukset voivat parantaa markkinoille pääsyä ja mahdollisesti alentaa lainakustannuksia. Jo pieni korkojen alennus suurten joukkovelkakirjojen liikkeeseenlaskussa voi tuottaa merkittäviä säästöjä niiden elinkaaren aikana.

Lähde: Moody’s

Vaikka tekoälymalleja voidaan käyttää riskien ennustamiseen ja mahdollisten kriisien ennakointiin, ennusteen tarkkuuden varmuus on äärimmäisen tärkeää, kun kyseessä ovat miljardit. Joten Moody’s (MCO ) omaksuu tekoälyn, jolloin tällaiset teknologiset edistysaskeleet voidaan kaupallistaa tulkittavina rahoitusriskianalytiikkaratkaisuina, joilla on vuosikymmeniä luotettu riskianalyysin vakiintunut tarjoaja tukena.

Mitä Moody’sille antaa keskeisen edun tekoälyn hyödyntämisessä rahoitusriskin kartoittamiseen, ei ole pelkästään sen maine, vaan myös suora pääsy yhteen maailman suurimmista kuratoiduista ja hallituista tietoaineistoista, jotka kattavat kaiken patenttien ja yritysostojen sopimuksista rahoitussentimenttiin, taloustietoihin, yksittäisten yritysten analyyseihin ja jopa ilmastoanalytiikkaan.

Lähde: Moody’s

Kaiken kaikkiaan Moody’s on hyvä keino saada altistusta sella riskianalyysillä, jossa tekoälyä käytetään velkakriisien ja muiden talouskriisien ennustamiseen.

Uusimmat Moody’s Corporation (MCO) -osakkeen uutiset ja kehitykset

Viitattu tutkimus

^{1. Hari Venkatesh. Ennustavatko taseen haavoittuvuudet talouskriisejä? Todisteet koneoppimisesta ja Shapley-hajotelmasta. International Review of Economics & Finance. lokakuu 2026. Artikkeli: 105731. Volyymi 111. 10.1016/j.iref.2026.105731}