Intelligence artificielle
L’IA peut-elle avertir les investisseurs avant la prochaine crise financière ?
Ajouter Securities.io à vos sources préférées sur Google
Au cœur des récents progrès en intelligence artificielle se trouve une capacité croissante à déceler des schémas complexes à partir de données désorganisées, ce qui posait problème aux générations précédentes de logiciels.
Cela ouvre de nombreuses nouvelles voies d’application de l’IA, de la médecine à divers types de prévisions. Il n’est donc pas surprenant que beaucoup commencent à l’utiliser pour des questions financières, notamment la prévision des crises financières.
Cela s’explique par le fait que, bien que les crises financières semblent soudaines, avec le recul, certains indicateurs révèlent souvent la montée en puissance menant à ce point. Les crises financières résultent presque toujours d’années de déséquilibres, de mauvaises décisions d’investissement, de surévaluations, etc.
Ainsi, un système d’IA capable de traiter une quantité massive de données et d’en donner du sens pourrait aider à prédire de telles crises.
Une nouvelle étude menée par un chercheur de l’Indian Institute of Technology Roorkee a examiné cette question. Elle étudie, à l’aide de l’apprentissage automatique, si les vulnérabilités du bilan peuvent servir de métrique pour avertir d’une crise financière imminente.
Ses conclusions ont été publiées dans l’International Review of Economics & Finance, sous le titre “Les vulnérabilités du bilan prédisent-elles les crises financières ? Preuves issues de l’apprentissage automatique et de la décomposition de Shapley.”.
Crises financières & prévisions
En raison de leur potentiel immense de destruction de richesse, les crises financières constituent un point focal des sciences économiques.
Quelques indicateurs clés sont connus pour augmenter la probabilité de crises financières.
Le premier est le « péché originel », ou l’incapacité des économies émergentes et en développement (EDE) à emprunter à l’étranger dans leur propre monnaie, ce qui les oblige à recourir à une dette libellée en devises étrangères (FCD). Cela, à son tour, rend leurs bilans vulnérables aux chocs externes.
Un autre facteur est le désalignement monétaire, lorsqu’un pays, une banque ou une entreprise détient des actifs et des passifs en monnaies domestiques et étrangères dans des proportions inégales. Ainsi, lors de variations des taux de change, cela peut créer des risques systémiques pouvant entraîner des insolvabilités généralisées et une volatilité macroéconomique. Par exemple, un tel processus a été au cœur de la 1997 crise financière asiatique.
Les méthodes traditionnelles des sciences économiques, comme la régression logistique et l’extraction de signaux, échouent souvent à évaluer correctement ces risques.
Une grande raison est qu’elles ne tiennent souvent pas compte des effets d’interaction et des non‑linéarités, où une entrée similaire peut soudainement produire des résultats radicalement différents une fois qu’un certain seuil (difficile à prévoir) est franchi.
Prédire les crises
Cartographier les différentes crises
Les crises financières peuvent se manifester sous diverses formes, avec environ trois types généralement reconnus : les crises monétaires, bancaires et de la dette.
Les crises monétaires peuvent être définies comme la « dépréciation nominale de la monnaie par rapport au dollar américain d’au moins 30 % qui est également d’au moins 10 points de pourcentage supérieure au taux de dépréciation de l’année précédente ».
Les crises bancaires nécessitent deux conditions simultanées :
- Signes significatifs de détresse financière dans le système bancaire, tels que d’importantes ruées bancaires, des pertes dans le système bancaire et/ou des liquidations de banques.
- Mesures d’intervention de politique bancaire significatives en réponse à d’importantes pertes dans le système bancaire.
Les Souveraine dette cries peuvent être identifiées à travers des événements de défaut et de restructuration de la dette, sur la base des rapports d’agences de notation, des accumulations de réserves, des rapports du personnel du FMI et des évolutions du marché obligataire.
Bien qu’elles soient différentes les unes des autres et proviennent de causes distinctes, ces formes de crises financières ne sont pas mutuellement exclusives. Par exemple, une crise monétaire peut provoquer une récession sévère qui peut alors déclencher une crise de la dette ou une crise bancaire dans un pays particulièrement vulnérable.
Mesurer les indicateurs d’alerte précoce
Pour surmonter les limites des outils d’analyse précédemment utilisés, l’auteur de cette étude a créé les indices broad original sin (BOSIN) et new currency mismatch (NCM) afin de déceler les premiers signaux d’une crise financière naissante.
BOSIN intègre à la fois la composition monétaire des titres de dette et les prêts bancaires transfrontaliers, et couvre 162 pays de 1970 à 2018.
NCM saisit la vulnérabilité externe en incluant les réserves de change, l’ouverture des exportations et la composition monétaire de la dette bancaire et des titres de dette internationale.
Cela montre un potentiel intéressant, car NCM révèle les vulnérabilités externes avant les crises financières. Par exemple, l’Argentine et le Brésil affichent leurs pics de désalignement monétaire les plus élevés vers 2000, coïncidant avec leurs crises de 2001‑02.
Un autre cas est la crise du Tequila au Mexique en 1994‑95. Elle a connu une forte hausse des désalignements monétaires, le passif libellé en dollars passant de 4 % à 75 % de la dette publique détenue par le secteur privé en l’espace d’un an.
L’ensemble de données final utilisé dans l’étude comprenait 120 observations pré‑crise pour les crises monétaires (5,50 %), 95 événements pré‑crise pour les crises bancaires (4,64 %) et 47 pour les crises de la dette (1,90 %).
Crises & apprentissage automatique
Pour cette étude, l’auteur a choisi tree‑based machine learning parce que cela nécessite peu de réglages de paramètres, gère bien les grands ensembles de données et reste simple à mettre en œuvre et à interpréter.
L’analyse principale s’est concentrée sur les arbres de décision, les forêts aléatoires et les arbres extrêmement randomisés. L’auteur a également testé les réseaux neuronaux, les machines à vecteurs de support, CatBoost et LightGBM comme vérifications de robustesse.
Les modèles d’ensemble basés sur le bagging ont été les plus constants dans les trois catégories de crise, bien que CatBoost et LightGBM aient produit des résultats compétitifs pour les crises bancaires.
L’étude a ensuite comparé différents algorithmes d’apprentissage automatique basés sur les arbres et leur capacité à prédire les crises, ainsi que leur propension aux faux positifs (prédire une crise alors qu’il n’y en a pas eu).
Dans l’ensemble, les arbres « extrêmes » ont donné les meilleurs résultats, suivis de près par les algorithmes de forêts aléatoires.
Prédire versus évaluer les crises
Si identifier une crise potentielle est important, les décideurs et les investisseurs doivent également comprendre pourquoi un modèle a émis son avertissement. Cela est difficile avec de nombreux systèmes d’apprentissage automatique, car leur prise de décision interne peut ressembler à une boîte noire.
Pour ce faire, l’auteur a utilisé les valeurs de Shapley des indicateurs économiques, qui représentent leur contribution marginale à la prédiction de crise, moyennées sur toutes les combinaisons possibles d’indicateurs.
Cela a montré que quelques indicateurs sont les plus importants pour prédire les crises financières :
- Les économies exposées à un plus grand « original sin » présentent un risque plus élevé de crise monétaire.
- L’indicateur de déséquilibre monétaire montre une forte hausse des valeurs de Shapley lorsque les positions de passif en devises étrangères augmentent.
- Il pourrait aider à établir des seuils de vulnérabilité spécifiques, offrant aux décideurs des repères pour évaluer les risques et orienter les politiques macroprudentielles.
Différents types de crises financières ont, sans surprise, des causes profondes différentes.
- Pour les crises monétaires, l’ouverture financière, les régimes de change et le taux du Trésor américain apparaissent comme les principaux prédicteurs.
- Pour les crises bancaires, le taux du Trésor américain, le crédit bancaire et l’ouverture financière sont les plus prédictifs.
- Pour les crises de la dette, la croissance du PIB, l’ouverture financière et les déséquilibres monétaires sont les principaux indicateurs.
Enseignements sur les crises financières & l’IA
Cette étude montre que certaines crises financières peuvent produire des signaux d’avertissement détectables, malgré la complexité et le comportement non linéaire des systèmes macroéconomiques.
Cela peut être réalisé à l’aide de l’apprentissage automatique, en particulier des algorithmes basés sur les arbres, qui se sont avérés plus constants dans les trois catégories de crise que les autres méthodes testées.
Cela fonctionne parce que l’apprentissage automatique peut extraire les données pertinentes pour sa prédiction et détecter les signaux d’avertissement non linéaires plus efficacement que la régression logistique traditionnelle.
Il convient également de noter que la critique de la « boîte noire » concernant l’apprentissage automatique et l’IA en général ne s’applique pas pleinement, car il est possible de démontrer quels indicateurs économiques contribuent à la prédiction, en l’occurrence la dette en devises étrangères et les déséquilibres monétaires.
Cela prouve qu’un tel modèle pourrait renforcer l’analyse du risque souverain et fournir un avertissement concernant une crise au niveau d’un pays prête à se déclencher.
Cependant, les investisseurs doivent également être conscients qu’une précision globale élevée ne signifie pas qu’il prévoira chaque crise à temps pour éviter des pertes financières. De même, les faux positifs restent une possibilité distincte.
Cela signifie que, bien que l’apprentissage automatique puisse sonner l’alarme, décider de sa fiabilité et de la nécessité d’agir requiert toujours l’expérience et la sagesse humaines. Ainsi, cette technologie est mieux positionnée comme un système d’aide à la décision, et non comme un oracle de prévision autonome.
Investir dans l’analyse du risque financier
Moody’s Corporation
MCO Graphique du prix
Prédire le risque d’une crise inattendue au niveau d’un pays ou d’une entreprise a toujours été une composante essentielle du travail des investisseurs, des prêteurs et des experts financiers en général.
De nos jours, une grande partie de cette tâche est confiée aux agences de notation qui possèdent l’expertise, l’accès aux données et la réputation nécessaires pour émettre des évaluations neutres et fiables de la solvabilité d’une entreprise, de la solidité du bilan d’une banque, de la santé économique d’un secteur ou de la stabilité financière d’un pays.
Une agence de notation de premier plan est Moody’s, qui intervient dans les notations de crédit, l’analyse souveraine, l’intelligence financière et la modélisation des risques. Au sein de Moody’s Investors Service, le Corporate Finance Group constitue son principal contributeur de revenus, représentant environ la moitié du chiffre d’affaires du segment au deuxième trimestre 2026.
Source : Moody’s
En réduisant les lacunes d’information entre les émetteurs et les investisseurs, les notations de crédit largement reconnues peuvent améliorer l’accès aux marchés et potentiellement réduire les coûts d’emprunt. Même une réduction modeste du taux d’intérêt appliqué à une importante émission obligataire peut générer des économies substantielles sur toute sa durée.
Source : Moody’s
Bien que les modèles d’IA puissent être utilisés pour prédire les risques et anticiper d’éventuelles crises, la certitude que la prédiction est exacte revêt une importance capitale lorsque des milliards sont en jeu. Ainsi, Moody’s (MCO ) adopte l’IA, permettant que ces avancées technologiques soient commercialisées sous forme d’analyses de risques financiers interprétables, avec le soutien d’un fournisseur d’analyse de risques établi, déjà fiable depuis des décennies.
Ce qui confère à Moody’s un avantage clé dans l’utilisation de l’IA pour cartographier les risques financiers n’est pas seulement sa réputation, mais son accès direct à l’un des plus grands ensembles de données curées et contrôlées au monde, couvrant tout, des brevets aux opérations de fusions‑acquisitions, en passant par le sentiment financier, les données économiques, l’analyse d’entreprises individuelles, voire les analyses climatiques.
Source : Moody’s
En résumé, Moody’s constitue un bon moyen d’accéder à ce type d’analyse de risque utilisant l’IA pour prévoir les crises de la dette et d’autres formes de crises financières.
Dernières actualités et évolutions de l’action Moody’s Corporation (MCO)
Étude citée
1. Hari Venkatesh. Les vulnérabilités du bilan prédisent‑elles les crises financières ? Preuves issues de l’apprentissage automatique et de la décomposition de Shapley. International Review of Economics & Finance. octobre 2026. Article : 105731. Volume 111. 10.1016/j.iref.2026.105731
