कृत्रिम बुद्धिमत्ता
क्या एआई अगले वित्तीय संकट से पहले निवेशकों को चेतावनी दे सकता है?
Securities.io को Google पर अपने पसंदीदा स्रोतों में जोड़ें
कृत्रिम बुद्धिमत्ता में हालिया प्रगति का मूलभूत पहलू विशाल, असंगठित डेटा से जटिल पैटर्न को पहचानने की बढ़ती क्षमता है, जिसे पूर्व पीढ़ियों के सॉफ़्टवेयर से निपटना कठिन था।
यह एआई के अनुप्रयोग के लिए कई नई राहें खोलता है, चिकित्सा से लेकर विभिन्न प्रकार की भविष्यवाणी तक। इसलिए, आश्चर्य नहीं कि कई लोग इसे वित्तीय प्रश्नों, विशेषकर वित्तीय संकट की भविष्यवाणी में लागू करना शुरू कर रहे हैं।
यह इसलिए है कि वित्तीय संकट अचानक लग सकते हैं, लेकिन बाद में कुछ डेटा बिंदु अक्सर इस बिंदु तक के निर्माण को उजागर करते हैं। वित्तीय संकट लगभग हमेशा वर्षों के असंतुलन, खराब निवेश निर्णय, अधिक मूल्यांकन आदि का परिणाम होते हैं।
इसलिए, संभव है कि बड़ी मात्रा में डेटा को संसाधित करके उसका अर्थ निकालने वाला एआई सिस्टम ऐसे संकटों की भविष्यवाणी करने में मदद कर सके।
भारतीय प्रौद्योगिकी संस्थान रूड़की के एक शोधकर्ता द्वारा किए गए एक नए अध्ययन ने इस प्रश्न की जांच की। यह मशीन लर्निंग के माध्यम से अध्ययन करता है कि क्या बैलेंस शीट की कमजोरियों को आगामी वित्तीय संकट की चेतावनी देने के मापदंड के रूप में उपयोग किया जा सकता है।
उनकी खोजें International Review of Economics & Finance में प्रकाशित हुईं, शीर्षक के तहत “क्या बैलेंस शीट की कमजोरियां वित्तीय संकट की भविष्यवाणी करती हैं? मशीन लर्निंग और शैपली डिकम्पोज़िशन से साक्ष्य।”
वित्तीय संकट और भविष्यवाणियाँ
धन को नष्ट करने की उनकी विशाल क्षमता के कारण, वित्तीय संकट आर्थिक विज्ञान का मुख्य केंद्र बिंदु हैं।
कुछ प्रमुख संकेतक वित्तीय संकट की संभावना को बढ़ाते हुए ज्ञात हैं।
पहला है “मूल पाप”, अर्थात् उभरती और विकासशील अर्थव्यवस्थाओं (EDEs) की अपनी मुद्रा में विदेश से उधार लेने में असमर्थता, जिससे उन्हें विदेशी मुद्रा-नामित ऋण (FCD) पर निर्भर रहना पड़ता है। इससे उनकी बैलेंस शीट बाहरी झटकों के प्रति संवेदनशील हो जाती है।
एक और कारक मुद्रा असंतुलन है, जहाँ कोई देश, बैंक या फर्म घरेलू और विदेशी मुद्राओं में असमान अनुपात में संपत्तियों और देनदारियों को रखती है। इसलिए, विनिमय दर में परिवर्तन के दौरान, यह प्रणालीगत जोखिम पैदा कर सकता है जो व्यापक दिवालिया स्थितियों और मैक्रोइकॉनॉमिक अस्थिरता की ओर ले जा सकता है। उदाहरण के तौर पर, ऐसी प्रक्रिया यह 1997 एशियाई वित्तीय संकट के केंद्र में थी।
आर्थिक विज्ञान की पारंपरिक विधियाँ, जैसे लॉजिस्टिक रिग्रेशन और सिग्नल एक्सट्रैक्शन, अक्सर इन जोखिमों का सही मूल्यांकन करने में विफल रहती हैं।
एक बड़ा कारण यह है कि वे अक्सर इंटरैक्शन प्रभावों और गैर-रेखीयताओं को ध्यान में नहीं रख पाते, जहाँ समान इनपुट अचानक एक निश्चित (भविष्यवाणी करना कठिन) सीमा पार करने पर पूरी तरह अलग परिणाम दे सकता है।
संकट की भविष्यवाणी
विभिन्न संकटों का मानचित्रण
वित्तीय संकट विभिन्न रूपों में प्रकट हो सकते हैं, और सामान्यतः लगभग तीन प्रकार पहचाने जाते हैं: मुद्रा, बैंकिंग और ऋण संकट।
मुद्रा संकट को इस प्रकार परिभाषित किया जा सकता है: “US डॉलर के मुकाबले मुद्रा का नाममात्र अवमूल्यन कम से कम 30% हो और यह पिछले वर्ष के अवमूल्यन दर से कम से कम 10 प्रतिशत अंक अधिक हो”。
बैंकिंग संकट को दो समकालिक शर्तों की आवश्यकता होती है:
- बैंकिंग प्रणाली में वित्तीय तनाव के स्पष्ट संकेत, जैसे बड़े पैमाने पर बैंक रन, प्रणाली में नुकसान, और/या बैंक परिसमापन।
- बैंकिंग प्रणाली में बड़े नुकसान के जवाब में महत्वपूर्ण बैंकिंग नीति हस्तक्षेप उपाय।
सार्वभौमिक ऋण संक को ऋण डिफॉल्ट और पुनर्संरचना घटनाओं के माध्यम से पहचाना जा सकता है, रेटिंग एजेंसी रिपोर्टों, आरक्षित संचय, IMF स्टाफ रिपोर्टों, और बांड बाजार विकास के आधार पर।
हालांकि ये प्रकार एक-दूसरे से अलग हैं और विभिन्न कारणों से उत्पन्न होते हैं, ये एक-दूसरे को बाहर नहीं रखते। उदाहरण के लिए, एक मुद्रा संकट गंभीर मंदी का कारण बन सकता है, जो फिर एक ऋण संकट या बैंकिंग संकट को ट्रिगर कर सकता है, विशेष रूप से संवेदनशील देश में।
प्रारंभिक चेतावनी संकेतकों का मापन
पहले उपयोग किए गए विश्लेषण उपकरणों की सीमाओं को पार करने के लिए, इस अध्ययन के लेखक ने व्यापक मूल पाप (BOSIN) और नया मुद्रा असंतुलन (NCM) सूचकांक विकसित किए ताकि एक उभरते वित्तीय संकट के प्रारंभिक संकेतकों की पहचान की जा सके।
BOSIN ऋण सुरक्षा की मुद्रा संरचना और सीमा-पार बैंक ऋण दोनों को शामिल करता है, और 1970 से 2018 तक 162 देशों को कवर करता है।
NCM विदेशी मुद्रा भंडार, निर्यात खुलापन, और बैंक ऋण तथा अंतरराष्ट्रीय ऋण सुरक्षा की मुद्रा संरचना को शामिल करके बाहरी असुरक्षा को पकड़ता है।
यह रोचक संभावनाएँ दर्शाता है, क्योंकि NCM वित्तीय संकटों से पहले बाहरी असुरक्षाओं को उजागर करता है। उदाहरण के लिए, अर्जेंटीना और ब्राज़ील ने लगभग 2000 के आसपास अपने सबसे उच्च मुद्रा असंतुलन शिखर दिखाए, जो उनके 2001–02 संकटों के साथ मेल खाते हैं।
एक अन्य मामला मेक्सिको के 1994–95 टकीला संकट का है। इस दौरान मुद्रा असंतुलन में तीव्र वृद्धि हुई, क्योंकि डॉलर ऋण एक वर्ष में 4% से बढ़कर निजी सार्वजनिक ऋण का 75% हो गया।
अध्ययन में उपयोग किए गए अंतिम डेटासेट में मुद्रा संकट (5.50%) के लिए 120 पूर्व-संकट अवलोकन, बैंकिंग संकट (4.64%) के लिए 95 पूर्व-संकट घटनाएँ, और ऋण संकट (1.90%) के लिए 47 शामिल थे।
संकट और मशीन लर्निंग
इस अध्ययन के लिए, लेखक ने ट्री-आधारित मशीन लर्निंग को चुना क्योंकि यह न्यूनतम पैरामीटर ट्यूनिंग की आवश्यकता रखता है, बड़े डेटासेट को अच्छी तरह संभालता है, और लागू करने तथा व्याख्या करने में सरल रहता है.
मुख्य विश्लेषण ने निर्णय वृक्ष, रैंडम फॉरेस्ट और अत्यधिक यादृच्छिक वृक्षों पर केंद्रित किया। लेखक ने मजबूती जाँच के रूप में न्यूरल नेटवर्क, सपोर्ट वेक्टर मशीन, CatBoost और LightGBM का भी परीक्षण किया।
बैगिंग-आधारित एन्सेम्बल मॉडल तीनों संकट श्रेणियों में सबसे स्थिर प्रदर्शनकर्ता थे, हालांकि CatBoost और LightGBM ने बैंकिंग संकटों में प्रतिस्पर्धी परिणाम प्रदान किए।
अध्ययन ने फिर विभिन्न ट्री-आधारित मशीन लर्निंग एल्गोरिदम और उनके संकट भविष्यवाणी क्षमता, साथ ही झूठी सकारात्मक प्रवृत्ति (जब कोई संकट नहीं हुआ हो तो संकट की भविष्यवाणी करना) की तुलना की।
समग्र रूप से, “अत्यधिक” वृक्ष सबसे अच्छा प्रदर्शन किया, जिसके बाद रैंडम फॉरेस्ट एल्गोरिदम निकटता से आए।
संकट की भविष्यवाणी बनाम मूल्यांकन
संभावित संकट की पहचान करना महत्वपूर्ण है, लेकिन नीति निर्माताओं और निवेशकों को यह भी समझना आवश्यक है कि मॉडल ने चेतावनी क्यों जारी की। कई मशीन-लर्निंग प्रणालियों में यह कठिन होता है क्योंकि उनका आंतरिक निर्णय‑निर्माण एक ब्लैक बॉक्स जैसा दिख सकता है।
ऐसा करने के लिए, लेखक ने आर्थिक संकेतकों के शैपली मानों का उपयोग किया, जो संकट भविष्यवाणी में उनके सीमांत योगदान को दर्शाते हैं, सभी संभावित संकेतक संयोजनों के औसत के रूप में।
यह दर्शाता है कि कुछ संकेतक वित्तीय संकटों की भविष्यवाणी के लिए सबसे महत्वपूर्ण हैं:
- जिन अर्थव्यवस्थाओं में मूल पाप का अधिक एक्सपोज़र है, उन्हें मुद्रा संकट का जोखिम अधिक होता है।
- मुद्रा असंतुलन संकेतक उच्च विदेशी मुद्रा देनदारियों पर शैपली मानों में तीव्र वृद्धि दर्शाता है।
- यह विशिष्ट असुरक्षा थ्रेशहोल्ड स्थापित करने में मदद कर सकता है, जिससे नीति निर्माताओं को जोखिमों का आकलन करने और मैक्रोप्रूडेंशियल नीतियों का मार्गदर्शन करने के लिए मानक मिलते हैं।
विभिन्न प्रकार के वित्तीय संकटों के मूल कारण भी, आश्चर्यजनक रूप से, अलग-अलग होते हैं।
- मुद्रा संकटों के लिए, वित्तीय खुलापन, विनिमय दर प्रणाली, और अमेरिकी ट्रेजरी दर प्रमुख भविष्यवक्ता के रूप में उभरते हैं।
- बैंकिंग संकटों के लिए, अमेरिकी ट्रेजरी दर, बैंक क्रेडिट, और वित्तीय खुलापन सबसे अधिक भविष्यवाणी करने वाले हैं।
- ऋण संकटों के लिए, जीडीपी वृद्धि, वित्तीय खुलापन, और मुद्रा असंतुलन प्रमुख संकेतक हैं।
वित्तीय संकट और एआई निष्कर्ष
यह अध्ययन दर्शाता है कि कुछ वित्तीय संकट जटिल और गैर‑रेखीय मैक्रोइकॉनॉमिक प्रणालियों के बावजूद पहचान योग्य चेतावनी संकेत उत्पन्न कर सकते हैं।
यह मशीन लर्निंग, विशेष रूप से ट्री-आधारित एल्गोरिदम का उपयोग करके किया जा सकता है, जिन्होंने परीक्षण किए गए अन्य तरीकों की तुलना में तीनों संकट श्रेणियों में अधिक स्थिरता दिखाई।
यह इसलिए काम करता है क्योंकि मशीन लर्निंग भविष्यवाणी के लिए प्रासंगिक डेटा निकाल सकता है और पारंपरिक लॉजिस्टिक रिग्रेशन की तुलना में गैर‑रेखीय चेतावनी संकेतों का अधिक प्रभावी ढंग से पता लगा सकता है।
यह भी उल्लेखनीय है कि मशीन लर्निंग और एआई के बारे में “ब्लैक बॉक्स” आलोचना पूरी तरह लागू नहीं होती, क्योंकि यह दिखाना संभव है कि कौन से आर्थिक संकेतक भविष्यवाणी में योगदान दे रहे हैं, इस मामले में विदेशी मुद्रा ऋण और मुद्रा असंतुलन।
यह सिद्ध करता है कि ऐसा मॉडल संप्रभु‑जोखिम विश्लेषण को सुदृढ़ कर सकता है और देश‑स्तर के संकट के उभरने की चेतावनी प्रदान कर सकता है।
हालांकि, निवेशकों को यह भी समझना चाहिए कि उच्च समग्र सटीकता यह नहीं दर्शाती कि यह हर संकट को समय पर भविष्यवाणी करके वित्तीय नुकसान से बचाएगा। समान रूप से, झूठी सकारात्मक भविष्यवाणियाँ अभी भी संभव हैं।
इसका अर्थ है कि जबकि मशीन लर्निंग अलार्म बजा सकता है, यह तय करना कि यह सटीक है और कार्रवाई की आवश्यकता है या नहीं, अभी भी मानव अनुभव और बुद्धिमत्ता की मांग करता है। इसलिए यह तकनीक निर्णय‑समर्थन प्रणाली के रूप में सबसे उपयुक्त है, न कि स्वायत्त भविष्यवाणी ओरेकल के रूप में।
वित्तीय जोखिम विश्लेषण में निवेश
Moody’s Corporation
MCO मूल्य चार्ट
देश या कंपनी स्तर पर अप्रत्याशित संकट के जोखिम की भविष्यवाणी हमेशा निवेशकों, ऋणदाताओं और सामान्यतः वित्तीय विशेषज्ञों के कार्य का एक आवश्यक हिस्सा रही है।
आधुनिक समय में, इस कार्य का बड़ा हिस्सा रेटिंग एजेंसियों को सौंप दिया जाता है, जिनके पास विशेषज्ञता, डेटा तक पहुँच और प्रतिष्ठा होती है ताकि वे कंपनी की सॉल्वेंसी, बैंक की बैलेंस शीट सुरक्षा, सेक्टर की आर्थिक स्थिति या देश की वित्तीय स्थिरता पर तटस्थ और विश्वसनीय निर्णय ले सकें।
एक प्रमुख रेटिंग एजेंसी Moody’s है, जो क्रेडिट रेटिंग, संप्रभु विश्लेषण, वित्तीय इंटेलिजेंस और जोखिम मॉडलिंग में कार्य करती है। Moody’s Investors Service के भीतर, कॉरपोरेट फाइनेंस ग्रुप उसका सबसे बड़ा राजस्व योगदानकर्ता है, जो 2026 की दूसरी तिमाही में इस खंड के लगभग आधे राजस्व के लिए जिम्मेदार था।
स्रोत: Moody’s
जारीकर्ता और निवेशकों के बीच सूचना अंतर को कम करके, व्यापक रूप से मान्यता प्राप्त क्रेडिट रेटिंग बाजार पहुँच को सुधार सकती है और संभावित रूप से उधारी लागत को घटा सकती है। बड़े बांड इश्यू पर ब्याज दर में मामूली कमी भी उसके जीवनकाल में उल्लेखनीय बचत उत्पन्न कर सकती है।
स्रोत: Moody’s
जबकि AI मॉडल जोखिमों की भविष्यवाणी करने और संभावित संकटों का अनुमान लगाने के लिए उपयोग किए जा सकते हैं, यह निश्चितता कि भविष्यवाणी सटीक है, जब अरबों की बात हो, अत्यंत महत्वपूर्ण है। इसलिए Moody’s (MCO ) AI को अपनाकर, ऐसी तकनीकी प्रगति को व्याख्यात्मक वित्तीय‑जोखिम विश्लेषण के रूप में व्यावसायिक बनाया जा रहा है, दशकों से भरोसेमंद जोखिम विश्लेषण प्रदाता के समर्थन के साथ।
Moody’s को AI के माध्यम से वित्तीय जोखिम को मानचित्रित करने में प्रमुख लाभ केवल उसकी प्रतिष्ठा नहीं, बल्कि दुनिया के सबसे बड़े संरक्षित और नियंत्रित डेटासेट्स में से एक तक सीधी पहुँच है, जिसमें पेटेंट से लेकर M&A सौदे, वित्तीय भावना, आर्थिक डेटा, व्यक्तिगत कंपनी विश्लेषण, या यहाँ तक कि जलवायु विश्लेषण शामिल हैं।
स्रोत: Moody’s
इसलिए कुल मिलाकर, Moody’s AI का उपयोग करके ऋण संकट और अन्य प्रकार के वित्तीय संकटों की भविष्यवाणी करने वाले जोखिम विश्लेषण तक पहुँच प्राप्त करने का एक अच्छा तरीका है।
नवीनतम Moody’s Corporation (MCO) स्टॉक समाचार और विकास
संदर्भित अध्ययन
1. Hari Venkatesh. क्या बैलेंस शीट की कमजोरियां वित्तीय संकटों की भविष्यवाणी करती हैं? मशीन लर्निंग और शैपली विभाजन से प्राप्त साक्ष्य। International Review of Economics & Finance. अक्टूबर 2026. लेख: 105731. खंड 111. 10.1016/j.iref.2026.105731
