Bisakah AI Memperingatkan Investor Sebelum Krisis Keuangan Berikutnya?

Pada inti kemajuan terbaru dalam kecerdasan buatan adalah kemampuan yang semakin meningkat untuk mengidentifikasi pola kompleks dari data yang tidak terstruktur, sesuatu yang sulit dilakukan oleh generasi perangkat lunak sebelumnya.

Hal ini membuka banyak jalur baru untuk penerapan AI, mulai dari bidang kedokteran hingga berbagai jenis peramalan. Jadi, tidak mengherankan bahwa banyak pihak mulai menggunakannya untuk pertanyaan keuangan, terutama memprediksi krisis keuangan.

Hal ini karena meskipun krisis keuangan tampak tiba-tiba, setelah dilihat kembali, beberapa data sering mengungkap akumulasi yang mengarah ke titik tersebut. Krisis keuangan hampir selalu merupakan hasil dari tahun-tahun ketidakseimbangan, keputusan investasi yang buruk, penilaian berlebih, dan sebagainya.

Maka mungkin sebuah sistem AI yang mampu memproses sejumlah besar data dan memahaminya dapat membantu memprediksi krisis semacam itu.

Sebuah studi baru oleh peneliti di Indian Institute of Technology Roorkee meneliti pertanyaan ini. Studi tersebut, melalui pembelajaran mesin, meneliti apakah kerentanan neraca dapat digunakan sebagai metrik untuk memperingatkan tentang krisis keuangan yang akan datang.

Temuan beliau dipublikasikan dalam International Review of Economics & Finance, dengan judul “Apakah kerentanan neraca memprediksi krisis keuangan? Bukti dari pembelajaran mesin dan dekomposisi Shapley.”

Krisis Keuangan & Prediksi

Karena potensi mereka yang sangat besar dalam menghancurkan kekayaan, krisis keuangan menjadi fokus utama ilmu ekonomi.

Beberapa indikator kunci diketahui dapat meningkatkan kemungkinan terjadinya krisis keuangan.

The first is “dosa asli”, atau ketidakmampuan ekonomi berkembang dan negara berkembang (EDE) untuk meminjam di luar negeri dengan mata uang mereka sendiri, yang memaksa mereka bergantung pada utang berdenominasi mata uang asing (FCD). Hal ini, pada gilirannya, membuat neraca mereka rentan terhadap guncangan eksternal.

Faktor lain adalah ketidaksesuaian mata uang, di mana suatu negara, bank, atau perusahaan memiliki aset dan kewajiban dalam mata uang domestik dan asing dengan proporsi yang tidak seimbang. Jadi, selama pergerakan nilai tukar, hal ini dapat menimbulkan risiko sistemik yang dapat menyebabkan kebangkrutan luas dan volatilitas makroekonomi. Misalnya, proses semacam itu menjadi pusat krisis 1997 Asian financial crisis.

Metode tradisional ilmu ekonomi, seperti regresi logistik dan ekstraksi sinyal, sering gagal menilai risiko ini dengan tepat.

Alasan utama adalah mereka sering tidak memperhitungkan efek interaksi dan nonlinieritas, di mana input yang serupa dapat tiba-tiba menghasilkan hasil yang sangat berbeda setelah melewati ambang batas tertentu (yang sulit diprediksi).

Memprediksi Krisis

Memetakan Berbagai Krisis

Krisis keuangan dapat muncul dalam berbagai bentuk, dengan kira-kira tiga jenis yang umumnya diakui: krisis mata uang, krisis perbankan, dan krisis utang.

Krisis mata uang dapat didefinisikan sebagai “depresiasi nominal mata uang terhadap dolar AS setidaknya 30% yang juga setidaknya 10 poin persentase lebih tinggi daripada tingkat depresiasi pada tahun sebelumnya”.

Krisis perbankan memerlukan dua kondisi simultan:

• Tanda-tanda signifikan tekanan keuangan dalam sistem perbankan, yang ditunjukkan oleh penarikan dana massal yang signifikan, kerugian dalam sistem perbankan, dan/atau likuidasi bank.
• Langkah intervensi kebijakan perbankan yang signifikan sebagai respons terhadap kerugian signifikan dalam sistem perbankan.

Krisis utang berdaulat dapat diidentifikasi melalui kejadian gagal bayar utang dan restrukturisasi, berdasarkan laporan lembaga pemeringkat, akumulasi cadangan, laporan staf IMF, dan perkembangan pasar obligasi.

Meskipun berbeda satu sama lain dan berasal dari penyebab yang berbeda, jenis-jenis krisis keuangan ini tidak saling eksklusif. Misalnya, krisis mata uang dapat menyebabkan resesi parah yang kemudian memicu krisis utang atau krisis perbankan di negara yang sangat rentan.

Mengukur Indikator Peringatan Dini

Untuk mengatasi keterbatasan alat analisis yang sebelumnya digunakan, penulis studi ini menciptakan indeks original sin luas (BOSIN) dan ketidaksesuaian mata uang baru (NCM) untuk menemukan indikator awal dari krisis keuangan yang sedang berkembang.

BOSIN mencakup komposisi mata uang dari sekuritas utang serta pinjaman bank lintas batas, dan mencakup 162 negara dari tahun 1970 hingga 2018.

NCM menangkap kerentanan eksternal dengan memasukkan cadangan devisa, keterbukaan ekspor, dan komposisi mata uang dari utang bank serta sekuritas utang internasional.

Ini menunjukkan potensi menarik, karena NCM mengungkapkan kerentanan eksternal sebelum krisis keuangan. Misalnya, Argentina dan Brasil menunjukkan puncak ketidaksesuaian mata uang tertinggi mereka sekitar tahun 2000, bertepatan dengan krisis 2001–02 mereka.

Kasus lain adalah krisis Tequila Meksiko 1994–95. Krisis ini menyaksikan lonjakan tajam dalam ketidaksesuaian mata uang, karena utang dolar melonjak dari 4% menjadi 75% dari utang publik yang dimiliki secara pribadi dalam satu tahun.

Sumber: Tinjauan Internasional Ekonomi & Keuangan

Dataset akhir yang digunakan dalam studi mencakup 120 observasi pra-krisis untuk krisis mata uang (5,50 %), 95 peristiwa pra-krisis untuk krisis perbankan (4,64 %), dan 47 untuk krisis utang (1,90 %).

Krisis & Pembelajaran Mesin

Untuk studi ini, penulis memilih berbasis pohon pembelajaran mesin karena memerlukan penyesuaian parameter minimal, dapat menangani dataset besar dengan baik, dan tetap sederhana untuk diimplementasikan serta diinterpretasikan.

Analisis utama difokuskan pada decision tree, random forest, dan extremely randomized tree. Penulis juga menguji jaringan saraf, support vector machine, CatBoost, dan LightGBM sebagai pemeriksaan ketahanan.

Model ensemble berbasis bagging menjadi yang paling konsisten di ketiga kategori krisis, meskipun CatBoost dan LightGBM menghasilkan hasil yang kompetitif untuk krisis perbankan.

Studi kemudian membandingkan berbagai algoritma pembelajaran mesin berbasis pohon dan kemampuan mereka dalam memprediksi krisis, serta kecenderungan mereka menghasilkan false positive (memperkirakan krisis padahal tidak terjadi).

Secara keseluruhan, “extreme” tree memberikan hasil terbaik, diikuti erat oleh algoritma random forest.

Sumber: Tinjauan Internasional Ekonomi & Keuangan

Memprediksi vs. Mengevaluasi Krisis

Meskipun mengidentifikasi potensi krisis penting, pembuat kebijakan dan investor juga perlu memahami mengapa sebuah model menghasilkan peringatan tersebut. Hal ini sulit pada banyak sistem pembelajaran mesin karena proses pengambilan keputusan internalnya dapat menyerupai kotak hitam.

Untuk melakukannya, penulis menggunakan nilai Shapley indikator ekonomi, yang mewakili kontribusi marginal mereka terhadap prediksi krisis, dirata‑rata di seluruh kombinasi indikator yang mungkin.

Hal ini menunjukkan bahwa beberapa indikator paling penting untuk memprediksi krisis keuangan:

• Ekonomi dengan paparan original sin yang lebih besar menghadapi risiko krisis mata uang yang lebih tinggi.
• Indikator mismatch mata uang menunjukkan lonjakan tajam nilai Shapley pada posisi kewajiban mata uang asing yang lebih tinggi.
  • Hal ini dapat membantu menetapkan ambang kerentanan spesifik, memberikan pembuat kebijakan tolok ukur untuk menilai risiko dan mengarahkan kebijakan makroprudensial.

Sumber: Tinjauan Internasional Ekonomi & Keuangan

Berbagai jenis krisis keuangan juga memiliki, tidak mengherankan, penyebab dasar yang berbeda.

• Untuk krisis mata uang, keterbukaan finansial, rezim nilai tukar, dan suku bunga Treasury AS muncul sebagai prediktor utama.
• Untuk krisis perbankan, suku bunga Treasury AS, kredit bank, dan keterbukaan finansial paling prediktif.
• Untuk krisis utang, pertumbuhan PDB, keterbukaan finansial, dan mismatch mata uang menjadi indikator utama.

Sumber: Tinjauan Internasional Ekonomi & Keuangan

Krisis Keuangan & Pelajaran AI

Studi ini menunjukkan bahwa beberapa krisis keuangan dapat menghasilkan sinyal peringatan yang dapat dideteksi, meskipun sistem makroekonomi bersifat kompleks dan nonlinier.

Hal ini dapat dilakukan dengan menggunakan pembelajaran mesin, khususnya algoritma berbasis pohon, yang terbukti lebih konsisten di ketiga kategori krisis dibandingkan metode lain yang diuji.

Ini berhasil karena pembelajaran mesin dapat mengekstrak data relevan untuk prediksinya dan mendeteksi sinyal peringatan nonlinier lebih efektif dibandingkan regresi logistik tradisional.

Perlu juga dicatat bahwa kritik “kotak hitam” terhadap pembelajaran mesin dan AI secara umum tidak sepenuhnya berlaku, karena dapat ditunjukkan indikator ekonomi mana yang berkontribusi pada prediksi, dalam hal ini, utang mata uang asing dan mismatch mata uang.

Hal ini membuktikan bahwa model semacam itu dapat memperkuat analisis risiko sovereign dan memberikan peringatan tentang krisis tingkat negara yang akan terjadi.

Namun, investor juga harus menyadari bahwa akurasi keseluruhan yang tinggi tidak berarti model akan memprediksi setiap krisis tepat waktu untuk menghindari kerugian finansial. Demikian pula, false positive tetap menjadi kemungkinan yang nyata.

Artinya, meskipun pembelajaran mesin dapat memberikan sinyal peringatan, keputusan apakah sinyal tersebut akurat dan perlu ditindaklanjuti tetap memerlukan pengalaman dan kebijaksanaan manusia. Jadi teknologi ini paling tepat berfungsi sebagai sistem pendukung keputusan, bukan sebagai orakel peramalan otonom.

Berinvestasi dalam Analisis Risiko Keuangan

Moody’s Corporation

Memprediksi risiko krisis tak terduga pada tingkat negara atau perusahaan selalu menjadi bagian penting dari pekerjaan investor, pemberi pinjaman, dan pakar keuangan secara umum.

Di era modern, banyak tugas ini didelegasikan kepada lembaga pemeringkat yang memiliki keahlian, akses data, dan reputasi untuk membuat penilaian yang netral dan dapat diandalkan tentang solvabilitas perusahaan, keamanan neraca bank, kesehatan ekonomi sektor, atau stabilitas keuangan suatu negara.

Salah satu lembaga pemeringkat terkemuka adalah Moody’s, yang beroperasi dalam penilaian kredit, analisis kedaulatan, intelijen keuangan, dan pemodelan risiko. Di dalam Moody’s Investors Service, Corporate Finance Group merupakan kontributor pendapatan terbesar, menyumbang sekitar setengah pendapatan segmen pada kuartal kedua 2026.

Sumber: Moody’s

Dengan mengurangi kesenjangan informasi antara penerbit dan investor, peringkat kredit yang diakui secara luas dapat meningkatkan akses pasar dan berpotensi menurunkan biaya pinjaman. Bahkan penurunan kecil pada suku bunga yang terkait dengan penerbitan obligasi besar dapat menghasilkan penghematan signifikan selama masa berlakunya.

Sumber: Moody’s

Sementara model AI dapat digunakan untuk memprediksi risiko dan meramalkan krisis yang akan datang, kepastian bahwa prediksi tersebut akurat sangat penting ketika melibatkan miliaran dolar. Jadi Moody’s (MCO ) sedang mengadopsi AI, memungkinkan kemajuan teknologi tersebut dikomersialkan sebagai analitik risiko keuangan yang dapat diinterpretasikan, dengan dukungan penyedia analisis risiko yang mapan dan telah dipercaya selama puluhan tahun.

Keunggulan utama Moody’s dalam menggunakan AI untuk memetakan risiko keuangan bukan hanya reputasinya, melainkan akses langsung ke salah satu dataset terkurasi dan terkontrol terbesar di dunia yang mencakup segala hal mulai dari paten hingga transaksi M&A, sentimen keuangan, data ekonomi, analisis perusahaan individual, bahkan analitik iklim.

Sumber: Moody’s

Secara keseluruhan, Moody’s merupakan cara yang baik untuk memperoleh eksposur terhadap jenis analisis risiko yang menggunakan AI untuk memprediksi krisis utang dan jenis krisis keuangan lainnya.

Berita dan Perkembangan Terbaru Saham Moody’s Corporation (MCO)

Studi yang Dikutip

^{1. Hari Venkatesh. Apakah kerentanan neraca dapat memprediksi krisis keuangan? Bukti dari pembelajaran mesin dan dekomposisi Shapley. International Review of Economics & Finance. Oktober 2026. Artikel: 105731. Volume 111. 10.1016/j.iref.2026.105731}