Kunstmatige intelligentie
Kan AI beleggers waarschuwen vóór de volgende financiële crisis?
Voeg Securities.io toe aan je voorkeursbronnen op Google
In de kern van de recente vooruitgang in kunstmatige intelligentie staat een toenemend vermogen om complexe patronen uit ongeordende data te onderscheiden, iets waar eerdere generaties software moeite mee hadden.
Dit opent vele nieuwe wegen voor de toepassing van AI, van de geneeskunde tot diverse vormen van voorspelling. Het is dan ook niet verrassend dat velen het nu toepassen op financiële vraagstukken, met name het voorspellen van financiële crises.
Dit komt doordat financiële crises, hoewel ze plotseling lijken, achteraf vaak door bepaalde data‑punten een opbouw vertonen. Financiële crises zijn bijna altijd het gevolg van jarenlange onevenwichtigheden, slechte investeringsbeslissingen, overwaardering, enzovoort.
Misschien kan een AI‑systeem dat enorme hoeveelheden data kan verwerken en interpreteren, helpen zulke crises te voorspellen.
Een nieuwe studie van een onderzoeker aan de Indian Institute of Technology Roorkee heeft deze vraag onderzocht. De studie kijkt, met behulp van machine learning, of kwetsbaarheden in de balans kunnen dienen als een meetinstrument om te waarschuwen voor een dreigende financiële crisis.
Zijn bevindingen werden gepubliceerd in de International Review of Economics & Finance, onder de titel \”Kunnen kwetsbaarheden in de balans financiële crises voorspellen? Bewijs uit machine learning en Shapley-decompositie.”
Financiële crises & voorspellingen
Vanwege hun enorme vermogen om rijkdom te vernietigen, vormen financiële crises een centraal onderwerp binnen de economische wetenschappen.
Enkele belangrijke indicatoren staan bekend om de kans op financiële crises te verhogen.
De eerste is “oorspronkelijke zonde”, of het onvermogen van opkomende en ontwikkelingslanden (EDE’s) om in hun eigen valuta in het buitenland te lenen, waardoor ze moeten vertrouwen op in vreemde valuta uitgedrukte schulden (FCD). Dit maakt hun balansen op hun beurt kwetsbaar voor externe schokken.
Een andere factor zijn valutamismatches, waarbij een land, bank of onderneming activa en passiva in binnen- en buitenlandse valuta in ongelijke verhoudingen houdt. Tijdens wisselkoersbewegingen kan dit systemische risico’s creëren die kunnen leiden tot wijdverspreide insolventies en macro‑economische volatiliteit. Bijvoorbeeld, zo’n proces stond centraal in de 1997 Aziatische financiële crisis.
Traditionele methoden van de economische wetenschappen, zoals logistische regressie en signaalextractie, falen vaak bij het adequaat beoordelen van deze risico’s.
Een belangrijke reden is dat ze vaak geen rekening houden met interactie‑effecten en niet‑lineariteiten, waarbij een vergelijkbare invoer plotseling radicaal andere resultaten kan opleveren zodra een bepaalde (moeilijk te voorspellen) drempel wordt overschreden.
Crises voorspellen
Verschillende crises in kaart brengen
Financiële crises kunnen zich in verschillende vormen manifesteren, met ongeveer drie algemeen erkende typen: valutacrisissen, bankcrises en schuldencrises.
Valutacrisissen kunnen worden gedefinieerd als de “nominale depreciatie van de valuta ten opzichte van de Amerikaanse dollar van ten minste 30 % die tevens ten minste 10 procentpunten hoger is dan de depreciatieratio in het voorgaande jaar”.
Bankcrises vereisen twee gelijktijdige voorwaarden:
- Significante tekenen van financiële stress in het banksysteem, zoals aanzienlijke bankruns, verliezen in het banksysteem en/of bankliquidaties.
- Significante ingrepen in het bankbeleid als reactie op aanzienlijke verliezen in het banksysteem.
Sovereine schuldencrises kunnen worden geïdentificeerd via schulddefault‑ en herstructureringsgebeurtenissen, gebaseerd op rapporten van ratingbureaus, reserve‑opbouw, IMF‑personeelsrapporten en ontwikkelingen op de obligatiemarkt.
Hoewel ze van elkaar verschillen en voortkomen uit verschillende oorzaken, sluiten deze typen financiële crises elkaar niet uit. Bijvoorbeeld, een valutacrisis kan een ernstige recessie veroorzaken die vervolgens een schuldencrisis of bankcrisis kan uitlokken in een bijzonder kwetsbaar land.
Vroegtijdige waarschuwingsindicatoren meten
Om de beperkingen van eerder gebruikte analysetools te overwinnen, heeft de auteur van deze studie de brede ‘original sin’ (BOSIN) en ‘new currency mismatch’ (NCM) indices ontwikkeld om vroege indicatoren van een opkomende financiële crisis te vinden.
BOSIN omvat zowel de valutacompositie van schuldbewijzen als grensoverschrijdende bankleningen, en bestrijkt 162 landen van 1970 tot 2018.
NCM vangt externe kwetsbaarheid door valutavoorraad, exportopenheid en de valutacompositie van bankschulden en internationale schuldbewijzen mee te nemen.
Dit toont een interessant potentieel, aangezien NCM externe kwetsbaarheden onthult vóór financiële crises. Bijvoorbeeld, Argentinië en Brazilië vertonen hun hoogste valutamismatch‑pieken rond 2000, samenvallend met hun crises in 2001–02.
Een ander voorbeeld is de Tequila‑crisis van Mexico in 1994–95. Deze kende een sterke toename van valutamismatches, doordat de dollarschuld steeg van 4 % naar 75 % van de in privébezit zijnde publieke schuld binnen één jaar.
De uiteindelijke dataset die in de studie werd gebruikt, omvatte 120 pre‑crisisobservaties voor valutacrisis (5,50 %), 95 pre‑crisisgebeurtenissen voor bankcrisis (4,64 %) en 47 voor schuldencrisis (1,90 %).
Crises & Machine Learning
Voor deze studie koos de auteur tree-based machine learning omdat het minimale afstemming van parameters vereist, grote datasets goed aankan en eenvoudig te implementeren en te interpreteren is.
De primaire analyse richtte zich op beslisbomen, random forests en extreem gerandomiseerde bomen. De auteur testte ook neurale netwerken, support vector‑machines, CatBoost en LightGBM als robuustheidscontroles.
De op bagging gebaseerde ensemble‑modellen waren de consistentste presteerders over de drie crisiscategorieën, hoewel CatBoost en LightGBM competitieve resultaten leverden voor bankcrises.
De studie vergeleek vervolgens verschillende boomgebaseerde machine‑learning‑algoritmen en hun vermogen om crises te voorspellen, evenals hun neiging tot vals‑positieven (een crisis voorspellen terwijl er geen plaatsvond).
Over het geheel genomen presteerden “extreme” bomen het best, nauw gevolgd door random‑forest‑algoritmen.
Crises voorspellen versus evalueren
Hoewel het identificeren van een potentiële crisis belangrijk is, moeten beleidsmakers en investeerders ook begrijpen waarom een model zijn waarschuwing heeft gegenereerd. Dit is moeilijk bij veel machine‑learning‑systemen, omdat hun interne besluitvorming kan lijken op een black box.
Om dit te doen gebruikte de auteur de Shapley‑waarden van de economische indicatoren, die hun marginale bijdrage aan crisisvoorspelling weergeven, gemiddeld over alle mogelijke combinaties van indicatoren.
Dit toonde aan dat een paar indicatoren het belangrijkst zijn voor het voorspellen van financiële crises:
- Economieën met een grotere blootstelling aan ‘original sin’ lopen een hoger risico op valutacrisis.
- De indicator voor valutamismatches vertoont een scherpe stijging in Shapley‑waarden bij hogere posities in vreemde valuta‑schulden.
- Dit kan helpen specifieke kwetsbaarheidsdrempels vast te stellen, waardoor beleidsmakers benchmarks krijgen om risico’s te beoordelen en macroprudentiële beleidsmaatregelen te sturen.
Verschillende soorten financiële crises hebben, zoals verwacht, verschillende oorzaken.
- Voor valutacrisis zijn financiële openheid, wisselkoersregimes en de Amerikaanse schatkist‑rente de belangrijkste voorspellers.
- Voor bankcrisis zijn de Amerikaanse schatkist‑rente, bankkrediet en financiële openheid het meest voorspellend.
- Voor schuldencrisis zijn BBP‑groei, financiële openheid en valutamismatches de belangrijkste indicatoren.
Financiële crises & AI‑inzichten
Deze studie toont aan dat sommige financiële crises detecteerbare waarschuwingssignalen kunnen voortbrengen, ondanks de complexiteit en niet‑lineaire aard van macro‑economische systemen.
Dit kan worden bereikt met machine learning, met name boomgebaseerde algoritmen, die consistenter presteerden over de drie crisiscategorieën dan de andere geteste methoden.
Dit werkt omdat machine learning de relevante data voor de voorspelling kan extraheren en niet‑lineaire waarschuwingssignalen effectiever kan detecteren dan traditionele logistische regressie.
Het moet ook worden opgemerkt dat de “black‑box”‑kritiek op machine learning en AI in het algemeen niet volledig van toepassing is, omdat het mogelijk is aan te tonen welke economische indicatoren bijdragen aan de voorspelling, in dit geval vreemde‑valuta‑schulden en valutamismatches.
Dit bewijst dat een dergelijk model de soevereine‑risico‑analyse kan versterken en een waarschuwing kan geven over een land‑niveau crisis die op het punt staat zich te ontvouwen.
Echter, investeerders moeten zich er ook van bewust zijn dat een hoge algehele nauwkeurigheid niet betekent dat elke crisis tijdig wordt voorspeld om financiële verliezen te voorkomen. Evenzo blijven vals‑positieven een reëel risico.
Dit betekent dat hoewel machine learning een alarm kan laten klinken, het beoordelen of het signaal accuraat is en actie vereist nog steeds menselijke ervaring en wijsheid vraagt. Deze technologie is daarom het best geschikt als een beslissingsondersteunend systeem, niet als een autonome voorspellingsorakel.
Investeren in financiële risico‑analyse
Moody’s Corporation
MCO Prijsgrafiek
Het voorspellen van het risico op een onverwachte crisis op land‑ of bedrijfsniveau is altijd een essentieel onderdeel geweest van het werk van investeerders, kredietverstrekkers en financiële experts in het algemeen.
In moderne tijden wordt een groot deel van deze taak gedelegeerd aan ratingbureaus die over de expertise, data‑toegang en reputatie beschikken om neutrale, betrouwbare beoordelingen te maken van de solvabiliteit van een bedrijf, de balansveiligheid van een bank, de economische gezondheid van een sector of de financiële stabiliteit van een land.
Een toonaangevend ratingbureau is Moody’s, dat actief is op het gebied van kredietratings, soevereine analyses, financiële intelligentie en risicomodellering. Binnen Moody’s Investors Service is de Corporate Finance Group de grootste omzetbijdrager, goed voor ongeveer de helft van de omzet van het segment in het tweede kwartaal van 2026.
Bron: Moody’s
Door de informatiekloof tussen emittenten en beleggers te verkleinen, kunnen algemeen erkende kredietratings de markttoegang verbeteren en mogelijk de leenkosten verlagen. Zelfs een bescheiden daling van de rente op een grote obligatie-uitgifte kan gedurende de looptijd aanzienlijke besparingen opleveren.
Bron: Moody’s
Hoewel AI‑modellen kunnen worden gebruikt om risico’s te voorspellen en eventuele crises te forecasten, is de zekerheid dat de voorspelling accuraat is uiterst belangrijk wanneer er miljarden in het spel zijn. Dus Moody’s (MCO ) omarmt AI, waardoor dergelijke technologische vooruitgangen kunnen worden gecommercialiseerd als interpreteerbare financiële‑risico‑analyses, met de steun van een gevestigde aanbieder van risico‑analyse die al tientallen jaren wordt vertrouwd.
Wat Moody’s een belangrijk voordeel geeft bij het gebruik van AI voor het in kaart brengen van financieel risico, is niet alleen haar reputatie, maar ook directe toegang tot een van ’s werelds grootste gecureerde en gecontroleerde datasets, die alles omvat van patenten tot fusies‑ en overnamedeals, financiële sentimenten, economische gegevens, individuele bedrijfsanalyses of zelfs klimaat‑analyses.
Bron: Moody’s
Al met al is Moody’s een goede manier om blootstelling te krijgen aan het type risico‑analyse dat AI gebruikt om schuldencrises en andere vormen van financiële crises te voorspellen.
Laatste nieuws en ontwikkelingen over Moody’s Corporation (MCO) aandelen
Gerefereerde studie
1. Hari Venkatesh. Voorspellen balanstekortkomingen financiële crises? Bewijs uit machine learning en Shapley-decompositie. International Review of Economics & Finance. oktober 2026. Artikel: 105731. Volume 111. 10.1016/j.iref.2026.105731
