Kunstig intelligens
Kan AI advare investorer før den neste finanskrisen?
Legg til Securities.io blant dine foretrukne kilder på Google
Kjernen i den nylige fremgangen innen kunstig intelligens er en økende evne til å sortere komplekse mønstre fra uorganiserte data, noe tidligere generasjoner av programvare slet med.
Dette åpner mange nye muligheter for bruk av AI, fra medisin til ulike typer prognoser. Så, ikke overraskende, begynner mange å anvende den på finansielle spørsmål, spesielt for å forutsi finanskriser.
Dette skyldes at selv om finanskriser kan virke plutselige, viser retrospektivt noen datapunkter ofte oppbyggingen til dette punktet. Finanskriser er nesten alltid resultatet av år med ubalanse, dårlige investeringsbeslutninger, overvurdering osv.
Kanskje et AI‑system som kan behandle en enorm mengde data og forstå den, kan bidra til å forutsi slike kriser.
En ny studie av en forsker ved Indian Institute of Technology Roorkee undersøkte dette spørsmålet. Den studerer, ved hjelp av maskinlæring, om balanse‑sårbarheter kan brukes som et mål for å varsle om en forestående finanskrise.
Hans funn ble publisert i International Review of Economics & Finance, under tittelen “Kan balanse‑sårbarheter forutsi finanskriser? Evidens fra maskinlæring og Shapley‑dekomponering.”
Finanskriser og prognoser
På grunn av deres enorme potensial til å ødelegge rikdom, er finanskriser et sentralt tema i økonomifaget.
Noen få nøkkelindikatorer er kjent for å øke sannsynligheten for finanskriser.
Den første er “originalsynd”, eller mangelen på at fremvoksende og utviklende økonomier (EDE‑er) kan låne i utlandet i sin egen valuta, noe som tvinger dem til å benytte gjeld denominert i utenlandsk valuta (FCD). Dette gjør balansen deres sårbar for eksterne sjokk.
En annen faktor er valutamismatcher, hvor et land, en bank eller et selskap har eiendeler og forpliktelser i innenlandske og utenlandske valutaer i ulikt forhold. Så, under valutakursbevegelser, kan dette skape systemiske risikoer som kan føre til omfattende insolvens og makroøkonomisk volatilitet. For eksempel var en slik prosess sentral i den 1997 asiatiske finanskrisen.
Tradisjonelle metoder innen økonomifaget, som logistisk regresjon og signalutvinning, mislykkes ofte i å vurdere disse risikoene på en tilstrekkelig måte.
En stor årsak er at de ofte unnlater å ta hensyn til interaksjonseffekter og ikke‑lineariteter, hvor en liknende input plutselig kan gi radikalt ulike resultater når en viss (vanskelig å forutsi) terskel overskrides.
Forutsi kriser
Kartlegging av ulike kriser
Finanskriser kan manifestere seg i ulike former, med omtrent tre typer som vanligvis anerkjennes: valutakrisser, bankkriser og gjeldskriser.
Valutakrisser kan defineres som den «nominale devalueringen av valutaen i forhold til amerikanske dollar på minst 30 % som også er minst 10 prosentpoeng høyere enn devalueringsraten året før».
Bankkriser krever to samtidige betingelser:
- Betydelige tegn på finansiell nød i banksystemet, som betydelige bankrun, tap i banksystemet og/eller banklikvidasjoner.
- Betydelige intervensjonstiltak fra bankpolitikken som svar på betydelige tap i banksystemet.
Suverene gjeldskriser kan identifiseres gjennom gjeldsdefault‑ og restruktureringshendelser, basert på ratingbyrårapporter, reserveoppsamling, IMF‑personellrapporter og obligasjonsmarkedsutvikling.
Selv om de er forskjellige og har ulike årsaker, er disse typene finanskriser ikke gjensidig eksklusive. For eksempel kan en valutakrise forårsake en alvorlig resesjon som deretter kan utløse en gjeldskrise eller bankkrise i et spesielt sårbart land.
Måling av tidlige varselsindikatorer
For å overvinne begrensningene i tidligere brukte analyseverktøy, utviklet forfatteren av denne studien de brede originalsynd‑ (BOSIN) og nye valutamismatch‑ (NCM) indeksene for å finne tidlige indikatorer på en gryende finanskrise.
BOSIN omfatter både valutakomposisjonen av gjeldspapirer og grenseoverskridende banklån, og dekker 162 land fra 1970 til 2018.
NCM fanger ekstern sårbarhet ved å inkludere valutareserver, eksportåpenhet og valutakomposisjonen av bankgjeld og internasjonale gjeldspapirer.
Dette viser interessant potensial, ettersom NCM avdekker ekstern sårbarhet før finanskriser. For eksempel viser Argentina og Brasil sine høyeste valutamismatch‑topper rundt år 2000, i sammenfall med deres kriser i 2001–02.
Et annet tilfelle er Mexicos Tequila‑krise 1994–95. Den opplevde en kraftig økning i valutamismatch, da dollar‑gjeld steg fra 4 % til 75 % av privat holdt offentlig gjeld innen ett år.
Det endelige datasettet som ble brukt i studien inneholdt 120 observasjoner før valutakrise (5,50 %), 95 hendelser før bankkrise (4,64 %) og 47 før gjeldskrise (1,90 %).
Krisser & maskinlæring
For this study, the author chose trebasert maskinlæring fordi den krever minimal parameterjustering, håndterer store datasett godt, og er enkel å implementere og tolke.
Den primære analysen fokuserte på beslutningstrær, tilfeldige skoger og ekstremt randomiserte trær. Forfatteren testet også nevrale nettverk, støttevektormaskiner, CatBoost og LightGBM som robusthetssjekker.
De bagging-baserte ensemble-modellene var de mest konsistente prestasjonene på tvers av de tre krisekategoriene, selv om CatBoost og LightGBM ga konkurransedyktige resultater for bankkriser.
Studien sammenlignet deretter ulike trebaserte maskinlæringsalgoritmer og deres evne til å forutsi kriser, samt deres tendens til falske positiver (å forutsi en krise som ikke inntraff).
Generelt presterte «ekstreme» trær best, tett fulgt av algoritmer for tilfeldige skoger.
Forutsi vs. evaluere kriser
Mens det er viktig å identifisere en potensiell krise, må beslutningstakere og investorer også forstå hvorfor en modell ga sin advarsel. Dette er vanskelig med mange maskinlæringssystemer fordi deres interne beslutningsprosesser kan ligne en svart boks.
For å gjøre dette brukte forfatteren de økonomiske indikatorenes Shapley‑verdier, som representerer deres marginale bidrag til kriseforutsigelse, gjennomsnittlig over alle mulige kombinasjoner av indikatorer.
Dette viste at noen få indikatorer er de viktigste for å forutsi finanskriser:
- Økonomier med større eksponering mot «original sin» har høyere risiko for valutakrise.
- Indikatoren for valutamismatch viser en kraftig økning i Shapley‑verdier ved høyere utenlandske valutaforpliktelser.
- Den kan bidra til å fastsette spesifikke sårbarhetsterskler, og gi beslutningstakere målestokker for å vurdere risiko og styre makroprudentielle tiltak.
Ulike typer finanskriser har, som forventet, også ulike underliggende årsaker.
- For valutakriser fremstår finansiell åpenhet, valutakursregimer og USAs statsobligasjonsrente som de viktigste prediktorene.
- For bankkriser er USAs statsobligasjonsrente, bankkreditt og finansiell åpenhet de mest prediktive.
- For gjeldskriser er BNP‑vekst, finansiell åpenhet og valutamismatch de viktigste indikatorene.
Finanskriser & AI – hovedpunkter
Studien viser at enkelte finanskriser kan gi påvisbare varselsignaler, til tross for kompleksiteten og den ikke‑lineære oppførselen i makroøkonomiske systemer.
Dette kan gjøres ved hjelp av maskinlæring, spesielt trebaserte algoritmer, som viste seg å være mer konsistente på tvers av de tre krisekategoriene enn de andre testede metodene.
Dette fungerer fordi maskinlæring kan trekke ut relevant data for prediksjonen og oppdage ikke‑lineære varselsignaler mer effektivt enn tradisjonell logistisk regresjon.
Det bør også bemerkes at kritikken om en «svart boks» for maskinlæring og AI generelt ikke fullt ut gjelder, siden det er mulig å vise hvilke økonomiske indikatorer som bidrar til prediksjonen, i dette tilfellet utenlandsk gjeld og valutamismatch.
Dette beviser at en slik modell kan styrke analysen av suveren risiko og gi en advarsel om en landskrise som er i ferd med å utvikle seg.
Investorer bør imidlertid være klar over at høy samlet nøyaktighet ikke betyr at den vil forutsi hver krise i tide til å unngå økonomiske tap. På samme måte er falske positiver fortsatt en reell mulighet.
Dette betyr at selv om maskinlæring kan gi en alarm, krever avgjørelsen om den er nøyaktig og bør følges opp fortsatt menneskelig erfaring og innsikt. Teknologien er derfor best egnet som et beslutningsstøttesystem, ikke som en autonom prognose‑orakel.
Investering i finansiell risikaanalyse
Moody’s Corporation
MCO Prisdiagram
Å forutsi risikoen for en uventet krise på land- eller selskapsnivå har alltid vært en essensiell del av arbeidet til investorer, långivere og finansielle eksperter generelt.
I moderne tider blir mye av denne oppgaven delegert til ratingbyråer som har ekspertisen, datatilgangen og omdømmet som gjør dem i stand til å avgi nøytrale, pålitelige vurderinger av et selskaps soliditet, en banks balansesikkerhet, en sektors økonomiske helse eller et lands finansielle stabilitet.
Et ledende ratingbyrå er Moody’s, som opererer innen kredittvurderinger, statlig analyse, finansiell intelligens og risikomodellering. Innen Moody’s Investors Service er Corporate Finance Group den største inntektskilden, og står for omtrent halvparten av segmentets inntekter i andre kvartal 2026.
Kilde: Moody’s
Ved å redusere informasjonsgapene mellom utstedere og investorer, kan anerkjente kredittvurderinger forbedre markedsadgangen og potensielt senke lånekostnadene. Selv en beskjeden reduksjon i renten knyttet til en stor obligasjonsutstedelse kan gi betydelige besparelser over dens levetid.
Kilde: Moody’s
Selv om AI-modeller kan brukes til å forutsi risiko og prognostisere fremtidige kriser, er sikkerheten for at spådommen er nøyaktig ekstremt viktig når milliarder er involvert. Så Moody’s (MCO ) omfavner AI, og lar slike teknologiske fremskritt kommersialiseres som tolkbare finansiell risikaanalyse, med støtte fra en etablert leverandør av risikaanalyse som har vært betrodd i flere tiår.
Det som gir Moody’s en nøkkelfordel ved bruk av AI for kartlegging av finansiell risiko, er ikke bare omdømmet, men direkte tilgang til ett av verdens største kuraterte og kontrollerte datasett som dekker alt fra patenter til M&A‑avtaler, finansiell sentiment, økonomiske data, analyse av enkeltbedrifter, eller til og med klimaanalyser.
Kilde: Moody’s
Alt i alt er Moody’s en god måte å få eksponering mot den typen risikaanalyse som bruker AI til å forutsi gjeldskriser og andre typer finanskriser.
Siste nyheter og utviklinger for Moody’s Corporation (MCO) aksje
Referert studie
1. Hari Venkatesh. Forutsier balanse‑sårbarheter finanskriser? Evidens fra maskinlæring og Shapley‑dekomponering. International Review of Economics & Finance. oktober 2026. Artikkel: 105731. Volum 111. 10.1016/j.iref.2026.105731
