Inteligência artificial
A IA pode alertar investidores antes da próxima crise financeira?
Adicione Securities.io às suas fontes preferidas no Google
No cerne do recente progresso em inteligência artificial está a crescente capacidade de identificar padrões complexos a partir de dados desorganizados, algo com que as gerações anteriores de software tinham dificuldade.
Isso abre muitas novas possibilidades para a aplicação da IA, da medicina a diversos tipos de previsão. Assim, não surpreendentemente, muitos estão começando a utilizá‑la em questões financeiras, especialmente na previsão de crises financeiras.
Isso ocorre porque, embora as crises financeiras pareçam súbitas, em retrospecto alguns indicadores frequentemente revelam o acúmulo que as antecede. As crises financeiras são quase sempre o resultado de anos de desequilíbrio, decisões de investimento inadequadas, sobrevalorização etc.
Portanto, talvez um sistema de IA capaz de processar uma enorme quantidade de dados e interpretá‑los possa ajudar a prever tais crises.
Um novo estudo de um pesquisador do Indian Institute of Technology Roorkee analisou essa questão. Ele investiga, por meio de aprendizado de máquina, se vulnerabilidades de balanço patrimonial podem ser usadas como métrica para alertar sobre uma crise financeira iminente.
Seus achados foram publicados na International Review of Economics & Finance, sob o título “Vulnerabilidades de balanço patrimonial predizem crises financeiras? Evidências de aprendizado de máquina e decomposição de Shapley.”
Crises Financeiras & Previsões
Devido ao enorme potencial de destruição de riqueza, as crises financeiras são um ponto focal das ciências econômicas.
Alguns indicadores‑chave são conhecidos por aumentar a probabilidade de crises financeiras.
O primeiro é “pecado original”, ou a incapacidade das economias emergentes e em desenvolvimento (EDEs) de tomar empréstimos no exterior em sua própria moeda, o que as obriga a depender de dívida denominada em moeda estrangeira (FCD). Isso, por sua vez, torna seus balanços patrimoniais suscetíveis a choques externos.
Outro fator são os descompassos cambiais, onde um país, banco ou empresa detém ativos e passivos em moedas domésticas e estrangeiras em proporções desiguais. Assim, durante variações nas taxas de câmbio, isso pode criar riscos sistêmicos que podem levar a insolvências generalizadas e volatilidade macroeconômica. Por exemplo, esse processo foi central para a 1997 crise financeira asiática.
Métodos tradicionais das ciências econômicas, como regressão logística e extração de sinais, frequentemente falham em avaliar adequadamente esses riscos.
Um grande motivo é que eles frequentemente não consideram efeitos de interação e não‑linearidades, onde um input semelhante pode de repente gerar resultados radicalmente diferentes ao ultrapassar certo limiar (difícil de prever).
Prevendo Crises
Mapeando Diferentes Crises
As crises financeiras podem se manifestar de várias formas, com aproximadamente três tipos geralmente reconhecidos: crises cambiais, bancárias e de dívida.
Crises cambiais podem ser definidas como a “depreciação nominal da moeda em relação ao dólar dos EUA de pelo menos 30 % que também seja pelo menos 10 pontos percentuais superior à taxa de depreciação no ano anterior”.
Crises bancárias exigem duas condições simultâneas:
- Sinais significativos de estresse financeiro no sistema bancário, indicados por corridas bancárias significativas, perdas no sistema bancário e/ou liquidações de bancos.
- Medidas significativas de intervenção de política bancária em resposta a perdas consideráveis no sistema bancário.
Crises de dívida soverana podem ser identificadas através de eventos de inadimplência e reestruturação da dívida, com base em relatórios de agências de classificação, acumulação de reservas, relatórios da equipe do FMI e desenvolvimentos do mercado de títulos.
Embora diferentes entre si e originadas de causas distintas, esses tipos de crises financeiras não são mutuamente exclusivos. Por exemplo, uma crise cambial pode causar uma recessão severa que, por sua vez, pode desencadear uma crise de dívida ou bancária em um país especialmente vulnerável.
Medindo Indicadores de Alerta Antecipado
Para superar as limitações das ferramentas de análise usadas anteriormente, o autor deste estudo criou os índices broad original sin (BOSIN) e new currency mismatch (NCM) para encontrar indicadores iniciais de uma crise financeira iminente.
O BOSIN incorpora tanto a composição cambial dos títulos de dívida quanto os empréstimos bancários transfronteiriços, e abrange 162 países de 1970 a 2018.
O NCM captura a vulnerabilidade externa ao incluir reservas cambiais, abertura das exportações e composição cambial da dívida bancária e dos títulos de dívida internacional.
Isso demonstra um potencial interessante, pois o NCM revela vulnerabilidades externas antes das crises financeiras. Por exemplo, Argentina e Brasil apresentam seus picos mais altos de descompasso cambial por volta de 2000, coincidindo com suas crises de 2001–02.
Outro caso é a crise do tequila no México de 1994–95. Ela registrou um forte aumento nos descompassos cambiais, devido à dívida em dólares que saltou de 4 % para 75 % da dívida pública detida por privados em um ano.
O conjunto de dados final usado no estudo incluiu 120 observações pré‑crise para crise cambial (5,50%), 95 eventos pré‑crise para crise bancária (4,64%) e 47 para crise da dívida (1,90%).
Crises & Aprendizado de Máquina
Para este estudo, o autor escolheu baseado em árvore aprendizado de máquina porque requer ajuste mínimo de parâmetros, lida bem com grandes conjuntos de dados e permanece simples de implementar e interpretar.
A análise principal concentrou‑se em árvores de decisão, florestas aleatórias e árvores extremamente randomizadas. O autor também testou redes neurais, máquinas de vetor de suporte, CatBoost e LightGBM como verificações de robustez.
Os modelos de conjunto baseados em bagging foram os mais consistentes em todas as três categorias de crise, embora CatBoost e LightGBM tenham produzido resultados competitivos para crises bancárias.
O estudo então comparou diferentes algoritmos de aprendizado de máquina baseados em árvores e sua capacidade de prever crises, bem como sua propensão a falsos positivos (prever uma crise quando não ocorreu).
No geral, as árvores “extremas” tiveram o melhor desempenho, seguidas de perto pelos algoritmos de floresta aleatória.
Prevendo versus Avaliando Crises
Embora identificar uma crise potencial seja importante, formuladores de políticas e investidores também precisam entender por que um modelo gerou seu alerta. Isso é difícil com muitos sistemas de aprendizado de máquina, pois sua tomada de decisão interna pode assemelhar‑se a uma caixa‑preta.
Para isso, o autor utilizou os valores de Shapley dos indicadores econômicos, que representam sua contribuição marginal para a previsão de crises, média entre todas as combinações possíveis de indicadores.
Isso demonstrou que alguns indicadores são os mais importantes para prever crises financeiras:
- Economias com maior exposição ao “pecado original” enfrentam riscos mais altos de crises cambiais.
- O indicador de descompasso cambial mostra um aumento acentuado nos valores de Shapley em posições mais elevadas de passivos em moeda estrangeira.
- Ele pode ajudar a estabelecer limites de vulnerabilidade específicos, fornecendo aos formuladores de políticas referências para avaliar riscos e orientar políticas macroprudenciais.
Diferentes tipos de crises financeiras também têm, como era de se esperar, causas fundamentais distintas.
- Para crises cambiais, a abertura financeira, os regimes cambiais e a taxa do Tesouro dos EUA surgem como os principais preditores.
- Para crises bancárias, a taxa do Tesouro dos EUA, o crédito bancário e a abertura financeira são os mais preditivos.
- Para crises da dívida, o crescimento do PIB, a abertura financeira e os descompassos cambiais são os principais indicadores.
Crises Financeiras & Lições da IA
Este estudo demonstra que algumas crises financeiras podem gerar sinais de alerta detectáveis, apesar da complexidade e do comportamento não linear dos sistemas macroeconômicos.
Isso pode ser feito usando aprendizado de máquina, especialmente algoritmos baseados em árvores, que se mostraram mais consistentes nas três categorias de crise do que os outros métodos testados.
Isso funciona porque o aprendizado de máquina pode extrair os dados relevantes para sua previsão e detectar sinais de alerta não lineares de forma mais eficaz que a regressão logística tradicional.
Também deve ser observado que a crítica da “caixa‑preta” ao aprendizado de máquina e à IA em geral não se aplica totalmente, pois é possível demonstrar quais indicadores econômicos contribuem para a previsão, neste caso, a dívida em moeda estrangeira e os descompassos cambiais.
Isso prova que tal modelo poderia reforçar a análise de risco soberano e fornecer um alerta sobre uma crise a nível de país prestes a se desenrolar.
No entanto, os investidores também devem estar cientes de que alta precisão geral não significa que ele preverá todas as crises a tempo de evitar perdas financeiras. Da mesma forma, falsos positivos ainda são uma possibilidade distinta.
Isso significa que, embora o aprendizado de máquina possa fornecer um sinal de alerta, decidir se ele é preciso e necessita de ação ainda requer experiência e sabedoria humanas. Portanto, essa tecnologia está melhor posicionada como um sistema de apoio à decisão, não como um oráculo de previsão autônomo.
Investindo em Análise de Risco Financeiro
Moody’s Corporation
MCO Gráfico de preços
Prever o risco de uma crise inesperada em nível de país ou empresa tem sido sempre uma parte essencial do trabalho de investidores, credores e especialistas financeiros em geral.
Nos tempos modernos, grande parte dessa tarefa é delegada a agências de rating que possuem a expertise, acesso a dados e reputação para fazer avaliações neutras e confiáveis sobre a solvência de uma empresa, a segurança do balanço de um banco, a saúde econômica de um setor ou a estabilidade financeira de um país.
Uma das principais agências de rating é a Moody’s, que atua em ratings de crédito, análise soberana, inteligência financeira e modelagem de risco. Dentro da Moody’s Investors Service, o Corporate Finance Group é seu maior contribuinte de receita, representando aproximadamente metade da receita do segmento no segundo trimestre de 2026.
Fonte: Moody’s
Ao reduzir as lacunas de informação entre emissores e investidores, ratings de crédito amplamente reconhecidos podem melhorar o acesso ao mercado e potencialmente reduzir os custos de empréstimo. Mesmo uma redução modesta na taxa de juros vinculada a uma grande emissão de títulos pode gerar economias substanciais ao longo de sua vida.
Fonte: Moody’s
Embora modelos de IA possam ser usados para prever riscos e antecipar crises eventuais, a certeza de que a previsão é precisa é extremamente importante quando bilhões estão em jogo. Portanto, a Moody’s (MCO ) está adotando IA, permitindo que esses avanços tecnológicos sejam comercializados como análises de risco financeiro interpretáveis, com o apoio de um provedor estabelecido de análise de risco já confiável há décadas.
O que oferece uma vantagem chave à Moody’s no uso de IA para mapear risco financeiro não é apenas sua reputação, mas o acesso direto a um dos maiores conjuntos de dados curados e controlados do mundo, abrangendo tudo, desde patentes até acordos de fusões e aquisições, sentimento financeiro, dados econômicos, análises de empresas individuais ou até análises climáticas.
Fonte: Moody’s
Portanto, de modo geral, a Moody’s é uma boa forma de obter exposição ao tipo de análise de risco que usa IA para prever crises de dívida e outros tipos de crises financeiras.
Últimas notícias e desenvolvimentos das ações da Moody’s Corporation (MCO)
Estudo Referenciado
1. Hari Venkatesh. As vulnerabilidades do balanço patrimonial predizem crises financeiras? Evidências de aprendizado de máquina e decomposição de Shapley. International Review of Economics & Finance. outubro de 2026. Artigo: 105731. Volume 111. 10.1016/j.iref.2026.105731
