Kan AI varna investerare innan nästa finansiella kris?

I kärnan av den senaste utvecklingen inom artificiell intelligens ligger en ökande förmåga att urskilja komplexa mönster i ostrukturerad data, något tidigare generationer av mjukvara hade svårt med.

Detta öppnar många nya möjligheter för AI‑tillämpningar, från medicin till olika typer av prognoser. Så, inte förvånande, börjar många använda den för finansiella frågor, särskilt för att förutsäga finansiella kriser.

Det beror på att även om finansiella kriser kan verka plötsliga, visar vissa datapunkter i efterhand ofta uppbyggnaden fram till den tidpunkten. Finansiella kriser är nästan alltid resultatet av år av obalans, dåliga investeringsbeslut, övervärdering osv.

Kanske kan ett AI‑system som kan bearbeta en enorm mängd data och tolka den hjälpa till att förutsäga sådana kriser.

En ny studie av en forskare vid Indian Institute of Technology Roorkee undersökte denna fråga. Den studerar, med maskininlärning, om balansräkningssvagheter kan användas som en måttstock för att varna om en förestående finansiell kris.

Hans resultat publicerades i International Review of Economics & Finance, under titeln “Kan balansräkningssvagheter förutsäga finansiella kriser? Evidens från maskininlärning och Shapley-dekomposition.”

Finansiella kriser och prognoser

På grund av deras enorma förmåga att förstöra förmögenheter är finansiella kriser ett fokusområde inom ekonomisk vetenskap.

Ett fåtal nyckelindikatorer är kända för att öka sannolikheten för finansiella kriser.

Den första är “original synd”, eller oförmågan hos framväxande och utvecklingsländer (EDEs) att låna utomlands i sin egen valuta, vilket tvingar dem att förlita sig på utländsk valutadenominerad skuld (FCD). Detta gör i sin tur deras balansräkningar sårbara för externa chocker.

En annan faktor är valutamissmatchningar, där ett land, en bank eller ett företag har tillgångar och skulder i inhemska och utländska valutor i ojämna proportioner. Således kan valutakursrörelser skapa systemrisker som kan leda till omfattande insolvens och makroekonomisk volatilitet. Till exempel var en sådan process central för den 1997 asiatiska finanskrisen.

Traditionella metoder inom ekonomisk vetenskap, såsom logistisk regression och signalextraktion, misslyckas ofta med att korrekt bedöma dessa risker.

En stor anledning är att de ofta misslyckas med att ta hänsyn till interaktionseffekter och icke‑linjäriteter, där en likartad input plötsligt kan ge radikalt olika resultat när ett visst (svårt att förutsäga) tröskelvärde överskrids.

Förutsäga kriser

Kartlägga olika kriser

Finansiella kriser kan yttra sig i olika former, med ungefär tre typer som allmänt erkänns: valutakris, bankkris och skuldkris.

Valutakris kan definieras som den ”nominala deprecieringen av valutan mot den amerikanska dollarn på minst 30 % som också är minst 10 procentenheter högre än deprecieringsgraden året innan”.

Bankkriser kräver två samtidiga villkor:

• Betydande tecken på finansiell stress i banksystemet, såsom omfattande bankrusningar, förluster i banksystemet och/eller banklikvidationer.
• Betydande åtgärder från bankpolitiken som svar på betydande förluster i banksystemet.

Statsskuldskriser kan identifieras genom skulddefault och omstruktureringshändelser, baserat på ratingbyråers rapporter, reservuppbyggnad, IMF‑personalrapporter och utveckling på obligationsmarknaden.

Även om de skiljer sig åt och har olika orsaker, är dessa typer av finansiella kriser inte ömsesidigt uteslutande. Till exempel kan en valutakris orsaka en allvarlig recession som sedan kan utlösa en skuldkris eller bankkris i ett särskilt sårbart land.

Mäta tidiga varningsindikatorer

För att övervinna begränsningarna i tidigare använda analysverktyg skapade författaren till denna studie de breda original‑synd‑ (BOSIN) och nya valutamissmatchnings‑ (NCM) indexen för att hitta tidiga indikatorer på en kommande finansiell kris.

BOSIN omfattar både valutakompositionen av skuldinstrument och gränsöverskridande banklån, och täcker 162 länder från 1970 till 2018.

NCM fångar extern sårbarhet genom att inkludera valutareserver, exportöppenhet och valutakomposition av bankskulder samt internationella skuldinstrument.

Detta visar intressant potential, eftersom NCM avslöjar externa sårbarheter före finansiella kriser. Till exempel visar Argentina och Brasilien sina högsta valutamissmatchningsspikar omkring år 2000, i samband med deras kriser 2001–02.

Ett annat exempel är Mexikos Tequilakris 1994–95. Den såg en kraftig ökning av valutamissmatchningar, då dollarschulden steg från 4 % till 75 % av privat hållna offentliga skulder inom ett år.

Källa: Internationell översikt över ekonomi och finans

Det slutgiltiga datasetet som användes i studien innehöll 120 observationer före krisen för valutakris (5,50 %), 95 händelser före krisen för bankkris (4,64 %) och 47 för skuldkris (1,90 %).

Krisar & maskininlärning

För denna studie valde författaren träd-baserad maskininlärning eftersom den kräver minimal parameterinställning, hanterar stora datamängder väl och förblir enkel att implementera och tolka.

Den primära analysen fokuserade på beslutsträd, slumpmässiga skogar och extremt randomiserade träd. Författaren testade också neurala nätverk, supportvektormaskiner, CatBoost och LightGBM som robusthetskontroller.

De på bagging baserade ensemble-modellerna var de mest konsekventa presterarna över de tre kriskategorierna, även om CatBoost och LightGBM levererade konkurrenskraftiga resultat för bankkriser.

Studien jämförde sedan olika trädbaserade maskininlärningsalgoritmer och deras förmåga att förutsäga kriser, samt deras benägenhet för falska positiva (att förutsäga en kris när ingen inträffade).

Sammanfattningsvis presterade ”extrema” träd bäst, tätt följda av random forest-algoritmer.

Källa: Internationell översikt över ekonomi och finans

Förutsäga vs. Utvärdera kriser

Även om det är viktigt att identifiera en potentiell kris, måste beslutsfattare och investerare också förstå varför en modell gav sin varning. Detta är svårt med många maskininlärningssystem eftersom deras interna beslutsprocess kan likna en svart låda.

För att göra detta använde författaren de ekonomiska indikatorernas Shapley‑värden, vilka representerar deras marginala bidrag till krisförutsägelse, genomsnittligt över alla möjliga kombinationer av indikatorer.

Detta visade att några få indikatorer är de viktigaste för att förutsäga finansiella kriser:

• Ekonomier med större exponering för original sin har högre risk för valutakris.
• Indikatorn för valutamissmatch visar en kraftig ökning av Shapley‑värdena vid högre positioner av skulder i utländsk valuta.
  • Den kan hjälpa till att fastställa specifika sårbarhetströsklar, vilket ger beslutsfattare referensvärden för att bedöma risker och styra makroprudentiella politiker.

Källa: Internationell översikt över ekonomi och finans

Olika typer av finansiella kriser har, som förväntat, också olika grundorsaker.

• För valutakriser framträder finansiell öppenhet, växelkursregimer och den amerikanska Treasury‑räntan som de främsta prediktorerna.
• För bankkriser är den amerikanska Treasury‑räntan, bankkredit och finansiell öppenhet de mest prediktiva.
• För skuldkriser är BNP-tillväxt, finansiell öppenhet och valutamissmatchningar de främsta indikatorerna.

Källa: Internationell översikt över ekonomi och finans

Finansiella kriser & AI – Slutsatser

Denna studie visar att vissa finansiella kriser kan generera upptäckbara varningssignaler, trots komplexiteten och den icke‑linjära dynamiken i makroekonomiska system.

Detta kan göras med maskininlärning, särskilt trädbaserade algoritmer, som visade sig vara mer konsekventa över de tre kriskategorierna än de övriga testade metoderna.

Det fungerar eftersom maskininlärning kan extrahera relevant data för sin förutsägelse och upptäcka icke‑linjära varningssignaler mer effektivt än traditionell logistisk regression.

Det bör också påpekas att kritiken om en ”svart låda” kring maskininlärning och AI i allmänhet inte helt gäller, eftersom det är möjligt att visa vilka ekonomiska indikatorer som bidrar till förutsägelsen, i detta fall utlandsskulder i valuta och valutamissmatchningar.

Detta visar att en sådan modell kan stärka analysen av statsskuldrisk och ge en varning om en landskris som håller på att utvecklas.

Investerare bör dock också vara medvetna om att hög total noggrannhet inte innebär att den kommer att förutsäga varje kris i tid för att undvika finansiella förluster. På samma sätt är falska positiva fortfarande en tydlig möjlighet.

Detta innebär att även om maskininlärning kan ge en varningssignal, så kräver beslutet om den är korrekt och bör ageras på fortfarande mänsklig erfarenhet och visdom. Därför är denna teknik bäst lämpad som ett beslutsstödsystem, inte som en autonom prognos‑orakel.

Investering i finansiell riskanalys

Moody’s Corporation

Att förutsäga risken för en oväntad kris på land- eller företagsnivå har alltid varit en väsentlig del av investerarnas, låntagarnas och finansiella experters arbete i allmänhet.

I moderna tider delegeras en stor del av denna uppgift till kreditvärderingsinstitut som har expertisen, datatillgången och ryktet att göra neutrala, pålitliga bedömningar av ett företags soliditet, en banks balansräkningssäkerhet, en sektors ekonomiska hälsa eller ett lands finansiella stabilitet.

Ett ledande kreditvärderingsinstitut är Moody’s, som verkar inom kreditbetyg, suverän analys, finansiell intelligens och riskmodellering. Inom Moody’s Investors Service är Corporate Finance Group dess största intäktsbidragsgivare och står för ungefär hälften av segmentets intäkter under andra kvartalet 2026.

Källa: Moody’s

Genom att minska informationsgapet mellan emittenter och investerare kan allmänt erkända kreditbetyg förbättra marknadstillträde och potentiellt sänka lånekostnaderna. Även en modest minskning av räntan på en stor obligationsutgivning kan ge betydande besparingar under dess löptid.

Källa: Moody’s

Även om AI-modeller kan användas för att förutsäga risker och prognostisera eventuella kriser, är säkerheten i att förutsägelsen är korrekt extremt viktig när miljarder är inblandade. Så Moody’s (MCO ) omfamnar AI och låter sådana teknologiska framsteg kommersialiseras som tolkbara analyser av finansiell risk, med stöd av en etablerad leverantör av riskanalys som redan i årtionden har förtroende.

Det som ger Moody’s en viktig fördel när de använder AI för att kartlägga finansiell risk är inte bara deras rykte, utan även direkt tillgång till en av världens största kuraterade och kontrollerade datamängder som omfattar allt från patent till M&A‑affärer, finansiell sentiment, ekonomisk data, enskild företagsanalys eller till och med klimatanalys.

Källa: Moody’s

Sammanfattningsvis är Moody’s ett bra sätt att få exponering mot den typ av riskanalys som använder AI för att förutsäga skuldkriser och andra typer av finansiella kriser.

Senaste nyheter och utveckling kring Moody’s Corporation (MCO) aktie

Refererad studie

^{1. Hari Venkatesh. Förutsäger balansräkningssvagheter finansiella kriser? Evidens från maskininlärning och Shapley‑dekomposition. International Review of Economics & Finance. oktober 2026. Artikel: 105731. Volym 111. 10.1016/j.iref.2026.105731}