Artipisyal na Intelihensiya
Maaari bang Ipaalam ng AI sa mga Mamumuhunan Bago ang Susunod na Krisis sa Pananalapi?
Idagdag ang Securities.io sa mga gusto mong mapagkunan sa Google
Sa pinakapuso ng kamakailang pag-unlad sa artificial intelligence ay ang patuloy na pagtaas ng kakayahang tuklasin ang kumplikadong mga pattern mula sa magulong datos, na dati ay mahirap para sa mga nakaraang henerasyon ng software.
Nagbubukas ito ng maraming bagong daan para sa paggamit ng AI, mula sa medisina hanggang sa iba’t ibang uri ng paghuhula. Kaya, hindi nakapagtataka na marami na ang nagsisimulang ilapat ito sa mga tanong sa pananalapi, lalo na sa paghula ng mga krisis sa pananalapi.
Ito ay dahil bagaman maaaring biglaang lumitaw ang mga krisis sa pananalapi, sa paglingon pabalik, madalas na ipinapakita ng ilang datos ang unti-unting pagbuo nito. Halos palagiang nagmumula ang mga krisis sa pananalapi sa mga taon ng hindi pagkakatugma, maling desisyon sa pamumuhunan, sobrang pagpapahalaga, atbp.
Kaya marahil ang isang sistemang AI na kayang iproseso ang napakalaking dami ng datos at unawain ito ay makakatulong sa pag-forecast ng ganitong mga krisis.
Isang bagong pag-aaral ng isang mananaliksik mula sa Indian Institute of Technology Roorkee ang sumuri sa tanong na ito. Sinusuri nito, sa pamamagitan ng machine learning, kung maaaring gamitin ang mga kahinaan sa balanse ng sheet bilang sukatan upang magbabala tungkol sa nalalapit na krisis sa pananalapi.
Ang kanyang mga natuklasan ay inilathala sa International Review of Economics & Finance, sa pamagat na “Nagtataya ba ang mga kahinaan sa balanse ng sheet ng mga krisis sa pananalapi? Ebidensya mula sa machine learning at Shapley decomposition.”
Mga Krisis sa Pananalapi at Paghuhula
Dahil sa kanilang napakalaking potensyal na magwawasak ng kayamanan, ang mga krisis sa pananalapi ay sentro ng pag-aaral sa agham pang-ekonomiya.
Ilang mahahalagang indikasyon ang kilala na nagpapataas ng posibilidad ng mga krisis sa pananalapi.
Ang una ay “orihinal na kasalanan”, o ang kawalan ng kakayahan ng mga umuusbong at umuunlad na ekonomiya (EDEs) na manghiram sa ibang bansa gamit ang kanilang sariling pera, na nag-uudyok sa kanila na umasa sa utang na denominadong banyagang pera (FCD). Dahil dito, nagiging mas madaling maapektuhan ng mga panlabas na shock ang kanilang mga balanse.
Isa pang salik ay ang hindi pagkakatugma ng pera, kung saan ang isang bansa, bangko, o kumpanya ay may mga asset at liability sa domestic at banyagang pera sa hindi pantay na proporsyon. Kaya, sa paggalaw ng palitan, maaaring lumikha ito ng sistemikong panganib na magdulot ng malawakang insolvency at volatility sa macroeconomy. Halimbawa, ang prosesong ito ay sentral sa ang 1997 Asian financial crisis.
Ang tradisyunal na mga pamamaraan ng agham pang-ekonomiya, tulad ng logistic regression at signal extraction, ay madalas na nabibigo sa wastong pagsusuri ng mga panganib na ito.
Isang malaking dahilan ay madalas nilang hindi isinasama ang mga epekto ng interaksyon at mga di-linear na ugnayan, kung saan ang katulad na input ay biglang magbubunga ng lubos na magkaibang resulta kapag naipasa na ang isang tiyak (na mahirap hulaan) na threshold.
Paghula ng mga Krisis
Pagmamapa ng Iba’t Ibang Krisis
Maaaring magpakita ang mga krisis sa pananalapi sa iba’t ibang anyo, na karaniwang kinikilala sa tatlong uri: krisis sa pera, krisis sa bangko, at krisis sa utang.
Krisis sa pera ay maaaring ilarawan bilang ang “nominal na pagbaba ng halaga ng pera laban sa US dollar ng hindi bababa sa 30% na rin ay hindi bababa sa 10 puntos na mas mataas kaysa sa rate ng pagbaba noong nakaraang taon.”
Krisis sa bangko ay nangangailangan ng dalawang sabay na kundisyon:
- Mahahalagang palatandaan ng pinansyal na kaguluhan sa sistema ng bangko, tulad ng malalaking bank run, pagkalugi sa sistema ng bangko, at/o likidasyon ng mga bangko.
- Mahahalagang hakbang sa interbensyon ng patakaran sa bangko bilang tugon sa malalaking pagkalugi sa sistema ng bangko.
Soberanong utang na krisis ay maaaring matukoy sa pamamagitan ng mga pangyayari ng default at restructuring ng utang, batay sa mga ulat ng rating agency, pag-iipon ng reserba, ulat ng staff ng IMF, at pag-unlad ng merkado ng bond.
Bagaman magkaiba ang mga ito at nagmumula sa iba’t ibang sanhi, ang mga uri ng krisis sa pananalapi ay hindi magkasalungat. Halimbawa, ang isang krisis sa pera ay maaaring magdulot ng matinding recession na maaaring mag-trigger ng krisis sa utang o krisis sa bangko sa isang lalong bulnerableng bansa.
Pagsusukat ng mga Maagang Babala na Indikasyon
Upang malampasan ang mga limitasyon ng mga dating ginamit na tool sa pagsusuri, lumikha ang may-akda ng pag-aaral na ito ng broad original sin (BOSIN) at new currency mismatch (NCM) indices upang matuklasan ang maagang indikasyon ng paparating na krisis sa pananalapi.
Ang BOSIN ay kinabibilangan ng parehong komposisyon ng pera ng mga securities ng utang at mga cross-border na pautang sa bangko, at sumasaklaw sa 162 bansa mula 1970 hanggang 2018.
Ang NCM ay sumasaklaw sa panlabas na kahinaan sa pamamagitan ng pagsasama ng reserbang forex, kaluwagan sa pag-export, at komposisyon ng pera ng utang ng bangko at internasyonal na securities ng utang.
Ipinapakita nito ang kawili-wiling potensyal, dahil ang NCM ay nagpapakita ng panlabas na kahinaan bago pa man maganap ang mga krisis sa pananalapi. Halimbawa, ang Argentina at Brazil ay nagpakita ng pinakamataas na tuktok ng hindi pagkakatugma ng pera noong mga 2000, kasabay ng kanilang mga krisis noong 2001–02.
Isa pang kaso ay ang krisis ng Tequila sa Mexico noong 1994–95. Nakita nito ang matinding pagtaas ng hindi pagkakatugma ng pera, dahil ang utang sa dolyar ay tumaas mula 4% hanggang 75% ng pribadong hawak na pampublikong utang sa loob ng isang taon.
Ang huling dataset na ginamit sa pag-aaral ay naglaman ng 120 na pre-krisis na obserbasyon para sa krisis sa pera (5.50%), 95 na pre-krisis na pangyayari para sa krisis sa bangko (4.64%), at 47 para sa krisis sa utang (1.90%).
Mga Krisis at Machine Learning
Para sa pag-aaral na ito, pinili ng may-akda ang batay-sa-puno pagkatuto ng makina dahil nangangailangan ito ng kaunting pagsasaayos ng mga parameter, mahusay na humahawak ng malalaking dataset, at nananatiling simple na ipatupad at unawain.
Ang pangunahing pagsusuri ay nakatuon sa decision trees, random forests, at extremely randomized trees. Sinubukan din ng may-akda ang neural networks, support vector machines, CatBoost, at LightGBM bilang mga pagsusuri ng katatagan.
Ang mga bagging-based ensemble model ang pinaka-pagkakapare-pareho sa pagganap sa tatlong kategorya ng krisis, bagaman ang CatBoost at LightGBM ay nagbigay ng kompetitibong resulta para sa mga krisis sa bangko.
Pagkatapos, ikinumpara ng pag-aaral ang iba’t ibang tree-based machine learning algorithm at ang kanilang kakayahang hulaan ang mga krisis, pati na rin ang kanilang pagnanasa sa mga maling positibo (pag-uunawa ng krisis na hindi naman nangyari).
Sa pangkalahatan, ang mga “extreme” tree ang pinakamagaling, na sinundan nang malapitan ng mga random forest algorithm.
Pagpapauna kumpara sa Pagsusuri ng mga Krisis
Habang mahalaga ang pagtukoy ng posibleng krisis, kailangan din ng mga gumagawa ng patakaran at mamumuhunan na maunawaan kung bakit nagbigay ng babala ang modelo. Mahirap ito sa maraming sistema ng machine learning dahil ang kanilang panloob na pagdedesisyon ay maaaring magmukhang isang black box.
Upang magawa ito, gumamit ang may-akda ng Shapley values ng mga ekonomikong indikador, na kumakatawan sa kanilang marginal na ambag sa prediksyon ng krisis, na kinuhang average sa lahat ng posibleng kombinasyon ng mga indikador.
Ipinakita nito na iilan lamang ang mga indikador na pinakamahalaga sa pag-uunawa ng mga krisis pinansyal:
- Ang mga ekonomiya na may mas mataas na exposure sa original sin ay humaharap sa mas mataas na panganib ng krisis sa pera.
- Ipinapakita ng indicator ng currency mismatch ang matulis na pagtaas ng Shapley values sa mas mataas na posisyon ng pananagutan sa dayuhang pera.
- Makakatulong ito upang magtakda ng tiyak na mga threshold ng kahinaan, na nagbibigay sa mga gumagawa ng patakaran ng mga benchmark para tasahin ang mga panganib at gabayan ang mga macroprudential na patakaran.
Ang iba’t ibang uri ng krisis pinansyal ay may, hindi nakakagulat, iba’t ibang pinagmulan.
- Para sa mga krisis sa pera, ang financial openness, mga rehimen ng exchange rate, at ang US Treasury rate ang lumilitaw bilang mga pangunahing tagapahiwatig.
- Para sa mga krisis sa bangko, ang US Treasury rate, bank credit, at financial openness ang pinaka-makapagpahiwatig.
- Para sa mga krisis sa utang, ang paglago ng GDP, financial openness, at currency mismatches ang mga pangunahing indikador.
Mga Natutunan mula sa Krisis Pinansyal at AI
Ipinapakita ng pag-aaral na ito na ang ilang krisis pinansyal ay maaaring magbigay ng natutuklasang babala, sa kabila ng komplikado at di-linear na pag-uugali ng mga macroeconomic system.
Magagawa ito gamit ang machine learning, lalo na ang mga tree-based algorithm, na napatunayang mas pare-pareho sa tatlong kategorya ng krisis kumpara sa ibang mga pamamaraan na sinubukan.
Gumagana ito dahil kayang kunin ng machine learning ang kaugnay na datos para sa prediksyon nito at matuklasan ang mga di-linear na babala nang mas epektibo kaysa sa tradisyunal na logistic regression.
Dapat ding tandaan na ang kritisismo ng “black box” tungkol sa machine learning at AI sa pangkalahatan ay hindi ganap na naaangkop, dahil posible ipakita kung aling mga ekonomikong indikador ang nag-aambag sa prediksyon, sa kasong ito, ang utang sa dayuhang pera at ang currency mismatches.
Pinapatunayan nito na ang ganitong modelo ay maaaring palakasin ang pagsusuri ng sovereign risk at magbigay ng babala tungkol sa isang krisis sa antas ng bansa na naghahanda nang maganap.
Gayunpaman, dapat ding malaman ng mga mamumuhunan na ang mataas na kabuuang katumpakan ay hindi nangangahulugang mahuhulaan nito ang bawat krisis nang napapanahon upang maiwasan ang pagkalugi. Katulad din nito, ang mga maling positibo ay nananatiling isang malinaw na posibilidad.
Ibig sabihin, habang maaaring magbigay ng alarmang tunog ang machine learning, ang pagpapasya kung ito ay tama at kailangang kumilos ay nangangailangan pa rin ng karanasan at karunungan ng tao. Kaya ang teknolohiyang ito ay pinakamainam bilang isang decision-support system, hindi bilang isang autonomong orakulo ng pag-forecast.
Pamumuhunan sa Pagsusuri ng Panganib Pinansyal
Moody’s Corporation
MCO Tsart ng Presyo
Ang pag-uunawa ng panganib ng hindi inaasahang krisis sa antas ng bansa o kumpanya ay palaging mahalagang bahagi ng trabaho ng mga mamumuhunan, nagpapautang, at mga eksperto sa pinansya sa pangkalahatan.
Sa makabagong panahon, maraming bahagi ng gawaing ito ay ipinagkakatiwala sa mga ahensya ng rating na may ekspertisa, access sa datos, at reputasyon upang gumawa ng neutral at maaasahang pagsusuri sa kakayahang bayaran ng isang kumpanya, kaligtasan ng balanse ng isang bangko, kalusugan ng ekonomiya ng isang sektor, o katatagan ng pananalapi ng isang bansa.
Isang nangungunang ahensya ng rating ay ang Moody’s, na nagpapatakbo sa larangan ng credit ratings, pagsusuri sa soberanya, financial intelligence, at risk modeling. Sa loob ng Moody’s Investors Service, ang Corporate Finance Group ang pinakamalaking nag-aambag ng kita, na kumakatawan sa halos kalahati ng kita ng segmentong iyon noong ikalawang quarter ng 2026.
Pinagmulan: Moody’s
Sa pamamagitan ng pagbawas ng agwat sa impormasyon sa pagitan ng mga nag-iisyu at mamumuhunan, ang malawak na kinikilalang credit ratings ay maaaring magpabuti ng pag-access sa merkado at posibleng magpababa ng gastos sa pangungutang. Kahit na ang bahagyang pagbaba ng interes na nakakabit sa isang malaking pag-isyu ng bond ay maaaring magdulot ng malaking pagtitipid sa kabuuan ng buhay nito.
Pinagmulan: Moody’s
Habang maaaring gamitin ang mga modelo ng AI upang hulaan ang mga panganib at tantiyahin ang posibleng krisis, ang katiyakan na tama ang hula ay lubhang mahalaga kapag bilyon-bilyong halaga ang nakasalalay. Kaya ang Moody’s (MCO ) ay yumayakap sa AI, hinahayaan ang mga ganitong teknolohikal na pag-unlad na gawing komersyal bilang nababasang financial-risk analytics, na sinusuportahan ng isang matatag na tagapagbigay ng risk analysis na pinagkakatiwalaan na ng mga dekada.
Ang nagbibigay ng pangunahing kalamangan sa Moody’s sa paggamit ng AI para sa pagmamapa ng financial risk ay hindi lamang ang reputasyon nito, kundi ang direktang access sa isa sa pinakamalaking curated at kontroladong dataset sa mundo na sumasaklaw sa lahat mula sa mga patente hanggang sa mga M&A deal, financial sentiment, datos pang-ekonomiya, pagsusuri ng indibidwal na kumpanya, o kahit na climate analytics.
Pinagmulan: Moody’s
Sa kabuuan, ang Moody’s ay isang magandang paraan upang magkaroon ng exposure sa uri ng risk analysis na gumagamit ng AI upang hulaan ang mga krisis sa utang at iba pang uri ng financial crises.
Pinakabagong Balita at Pag-unlad sa Stock ng Moody’s Corporation (MCO)
Sanggunian ng Pag-aaral
1. Hari Venkatesh. Naaapektuhan ba ng mga kahinaan sa balance sheet ang paglitaw ng mga krisis pinansyal? Ebidensya mula sa machine learning at Shapley decomposition. International Review of Economics & Finance. Oktubre 2026. Article: 105731. Volume 111. 10.1016/j.iref.2026.105731
