Kan kunstig intelligens hjælpe centralbanker med at opdage finansielle kriser, før de bryder ud? 

Det spørgsmål står centralt i et nyt forskningspapir af Christopher Clayton fra Yale School of Management og Antonio Coppola fra Stanford Graduate School of Business, som analyserer, hvordan avancerede AI-modeller kan bruges i finansielt tilsyn.

Studiet undersøger, hvordan regulatorer kan bruge store mængder porteføljedata og maskinlæring til at identificere systemiske risici i finansmarkederne. Samtidig rejser forskningen et klassisk økonomisk dilemma: 

Skal regulering baseres på modeller, der forklarer økonomiske mekanismer, eller på modeller, der primært er gode til at forudsige?

Et nyt datagrundlag for regulering
I takt med finansielle reformer efter finanskrisen i 2008 har tilsynsmyndigheder fået adgang til langt mere detaljerede data om finansielle institutioners investeringer. Samtidig har maskinlæring og deep learning gjort det muligt at analysere komplekse datasæt, som tidligere var vanskelige at håndtere.

Ifølge Clayton og Coppola åbner det nye muligheder for regulering. Avancerede modeller kan hjælpe med at identificere, hvor finansielle spændinger opstår i systemet eksempelvis hvor tvungne salg af aktiver kan presse priserne ned og forstærke markedsuro.

Sådanne situationer, ofte kaldet fire sales, opstår når finansielle institutioner tvinges til hurtigt at sælge aktiver. Det kan skabe en negativ spiral, hvor faldende priser udløser yderligere salg og spreder stress gennem hele finanssystemet.

Forudsigelser kan være nok
En central pointe i forskningen er, at selv modeller uden dyb økonomisk forklaringskraft kan være nyttige for regulatorer.

Clayton og Coppola viser i en teoretisk model, at predictive modeller kan forbedre regulering, hvis myndigheder allerede har en vis viden om, hvordan deres politiske værktøjer påvirker markedet. I så fald kan præcise forudsigelser hjælpe regulatorer med at målrette indgreb mod de områder, hvor risikoen er størst.

Forskerne finder også, at prediktive og kausale modeller i praksis kan supplere hinanden. Jo bedre regulatorer forstår de økonomiske mekanismer bag deres indgreb, desto mere værdifuld bliver præcise prognoser fra AI-modeller.

En ny type AI-model
I papirets empiriske del udvikler forskerne en deep learning-model designet til finansielle porteføljedata. Modellen analyserer relationerne mellem investorer og de aktiver, de ejer, ved at behandle markedet som et netværk.

Modellen lærer mønstre i porteføljestrukturen og kan dermed identificere potentielle risikopunkter i markedet. Når modellen trænes på detaljerede data om institutionelle investorers beholdninger, opnår den høj præcision i både rekonstruktion af porteføljer og i at forudsige fremtidige handelsmønstre.

Ifølge forskerne kan sådanne modeller i fremtiden hjælpe regulatorer med at analysere komplekse finansielle netværk i realtid og opdage risici, før de udvikler sig til kriser.

Et supplement, ikke en erstatning
Clayton og Coppola understreger dog, at AI ikke bør erstatte traditionelle økonomiske modeller. Predictive systemer kan give stærke signaler om, hvor problemer opstår, men de bør bruges sammen med økonomisk analyse, der forklarer de underliggende mekanismer.

Fremtidens finansielle tilsyn kan derfor blive en kombination af økonomisk teori og avanceret datadrevet analyse. Kunstig intelligens kan hjælpe centralbanker med at se risici tidligere men det kræver stadig økonomisk dømmekraft at forstå, hvad der skal gøres ved dem.

Denne kommentar er skrevet af André Thormann, analytiker i Danske Bank. Euroinvestor bringer i debatformatet 'Pengetanken' alle hverdage kommentarer fra vores faste panel på 15 eksperter i investering, boligøkonomi og privatøkonomi. Alle kommentarer er udelukkende udtryk for den pågældende skribents egen holdning. Klummen er udelukkende til orientering og kan ikke betragtes som en opfordring om eller anbefaling til at købe eller sælge finansielle produkter.