|
ИИ может предсказать следующий финансовый кризис
|
|
|
|
Что, если ИИ сможет предсказать следующий финансовый крах? Звучит многообещающе, но, как показывают новые исследования, дьявол кроется в деталях. После финансового кризиса 2008 года Федеральная резервная система и другие центральные банки сосредоточили свое внимание на мониторинге финансовой системы в поисках предупреждающих признаков нестабильности. Этот подход, известный как макропруденциальное регулирование, требует большого объема данных, чтобы обеспечить как всесторонний обзор экономики, так и подробную информацию о портфелях институциональных инвесторов.
|
|
|
|
До недавнего времени регулирующие органы могли только мечтать о таком объеме информации. Так было тогда, объясняет Антонио Коппола, доцент кафедры финансов в Стэнфордской высшей школе бизнеса. "Сейчас мы живем в среде, где данные уже не являются дефицитными. Регулирующие органы имеют доступ к этим массивам данных. Они могут точно видеть, как выглядят балансовые отчеты по всей финансовой системе".
|
|
|
|
Вот тут-то и пригодится искусственный интеллект. Обладая большими данными и большими вычислительными мощностями, регулирующие органы могли бы внедрять "многомерные прогнозные модели в режиме реального времени", чтобы выявлять сбыты с торгов и другие признаки бедствия до того, как они отразятся на экономике. "Эти модели потенциально очень эффективны", - говорит Коппола. "Они могли бы дать вам подробные сигналы о том, где находятся финансовые уязвимости, чтобы вы могли скорректировать свою политику". В частности, они могли бы усилить надзор за теневыми банковскими операциями — небанковскими организациями, такими как хедж-фонды, ETF и пенсионные фонды, — в которые переместился системный риск после того, как традиционные банки столкнулись с ужесточением регулирования после 2008 года.
|
|
|
|
|
|
|
Так в чем же проблема? Во-первых, экономисты с опаской относятся к прогностическим моделям, даже если они отличаются высокой точностью. Как отмечал экономист Роберт Лукас в конце 1970-х годов, использование исторических данных для составления прогнозов может привести к игнорированию основополагающих структурных факторов, на которые не влияют политические вмешательства. Другими словами, прогностические модели, основанные на искусственном интеллекте, могут точно определить, где назревают финансовые проблемы, но они не могут объяснить, почему это происходит и поможет ли это решить конкретная политика.
|
|
|
|
Аналогичным образом, прогнозные модели представляют моральный риск, то есть они могут непреднамеренно подтолкнуть инвесторов к принятию новых рисков. Банки и финансовые учреждения могут скупать уязвимые активы, предполагая, что модель побудит регулирующие органы вмешаться, если дела пойдут плохо. И наоборот, инвесторы могут отказаться от инвестиций, которые, как они знают, тщательно проверяются моделью. Вместо этого, объясняет Коппола, они перенесут свой риск "в тот уголок финансовой системы, который остается более незаметным для регулирующего органа".
|
|
Прогнозирование нестабильности
|
|
|
|
Это может поставить финансовые регуляторы перед тем, что Коппола называет "фаустовской сделкой", в ходе которой им придется выбирать между точностью прогноза и причинно-следственной ясностью. В новой статье Коппола и Кристофер Клейтон из Йельской школы менеджмента исследуют эту дилемму и предлагают путь продвижения вперед. "Мы проясняем, для решения какой стороны проблемы вам следует использовать модель прикладного ИИ, а где вам следует дополнить ее более традиционными экономическими моделями", - говорит Коппола. "Мы считаем, что эти две вещи не обязательно должны противоречить друг другу".
|
|
|
|
Чтобы проверить, насколько прогностическая модель ИИ может быть наиболее полезной для регулирующих органов, Коппола и Клейтон разработали свою собственную. В частности, они создали graph transformer - инструмент глубокого обучения, предназначенный для обработки данных о финансовых активах. После обучения на основе данных за 14 лет модель смогла с поразительной точностью реконструировать позиции инвесторов. Несмотря на то, что ее обучение закончилось в 2019 году, она точно предсказала поведение трейдеров во время обвала рынка в 2020 году в начале пандемии COVID. Модель также позволяет оценивать риски, связанные с новыми инвесторами или активами, в режиме реального времени без переподготовки.
|
|
|
|
Коппола и Клейтон приходят к выводу, что их модель демонстрирует потенциал регулирования, основанного на моделях, и обеспечивает "основу для подходов к регулированию в режиме реального времени". Однако они также считают, что прогнозные модели лучше всего работают, когда используются в сочетании с существующей экономической теорией о причинно-следственных связях вмешательств.
|
|
|
|
Несмотря на успех своей модели, Коппола подчеркивает, что макропруденциальное регулирование, основанное на искусственном интеллекте, еще не сформировалось. Он отмечает, что этот подход "требует гораздо большего количества исследований и разработок" и что "центральные банки захотят очень тщательно подумать об этом в будущем". Он надеется, что его исследование даст полезную информацию о том, как регулирующие органы могли бы использовать прогностические возможности искусственного интеллекта, не привнося в систему новые виды неопределенности и рисков.
|
|
|
|
Источник
|
