Ekonomiści odkryli technikę uczenia maszynowego na danych tekstowych do identyfikowania kryzysów finansowych. Technika ta pozwala stosunkowo szybko wykrywać usterki w systemie finansowym, które zagrażają sferze realnej gospodarki.
Mimo że jesteśmy świadkami dynamicznego postępu technologicznego, czego ucieleśnieniem jest chatGPT to literatura naukowa oraz szeroko pojęta polityka w zakresie ekonomii wciąż opiera się w dużym stopniu na opiniach ekspertów. Mam na myśli to, że prawdopodobieństwo wystąpienia danego zjawiska (np. kryzysu finansowego) jest określane przez specjalistę w danej dziedzinie. Choć takie opinie mogą być trafne, to przeważnie artykułowane są z opóźnieniem, co nie pozwala odpowiednio szybko zareagować decydentom politycznym.
Okazuje się, że jedną z technik pozwalających na relatywnie szybką identyfikację zagrożeń dla gospodarki jest uczenie maszynowe na danych tekstowych. Amerykańscy ekonomiści opracowali technikę uczenia maszynowego, która bazując na danych tekstowych takich jak raporty OECD i MFW oraz artykuły z mediów (Refinitiv, Machine Readable News, Reuters Daily News Feed) może szybko zidentyfikować kryzys finansowy, a jednocześnie określić przyczynę kryzysu. Ponadto technika ta pozwala zmniejszyć liczbę fałszywych alarmów, czyli stwierdzić, czy ryzyko destabilizacji w systemie finansowym jest realne, czy też zostało przeszacowane i nie stanowi zagrożenia dla gospodarki.
Identyfikacja kryzysów jest fundamentalna dla decydentów w zakresie polityki makroostrożnościowej, fiskalnej i pieniężnej. Można założyć, że w przypadku szybkiego wykrycia „usterki” w systemie finansowym, decydenci polityczni zaimplementują określone instrumenty, aby te „usterki” usunąć. Przykładowo, gdy technika ta zidentyfikuje ryzyko kryzysu finansowego, wówczas regulatorzy mogą uwolnić tzw. antycykliczny bufor kapitałowy (CCyB), który polega na kumulacji kapitału banków w czasie dobrej koniunktury, aby pokryć straty w okresach napięć finansowych. Banki centralne, znając ryzyko napięć w systemie finansowym na podstawie wskaźnika, mogą z kolei poluzować warunki finansowe w gospodarce, aby zminimalizować prawdopodobieństwo wystąpienia kryzysu finansowego.
Zobacz także: Co zabierze nam pracę? Globalizacja, automatyzacja czy może sztuczna inteligencja?
Przejdźmy już jednak do samego badania i pokazania, jak funkcjonuje technika uczenia maszynowego na danych tekstowych.
Ekonomiści opracowali wskaźnik, który w czasie rzeczywistym przedstawia, czy kraj znajduje się w kryzysie finansowym. Podwyższony wskaźnik w danym okresie oznacza, że kraj jest w kryzysie finansowym, podczas gdy niski wskaźnik oznacza, że sytuacja finansowa jest stabilna.
Ponadto model uczenia maszynowego pozwala zrozumieć przyczynę kryzysu, tzn. czy jest to kryzys bankowy, czy kryzys finansowy. Model ten wykazał, iż światowy kryzys finansowy w latach 2008-2010 był kryzysem bankowym, podczas gdy kryzys pandemiczny w 2020 r. był kryzysem finansowym.
Wykorzystując raporty OECD z lat 1981-2004 dotyczących prognoz ekonomicznych, naukowcy najpierw określają istotność danego słowa dla wykrywania kryzysu finansowego. Spójrzmy na poniższy wykres. Pokazuje on, że takie słowa jak „bank”, „loan”, „financial” czy „weaknes” (odpowiednio w języku polskim: bank, pożyczka, finansowy i słabość) dostarczają cennych informacji na temat wykrywania napięć w systemie finansowym.
Poniższy wykres pokazuje 30 najważniejszych słów pod względem wag, które pozwalają zidentyfikować kryzys finansowy. Widzimy, że użycie słowa „bank” w raporcie OECD zwiększa średnio o ok. 7 punktów procentowych prawdopodobieństwo, że kraj jest pogrążony w niewielkim lub poważnym kryzysie finansowym. Natomiast wzmianka o „wzroście” (ang. growth), „sile/mocy” (ang. strong) czy „konsumencie” (ang. consumer) obniża prawdopodobieństwo, że kraj znajduje się w kryzysie.
Poniżej umieszczony jest przykładowy tekst z raportu OECD z 2008 roku na temat perspektyw dla gospodarki USA. Słowa takie jak „bank” czy „banking” mają ciemny odcień czerwieni, co sygnalizuje kryzys finansowy. Im ciemniejszy odcień czerwieni, tym dane słowo w większym stopniu – poprzez algorytm uczenia maszynowego – sygnalizuje nam o ryzyku wystąpienia napięć w systemie finansowym.
W następnym kroku ekonomiści dowodzą, że model bazujący na technice uczenia maszynowego na danych tekstowych się sprawdza. Jak widzimy na poniższym wykresie, model dobrze zidentyfikował kryzysy finansowe takie jak kryzys w branży pożyczkowej w 1990 r., kryzys finansowy w 2008 r. i kryzys pandemiczny w 2020 r. To oznacza, że technika uczenia maszynowego na danych tekstowych (w tym przypadku na raportach OECD) pozwala w czasie rzeczywistym wykrywać napięcia w systemie finansowym, które mogą sygnalizować kryzys.
Badanie, które zostało opisane w tym tekście, pokazuje pozytywną stronę implikacji rozwoju technologicznego związanego z szeroko rozumianą sztuczną inteligencją. Tego typu obszary AI jak uczenie maszynowe mogą być przydatne w wielu dziedzinach, w tym w ekonomii. Ściślej mówiąc, dzięki temu odkryciu, decydenci polityczni opierając się na technice uczenia maszynowego opracowanej przez specjalistów, mogą być w stanie odpowiednio szybko zareagować na napięcia finansowe, co pozwoli uchronić gospodarkę przed kryzysem. Oczywiście jest to myślenie życzeniowe, a sam sektor bankowy jest na tyle skomplikowanym organizmem, że dane tekstowe mogą nie wykryć czyhających zagrożeń. Niemniej, uczenie maszynowe zwiększa prawdopodobieństwo ich wykrycia.
Co ciekawe, analiza tekstu staje się coraz bardziej popularna w dziedzinie makroekonomii. Na przykład czterech ekonomistów C. Angelico, J. Marcucci, M. Miccoli i F. Quarta (2022) wykorzystało Twittera do szacowania oczekiwań inflacyjnych, podczas gdy E. Kalamara, A. Turrell, C. Redl, G. Kapetanios i S. Kapadia (2022) korzystając z artykułów w brytyjskich gazetach, dokonali prognozy bardzo szerokich wskaźników makroekonomicznych, jak wzrost PKB, stopa inflacji i wskaźnik podatności na zagrożenia finansowe.
PIE: Wartość inwestycji w sztuczną inteligencję spadła w 2022 r.
