Анализи
Може ли ИИ да предскаже фалита на дадена държава по-добре от МВФ, S&P, Moody's и Fitch
Financial Tribune
По-ранното предсказване на фалита на дадена държава позволява да се ограничат финансовите загуби, да се подготвят по-добре политическите и икономическите мерки, но и да се ограничат социалните последствия.
За международните институции и правителствата това е възможност да въведат планове за помощ или преструктуриране, преди кризата да избухне. А за населението това може да предотврати драстични мерки: банков колапс, прекъсване на обществените услуги, внезапно увеличение на безработицата или скок на цените. Накратко, да предвидиш означава да спечелиш време, за да действаш с по-голям контрол, да намалиш икономическите и социалните щети и да избегнеш управлението на кризата в състояние на спешност и паника.
През март 2020 г., когато пазарите се сриваха в разгара на пандемията, малко институции бяха предвидили мащаба на кризата за нововъзникващите държаи. Въпреки това, в следващите месеци Замбия, Шри Ланка и Ливан се оказаха в несъстоятелност. Днес, с разрастването на изкуствения интелект (ИИ), възниква въпросът: може ли ИИ да предскаже фалита на дадена държава по-добре от класическите модели?
Ограниченията на традиционните модели
Досега основните инструменти за предупреждение – като системата за ранно предупреждение (early warning system) на Международния валутен фонд (МВФ) – се основаваха на класически макроикономически агрегати: външен дълг, растеж, валутни резерви, текущо салдо и др. Въпреки че са полезни, тези показатели често се публикуват със закъснение и са податливи на счетоводни манипулации.
Рейтинговите агенции (S&P, Moody's, Fitch и др.) от своя страна все още основават своите оценки до голяма степен на човешки анализи, с значително закъснение във времето.
Неспособност да се улавят поведенческите сигнали
Всъщност традиционните модели за прогнозиране на истинските рискове се основават главно на агрегирани макроикономически показатели: съотношение дълг/БВП, ниво на валутните резерви, текуща сметка, инфлация или рейтинги на кредитните агенции. Тези подходи, често вдъхновени от класическите икономически или статистически модели (logit, probit и др.), имат две основни ограничения:
Данните са твърде бавни и твърде агрегирани. Макроикономическите статистики се публикуват с закъснение, понякога с няколко месеца, тримесечи, дори и години. Те изглаждат слабите сигнали и прикриват краткосрочните динамики, като масовото изтегляне на капитали или зараждащата се банкова паника.
Неспособност да улавят поведенчески и политически сигнали. Кризите на държавния дълг не са само икономически. Те са и социални, политически, а понякога и геополитически. Традиционните модели обаче се затрудняват да интегрират неколичествени променливи като политическа нестабилност, социална поляризация, протестни движения или дискретни преговори с международни донори.
Фактът, че Ливан е бил оценен с B до 2019 г., докато вероятно е заслужавал D, илюстрира няколко сериозни недостатъка в традиционните системи за национално оценяване. Агенциите предпочитат да реагират, вместо да предотвратяват, което води до завишаване на рейтингите им, особено за уязвимите страни.
Открити слаби сигнали
Появяват се нови модели, базирани на машинно обучение (machine learning) и обработка на естествен език (NLP). Рейтинговите агенции Fitch, Moody's и S&P вече тестват изкуствен интелект, способен да обработва хиляди източници на информация в реално време: финансови потоци, публични изявления, но също и сателитни данни, анонимни Swift транзакции и коментари в мрежата X (преди Twitter).
Тези инструменти откриват слаби сигнали, невидими за традиционните анализатори: серия от преводи към офшорни сметки, необичайно спадане на банковите обеми или рязко увеличение на хаштагове от типа #default или #bankrun на местния език.
Ливанският прецедент
През 2019 г., много преди официалния срив на ливанската банкова система, бяха забелязани няколко слаби сигнали. В WhatsApp и Twitter имаше слухове. Изходящите парични преводи се увеличиха драстично. Видеоклипове показваха протестиращи, които изискваха отчети от Централната банка. Въпреки това, рейтинговите агенции, както и Международният валутен фонд, забавиха да подадат сигнал за тревога.
Въпреки тревожните признаци, МВФ остана предпазлив в изказванията си и не отправи ясна предупредителна сигнализация преди срива на ливанската банкова система през 2019-2020 г. Модел, базиран на изкуствен интелект, обучен на нелинейното поведение при теглене на пари в брой, споменаването на финансова паника в социалните мрежи или постепенното изчезване на вносни продукти, би могъл да открие висок риск от фалит много преди агенциите.
Случаят с Пакистан: наблюдение в реално време
Пакистан, който редовно е на ръба на неплатежоспособност, е пример за друго приложение на ИИ. Лабораторията на Висшето училище по външна търговия (ESCE) е разработила инструмент, който комбинира анонимни банкови данни (обем на депозитите по региони), сателитни данни за нивата на пристанищна дейност, семантичен анализ на политическите речи (честота на термини като „спешна помощ“, „мораториум“, „преговори с МВФ“), обем на директните полети от международното летище Jinnah в Карачи, дискусии на пенджаби и урду в X и Facebook и др. Чрез съпоставяне на тези елементи моделът предвиди още в края на 2022 г. ново искане за спасителен план... което беше обявено публично едва през април.
Асиметрията на властта между държавите и другите икономически участници поддържа повторяемостта на системните финансови кризи, чието въздействие върху големите макроикономически баланси често е огромно. Изкуственият интелект добавя динамичен елемент към моделите за риск на страните, с предупреждения, базирани на поведенчески тенденции и „слаби сигнали“. Там, където класическите системи се затрудняват да интегрират колективната психология или ефектите от заразяването на пазарите, изкуственият интелект се отличава.
Изкуственият интелект – нов риск?
Внимавайте обаче за алгоритмичните отклонения. Данните от социалните мрежи са плаващи и тяхното анализиране може да бъде повлияно от координирани кампании. Освен това изкуственият интелект не е неутрален: той може да интегрира неравностойни представи за риска на дадена страна, по-специално като надценява напрежението в политически или социално нестабилни, но платежоспособни страни.
Тези инструменти няма да заменят критичния поглед и човешката преценка в близко бъдеще. Истинската промяна ще дойде от хибриден модел.
Изкуственият интелект не е оракул. Неструктурираните данни (социални мрежи, медии, форуми) се считат за „шумни“ в смисъл, че лошото качество на обучението и лошото филтриране могат да доведат до тревожни „фалшиви положителни“ резултати. Ако моделът е обучен на базата на минали кризи, той рискува да надценява някои видове сигнали и да подценява непознати конфигурации, дори да „халюцинира“. Тези халюцинации често възникват поради проблеми, свързани с данните, използвани за обучение на езиковите модели, ограниченията на архитектурата на моделите и начина, по който големите езикови модели интерпретират икономическите и финансовите данни.
Проблем с управлението
Освен това самите източници могат да бъдат подведени от дезинформационни кампании. Най-ефективните модели на изкуствен интелект са „черни кутии“, чиято вътрешна логика е трудно интерпретируема. За институционален инвеститор или кредитен анализатор това може да представлява проблем за управлението: как да се обоснове решение за инвестиция или дезинвестиция, основано на алгоритмичен резултат, който не може да бъде обяснен?
Предвид ускоряването и нарастващата сложност на икономическите, социалните и геополитическите сътресения, институции като МВФ, Федералния резерв или Европейската централна банка (ЕЦБ), както и някои инвестиционни фондове и банки, вече експериментират с изкуствен интелект, способен да симулира кризисни сценарии в реално време. Целта вече не е само да се предскаже следващата криза, а да се предотврати чрез много по-реактивно коригиране на икономическите политики, благодарение на адаптивни модели, захранвани с непрекъснати и динамични потоци от данни.
Но тези инструменти няма да заменят критичния поглед и човешката преценка в близко бъдеще. Защото макар ИИ да се отличава в откриването на слаби сигнали и масивното обработване на данни, тя остава уязвима на статистически отклонения и халюцинации, ако бъде оставена на себе си. Истинският пробив ще дойде от хибриден модел: постоянен диалог между геополитическата и социалната интуиция на човешките анализатори и изчислителната способност на изкуствения интелект.
В крайна сметка, вече не става въпрос да избираме между човека и машината, а да съчетаем интелигентно техните съответни сили. Залогът не е само да предвидим кризите, а да имаме средствата да действаме, преди те да избухнат.
Източник: Анализ на Серж Бесанже, професор в ESCE - Висше училище по външна търговия
