Petnaest godina nakon sloma koji je uzdrmao svjetska tržišta, središnje banke danas raspolažu količinom podataka o financijskom sustavu kakvu su 2008. mogle samo priželjkivati.
Upravo zato sve ozbiljnije postaje pitanje može li umjetna inteligencija dovoljno rano prepoznati obrasce koji prethode novom potresu, od prisilnih rasprodaja imovine do naglog širenja stresa kroz sustav. Novo istraživanje sugerira da može, ali i da takav alat ne dolazi bez ozbiljnih nuspojava.
Od financijske krize 2008. američka središnja banka Federal Reserve i druge središnje banke pojačale su makrobonitetni nadzor, pristup koji pokušava uočiti znakove nestabilnosti prije nego što se pretvore u širi problem. Za to je potreban ogroman volumen informacija, od opće slike gospodarstva do vrlo preciznog uvida u portfelje institucionalnih ulagatelja. Kako ističe Antonio Coppola, docent financija na Poslovnoj školi Sveučilišta Stanford, regulatori danas više ne rade u uvjetima oskudice podataka, nego imaju pristup detaljnim bilancama kroz velik dio financijskog sustava.
To otvara prostor za novu vrstu nadzora. Uz velike skupove podataka i dovoljnu računalnu snagu, regulatori bi mogli koristiti prediktivne modele u stvarnom vremenu kako bi prepoznali gdje se gomilaju ranjivosti i gdje bi se mogao pojaviti sljedeći val nestabilnosti. Posebno je važno to što bi takvi modeli mogli ojačati nadzor nad nebankarskim, takozvanim sjenovitim financijskim sektorom, u kojem se nakon strožih pravila za banke dio sistemskog rizika preselio prema hedge fondovima, ETF-ovima i mirovinskim fondovima.
Nadzor bez odgovora zašto
Upravo tu počinje problem. Ekonomisti već desetljećima zaziru od modela koji odlično predviđaju, ali slabo objašnjavaju. Kako je još krajem 1970-ih upozoravao Robert Lucas, oslanjanje na povijesne podatke lako može previdjeti dublje strukturne sile i promjene koje nastaju kada se politika promijeni. Drugim riječima, umjetna inteligencija možda može vrlo precizno označiti mjesto na kojem se gomila financijski stres, ali sama po sebi ne govori zašto se to događa niti bi li određena regulatorna mjera doista riješila problem.
Postoji i dodatna opasnost, moralni hazard. Ako tržišni sudionici povjeruju da će model na vrijeme upozoriti regulatore i potaknuti njihovu intervenciju, banke i druge financijske institucije mogle bi biti sklonije kupovati rizičnu imovinu računajući da će netko uskočiti ako stvari krenu loše. S druge strane, ulagatelji bi se mogli povlačiti upravo iz onih dijelova tržišta za koje znaju da ih model pažljivo prati, a rizik prebacivati u još manje vidljive kutove sustava. Coppola taj izbor opisuje kao svojevrsnu faustovsku nagodbu između prediktivne preciznosti i uzročne jasnoće.
Koristan alat, ne autopilot
U novom radu Coppola i Christopher Clayton sa Sveučilišta Yale pokušali su pokazati kako iz te zamke ipak postoji izlaz. Njihova je polazna ideja da umjetna inteligencija i klasični ekonomski modeli ne moraju biti suparnici, nego alati za različite dijelove istog problema. Zato su izradili vlastiti prediktivni model, graf-transformer, oblik dubokog učenja osmišljen za obradu podataka o financijskim vlasništvima i povezanostima među sudionicima tržišta.
Nakon obuke na 14 godina podataka model je s velikom točnošću rekonstruirao pozicije ulagatelja. Još važnije, iako su podaci za obuku završavali 2019. godine, model je uspio precizno predvidjeti ponašanje trgovanja tijekom tržišnog sloma 2020., na početku pandemije bolesti COVID-19. Pritom je mogao u stvarnom vremenu procjenjivati rizik novih ulagatelja ili nove imovine bez dodatne obuke, što je osobito važno za regulatore koji ne mogu čekati mjesece da bi se sustav prilagodio novim okolnostima.
Autori zaključuju da njihov model pokazuje potencijal za regulatorni pristup u kojem se odluke donose uz pomoć modela te da nudi nacrt za nadzor u stvarnom vremenu. Ipak, jednako jasno poručuju da takvi sustavi najbolje rade tek kada se spoje s postojećom ekonomskom teorijom koja objašnjava uzročne učinke intervencija. Coppola zato upozorava da makrobonitetna regulacija pogonjena umjetnom inteligencijom još nije spremna za punu primjenu, da joj treba mnogo više istraživanja i razvoja te da će središnje banke morati vrlo pažljivo promišljati svaki sljedeći korak. Upravo u tome i leži stvarna vrijednost ovog rada: ne obećava čarobni alarm za sljedeću krizu, nego pokazuje kako bi regulatori jednog dana mogli koristiti prediktivnu moć umjetne inteligencije bez stvaranja novih neizvjesnosti i novih izvora rizika.
Ivan je novinar i autor koji piše o znanosti, svemiru i povijesti. Gostuje kao stručni sugovornik na Science Discovery i History Channelu te piše za Večernji list. Osnivač je Kozmos.hr, prvog hrvatskog portala posvećenog popularizaciji znanosti.
