Οι τράπεζες πρέπει να βρουν ισορροπία με την τεχνητή νοημοσύνη στις χρηματοπιστωτικές αγορές

Η άνοδος της έρευνας τεχνητής νοημοσύνης στον τομέα της χρηματοοικονομικής τεχνολογίας ήταν αξιοσημείωτη. Οι τράπεζες καλλιεργούν στρατηγικά οικοσυστήματα μέσα από συνεργασίες με πανεπιστήμια και διεθνείς συνεργασίες. Εξέχοντες παίκτες όπως η Capital One, η JPMorgan Chase, η BBVA και η ING αγκαλιάζουν τη συνεργασία ανοιχτού κώδικα για να προωθήσουν την ανάπτυξη της πνευματικής ιδιοκτησίας.

Οι ευρωπαϊκές τράπεζες κάνουν επίσης σημαντικά βήματα στην έρευνα για την τεχνητή νοημοσύνη, με την Intesa Sanpaolo να ηγείται. Οι ερευνητικές εργασίες που έχουν συγγραφεί από επαγγελματίες στον τραπεζικό κλάδο καλύπτουν ένα ευρύ φάσμα, που περιλαμβάνει τόσο τη θεωρητική όσο και την εφαρμοσμένη έρευνα τεχνητής νοημοσύνης. Η εφαρμοσμένη έρευνα το 2022 περιελάμβανε τομείς που κυμαίνονται από εφαρμογές κβαντικής μηχανικής μάθησης έως καινοτόμα συστήματα σχεδίασης chatbot και συστάσεων. Περιέργως, υπάρχει μια αξιοσημείωτη απουσία μακροοικονομίας σε αυτά τα ερευνητικά προγράμματα που διεξάγουν οι τράπεζες.

Ο ανταγωνιστικός χαρακτήρας της έρευνας για την τεχνητή νοημοσύνη θα μπορούσε να οδηγήσει σε πιο μυστικές προσεγγίσεις, επηρεάζοντας το τοπίο της δημόσιας έρευνας τεχνητής νοημοσύνης. Οι τεχνολογικοί γίγαντες όπως η Google, η Meta, η Mozilla και το Hugging Face υποστήριζαν παραδοσιακά την έρευνα ανοιχτού κώδικα, αλλά αυτή η κίνηση προς τη μυστικότητα γίνεται τάση στην έρευνα της τεχνητής νοημοσύνης.

Αυτό εγείρει ένα ερώτημα δημόσιου ενδιαφέροντος: γιατί τα ιδιωτικά ιδρύματα να επωφελούνται αποκλειστικά από τις δημόσιες επενδύσεις στην καινοτομία ανοιχτού κώδικα που βασίζεται στο πανεπιστήμιο; Δεν θα έπρεπε αντ’ αυτού να πρωτοστατήσουν σε μια άνευ προηγουμένου συνεργασία μεταξύ τραπεζών, πανεπιστημίων και δημόσιων ιδρυμάτων, με στόχο την από κοινού διερεύνηση της σημασίας της τεχνητής νοημοσύνης στις μακροοικονομικές προβλέψεις, αντιμετωπίζοντας τόσο τη θεωρητική όσο και την πρακτική διάσταση;

 
Η τεχνητή νοημοσύνη στη μακροπρόβλεψη

Οι κεντρικές τράπεζες βασίζονται σε ένα συνδυασμό οικονομικών μοντέλων μικροϋπολογιστών και άλλων εργαλείων για μακροοικονομικές προβλέψεις. Ωστόσο, η αποτυχία τα τελευταία χρόνια να προβλεφθούν οι τάσεις του πληθωρισμού οδήγησε σε εκκλήσεις για μεγαλύτερη συνεργασία μεταξύ της δημοσιονομικής και νομισματικής πολιτικής και για επαναξιολόγηση των μοντέλων πρόβλεψης.

Εξέχουσες προσωπικότητες όπως η Janet Yellen, υπουργός Οικονομικών των ΗΠΑ, και ο Mark Carney, πρώην διοικητής της Τράπεζας της Αγγλίας, έχουν αναγνωρίσει ελλείψεις στην κατανόηση της δυναμικής του πληθωρισμού. Ο Claudio Borio, επικεφαλής οικονομολόγος της Τράπεζας Διεθνών Διακανονισμών, έχει αμφισβητήσει την κατανόηση της διαδικασίας πληθωρισμού και τις βαθύτερες αιτίες της.

Έγγραφο του Διεθνούς Νομισματικού Ταμείου, « Πόσο καλά προβλέπουν οι οικονομολόγοι την ύφεση;» , αποκαλύπτει την αποτυχία των οικονομολόγων να προβλέψουν 148 από τις τελευταίες 150 υφέσεις. Υπογραμμίζει την πολυπλοκότητα της οικονομικής πρόβλεψης, δεδομένης της ιδιότυπης ανθρώπινης συμπεριφοράς, των τεχνολογικών εξελίξεων και των γεωπολιτικών παραγόντων.

Έχει τις ρίζες του το ζήτημα στα δεδομένα και την υπολογιστική ικανότητα ή αφορά περισσότερο τους θεωρητικούς περιορισμούς; Η τελευταία υπόθεση υποδηλώνει ότι η τεχνητή νοημοσύνη μπορεί να ενισχύσει τη μακροοικονομία αλλά μόνο σε κάποιο βαθμό. Οι ακριβείς προβλέψεις απαιτούν στέρεες θεωρητικές βάσεις και το πεδίο αντιμετωπίζει αυτές τις προκλήσεις.

Οι υπεύθυνοι χάραξης πολιτικής και οι μεγάλοι διεθνείς θεσμοί διατυπώνουν προβλέψεις συγχωνεύοντας στοιχεία από διαφορετικά μοντέλα, οικονομικές θεωρίες και πραγματιστικές απόψεις. Η συναίνεση που προκύπτει ενημερώνει τις πολιτικές αποφάσεις. Εδώ η τεχνητή νοημοσύνη μπορεί να παίξει μεγαλύτερο ρόλο . Με την επεξεργασία τεράστιων συνόλων δεδομένων, τον εντοπισμό προτύπων και την ενσωμάτωση πολλαπλών μεταβλητών, η τεχνητή νοημοσύνη μπορεί να βελτιώσει τις οικονομικές και νομισματικές προβλέψεις. Οι κεντρικές τράπεζες και οι κυβερνήσεις πρόκειται να επωφεληθούν από πιο ακριβείς προβλέψεις δεικτών όπως ο πληθωρισμός, η αύξηση του ακαθάριστου εγχώριου προϊόντος και τα ποσοστά ανεργίας. Αυτά τα βελτιωμένα μοντέλα μπορούν να παρέχουν πληροφορίες για επιλογές πολιτικής, βελτιώνοντας τις αποφάσεις για τα επιτόκια, τη διαχείριση ρευστότητας και τα μακροπροληπτικά μέτρα.

Τι γίνεται όμως με τη μακροθεωρία; Δεν θα έπρεπε τα ιδιωτικά και δημόσια ιδρύματα να επενδύσουν περισσότερο στη συνεργατική έρευνα για την τεχνητή νοημοσύνη για να εξασφαλίσουν μια αρμονική ενοποίηση της μακροοικονομικής και της μικροχρηματοδότησης; Εάν δεν επιτύχουμε βελτιωμένα αποτελέσματα σε αυτό το κρίσιμο επίπεδο, οι αλγόριθμοι τεχνητής νοημοσύνης και τα ευφυή συστήματα μπορεί να υπερέχουν στην πρόβλεψη άμεσων και βραχυπρόθεσμων συναλλαγών, αλλά θα μπορούσαν να αποδειχθούν ανεπαρκή στη διαχείριση μεσοπρόθεσμων τραπεζικών και χρηματοοικονομικών κινδύνων. Η κατάσταση αυτή προκαλεί ανησυχία, όχι μόνο στον τραπεζικό κλάδο αλλά και στην ευρύτερη οικονομία, με σημαντικές επιπτώσεις.

 
Επανάσταση στις οικονομικές συναλλαγές

Χωρίς βελτιωμένες μακροοικονομικές προβλέψεις, η δυνατότητα της τεχνητής νοημοσύνης να διαχειρίζεται χρηματοοικονομικές συναλλαγές χρησιμοποιώντας αλγόριθμους και έξυπνα συστήματα θα μείωνε τη μεσοπρόθεσμη και μακροπρόθεσμη αξία της. Βραχυπρόθεσμα όμως οι εφαρμογές του είναι εντυπωσιακές. Τα συστήματα συναλλαγών που βασίζονται στο AI έχουν φέρει επανάσταση στις εμπορικές δραστηριότητες προσφέροντας πρωτοφανή ταχύτητα, ακρίβεια και καινοτομία. Αυτά τα συστήματα αναλύουν τεράστια σύνολα δεδομένων, εντοπίζουν κρυφούς συσχετισμούς και εκτελούν συναλλαγές υψηλής συχνότητας.

Η μηχανική μάθηση, ιδιαίτερα η βαθιά μάθηση, στηρίζει τις συναλλαγές με τεχνητή νοημοσύνη, ανακαλύπτοντας περίπλοκα μοτίβα αγοράς και λαμβάνοντας γρήγορες αποφάσεις συναλλαγών. Οι λύσεις τεχνητής νοημοσύνης υπερέχουν στον χειρισμό πολυπλοκοτήτων στις χρηματοπιστωτικές αγορές, συνδυάζοντας δεδομένα από τεχνική και θεμελιώδη ανάλυση με συναισθήματα σε πραγματικό χρόνο από τα μέσα κοινωνικής δικτύωσης. Η προσαρμοστικότητα και η πολυπλοκότητα της τεχνητής νοημοσύνης, που παρατηρούνται μέσω μεθοδολογιών όπως τα τεχνητά νευρωνικά δίκτυα και η ανάλυση συναισθήματος, εμπλουτίζουν τις στρατηγικές συναλλαγών.

Η συγχώνευση του AI με τους κβαντικούς υπολογιστές και τα συναισθηματικά δεδομένα από τις διεπαφές ανθρώπου-μηχανής θα μπορούσε να είναι μεταμορφωτική. Ωστόσο, η εύρεση της σωστής ισορροπίας μεταξύ των δυνατοτήτων τεχνητής νοημοσύνης και των ανθρώπινων γνώσεων παραμένει απαραίτητη κατά την πλοήγηση στις περιπλοκές των χρηματοπιστωτικών αγορών, όπως και η επίτευξη μιας πιο εκλεπτυσμένης ισορροπίας μεταξύ μακροοικονομικών και χρηματοοικονομικών προβλέψεων είναι υψίστης σημασίας.

Ο διορισμός του Ben Bernanke από την Τράπεζα της Αγγλίας για την αξιολόγηση των μοντέλων και των δεδομένων που υποστηρίζουν τις προβλέψεις της αποτελεί μια συναρπαστική έκκληση για δράση. Αυτή η στιγμή παρέχει την ευκαιρία να οδηγηθούν τόσο τα δημόσια όσο και τα ιδιωτικά ιδρύματα προς πολύ πιο φιλόδοξες ερευνητικές πρωτοβουλίες στον τομέα της τεχνητής νοημοσύνης και των μακροοικονομικών προβλέψεων.

Ο Edoardo Reviglio είναι επισκέπτης ανώτερος ερευνητής στη Νομική Σχολή του Yale και μέλος της Συμβουλευτικής Επιτροπής του OMFIF.