Sztuczna inteligencja nie zastąpi bankierów centralnych

25.12.2017
Dzięki sztucznej inteligencji i uczeniu maszynowemu będzie można przewidywać wskaźniki ekonomiczne będące podstawą stanowienia polityki pieniężnej, ale roboty nie zastąpią bankierów centralnych. Maszyny trzymają się określonej formuły, a dobry bankier centralny stosuje podejście dyskrecjonalne, by reagować na niespodzianki.

(CC By A Health Blog)


W ostatnich latach znacząco zwiększyły się możliwości wykorzystania sztucznej inteligencji i uczenia maszynowego dzięki coraz lepszym komputerom. Z najnowszych narzędzi korzystają już przedsiębiorstwa, świat nauki, czy też banki centralne. Największa zmiana w krajobrazie systemu finansowego dotyczy wykorzystania uczenia maszynowego do stworzenia robotów, które będą w stanie zastąpić ludzi – np. w zakresie doradztwa finansowego i inwestycyjnego.

Uczenie maszynowe jest narzędziem do automatycznego budowania, selekcji lub udoskonalania modeli statystycznych. Komputery są wyjątkowo dobrze przystosowane do zbierania ogromnych ilości danych w poszukiwaniu powtarzalnych wzorców – dlatego uczenie maszynowe jest zwykle stosowane w przypadku dużych, często nieustrukturyzowanych zestawów danych. Może być ono skuteczne również w przypadku mniejszych zestawów danych, które mogą mieć inne niekorzystne cechy, jak brak struktury lub większe wymiary.

Chociaż istnieje wiele możliwych podejść, uczenie maszynowe odbywa się przede wszystkim poprzez etapy uczenia, walidacji i testowania, a zbiór danych jest odpowiednio podzielony na te trzy etapy. System w pierwszej fazie uczy się, a później jest dopracowywany.

Rola sztucznej inteligencji m.in. w zakresie prognozowania gospodarczego z pewnością wzrośnie w najbliższych latach, gdyż dzięki tej technologii będzie możliwe uzyskanie prognoz w czasie rzeczywistym, wykrywanie baniek na rynkach, czy też odkrywanie i analizowanie skomplikowanych powiązań makrofinansowych.

Według niektórych szacunków 90 procent dostępnych dzisiaj danych powstało w ciągu ostatnich dwóch lat. Informacje te nie dotyczą tylko poziomu produkcji, bezrobocia i cen, ale także danych behawioralnych dotyczących działań podejmowanych przez ludzi. Dzięki smartfonom, smartwatchom i mobilnemu internetowi tych danych jest coraz więcej, są wszechobecne i coraz bardziej wartościowe – ze względu na ich powiązanie ze sztuczną inteligencją.

Ekonomiści, którzy korzystają z nowych możliwości uczenia maszynowego wskazują, że pozwala ono na znajdowanie odpowiedzi na ważne pytania z zakresu polityki gospodarczej, a także wykorzystanie tej technologii do tworzenia modeli ekonometrycznych.

Jeśli zatem sztuczna inteligencja miałaby docelowo wyręczać ludzi w podejmowaniu niektórych decyzji, to czy także mogłoby to dotyczyć ustalania stóp procentowych i tworzenia polityki pieniężnej? Obecnie wydaje się to mało prawdopodobne. Powodów jest kilka.

Po pierwsze istnieje duża niepewność dotycząca zmian w podstawowych relacjach gospodarczych. Pomiar tych zależności i ich właściwa ocena wymagają wielu dyskusji, ścierania się opinii, a czasami nawet kwestionowania wyników analiz.

Ponadto, dotychczasowa polityka pieniężna opierała się na odpowiedniej komunikacji i – stosunkowo od niedawna – na właściwym forward guidance, czyli tak naprawdę opowiadaniu historii kształtujących oczekiwania uczestników rynku co do przyszłej polityki monetarnej. W najbliższych latach roboty raczej nie będą w stanie przedstawić prostym językiem wszystkich niuansów związanych z prowadzeniem polityki pieniężnej.

Obecnie sztuczna inteligencja w bankowości centralnej może być wykorzystana do wykrywania ryzyka systemowego.

Może także zdarzyć się, że cele polityki pieniężnej mogą zostać nieosiągnięte, mogą również wystąpić kolejne kryzysy. Gremia odpowiedzialne za stanowienie polityki monetarnej muszą wówczas tłumaczyć się opinii publicznej. Czy od robotów także można byłoby wymagać podobnych wyjaśnień? Kto wówczas byłby odpowiedzialny za niewypełnienie celów inflacyjnych?

Obecnie sztuczna inteligencja w bankowości centralnej może być zaś wykorzystana na przykład do wykrywania ryzyka systemowego. Dzięki wykorzystaniu algorytmów uczenia głębokiego można budować bardziej realistyczne modele ryzyka systemowego w systemie finansowym – w szczególności dotyczące modelowania ryzyka na poziomie poszczególnych instytucji finansowych. Ponadto uczenie maszynowe może być wykorzystane także do przewidywania niektórych trendów gospodarczych, jak na przykład popyt turystyczny. Wykorzystanie uczenia maszynowego do wspomnianych celów jest dodatkowo ułatwione przez dostępność narzędzi open-source (np. TensorFlow 7, SciKit-Learn 8).

Postępy w uczeniu głębokim otwierają obszary sztucznej inteligencji, które wcześniej wydawały się prawie niemożliwe. Mimo, że w najbliższej przyszłości trudno będzie wyobrazić sobie, żeby maszyny zasiadały w radach polityki pieniężnej, to można wyobrazić sobie, że niektóre analizy prowadzone przez banki centralne mogłyby być opracowywane dzięki zastosowaniu metod sztucznej inteligencji.


Tagi


Artykuły powiązane

Popularne artykuły

test