|
Getting your Trinity Audio player ready...
|
In dem Beitrag Financial Regulation and AI: A Faustian Bargain? untersuchen Christopher Clayton Antonio Coppola die Rolle granularer, prädiktiver Modelle in Echtzeit für die makroprudentielle Regulierung durch Zentralbanken. Die Autoren stellen ein theoretisches Framework auf, das den Trade-off zwischen präzisen Vorhersagemodellen, deren kausale Zusammenhänge unklar sind, und weniger präzisen, aber kausal fundierteren Modellen beschreibt. Zudem wird ein graphbasiertes Deep-Learning-Modell entwickelt, das speziell auf Finanzdaten zugeschnitten ist.
Kernaussagen:
Theoretische Analyse:
- Trade-off für Regulierer: Präzise Vorhersagen ermöglichen bessere Interventionen, doch unklare kausale Mechanismen bergen Risiken.
- Ergänzende Rollen: Prädiktive Präzision und kausales Wissen sind komplementär und können gemeinsam Wohlfahrtsgewinne schaffen.
- Portfolio-Reaktionen: Die Wahl von Modellen beeinflusst, wie Finanzakteure ihre Portfolios anpassen, was positive und negative Effekte haben kann (z. B. moralisches Risiko).
Deep-Learning-Architektur:
- Graph-Transformer-Modell: Das Modell nutzt die relationalen Strukturen von Finanzdaten (z. B. Verbindungen zwischen Investoren und Vermögenswerten) und erstellt präzise Einbettungen.
- Ergebnisse: Das Modell erzielt herausragende Vorhersageergebnisse bei der Rekonstruktion von Portfoliodaten (über 90 % Korrelation) und der Vorhersage von Handelsmustern (ca. 30 % Korrelation, auch in Stresszeiten).
- Stabilität: Die Leistung bleibt auch in bislang ungesehenen Krisensituationen, wie der COVID-19-Krise, robust.
Makroprudentielle Anwendungen:
- Praktische Einsatzmöglichkeiten: Regulierer können mithilfe solcher Modelle Echtzeitdaten analysieren, um gezielte Interventionen zu gestalten.
- Ergänzung statt Ersatz: Prädiktive Modelle sollten herkömmliche kausale Ansätze ergänzen, nicht ersetzen.
Fazit:
Die Forschung zeigt, dass prädiktive KI-Modelle in der Finanzregulation erhebliche Vorteile bieten können, insbesondere wenn sie mit kausalem Wissen kombiniert werden. Das vorgestellte Framework und das Deep-Learning-Modell bieten eine Blaupause für den Einsatz solcher Technologien in der Praxis.