Primjena umjetne inteligencije u makroekonomskoj analizi

Objavljeno od Adrian Babić

Napredak makroekonomske analize kroz umjetnu inteligenciju

Makroekonomska analiza je grana ekonomske analize koja proučava funkcioniranje nacionalnoga gospodarstva kao cjeline. Analiza se provodi preko osnovnih strukturnih parametara, koji pak izražavaju omjere osnovnih gospodarskih agregatnih veličina, kao što su društveni proizvod, narodni dohodak, ukupna potrošnja, ukupne investicije, zaposlenost i sl., kako bi se utvrdilo postoji li međuovisnost tih veličina te način i intenzitet utjecaja njihovih promjena na ukupnu proizvodnju dobara i usluga te ukupno korištenje proizvodnih resursa. Makroekonomski modeli su oblici makroekonomske analize čiji su parametri dobiveni na osnovi mjerenja realnih odnosa agregatnih veličina i njihove međuovisnosti određenoga gospodarstva, a mogu biti prilagođeni postizanju zadanih ciljeva. Mnoge zemlje koriste makroekonomske modele za potrebe ekonomskog predviđanja, simulacije i analize alternativnih politika ili ekonomskog planiranja. Dobro planiranje i provođenje makroekonomske pozitivno utječe na ekonomski rast, a brojna statistička istraživanja identificirala su ekonomski rast kao najbitniji faktor za smanjenje stope siromaštva. Za dobro planiranje i provođenje makroekonomske politike poželjno je imati kvalitetne makroekonomske modele, a umjetna inteligencija otvara mnoge mogućnosti za njihovu lakšu i bolju izradu. Algoritmi strojnog učenja su grana umjetne inteligencije, a odlikuje mogućnost prepoznavanja kompleksnih poveznica između varijabli, učenja iz zadanog skupa podataka te mogućnost uključivanja raznih čimbenika koji ne moraju biti ekonomske prirode, poput političke nestabilnosti ili čak meteoroloških čimbenika što omogućava preciznije modeliranje makroekonomskog sustava.

Metodologija

Umjetna inteligencija je širok pojam koji obuhvaća razna područja i tehnološke koncepte, a sastoji se od dvije glavne grane: pristupi temeljeni na podacima i pristupi temeljeni na pravilima. Sustavi za strojno učenje temeljeni su na podacima, a uključuju tradicionalne statističke modele i umjetne neuronske mreže. Inspiracija iza umjetnih neuronskih mreža jest nastojanje repliciranja procesa učenja ljudskog mozga. Umjetne neuronske mreže sastoje se od slojeva međusobno povezanih čvorova (neurona) koji provode matematičke operacije nad ulaznim skupom podataka na temelju parametara postavljenih tijekom učenja. Za vrijeme učenja umjetne neuronske mreže prilagođavaju se parametri težine i pristranosti neurona kako bi rezultat na izlazu iz mreže bio odgovarajući. Ovi modeli mogu prepoznati nelinearna svojstva podataka i primijeniti prethodno stečeno znanje na nove probleme. U posljednje vrijeme, sposobnosti umjetnih neuronskih mreža značajno su unaprijeđene povećanjem njihove složenosti i učenjem na velikim količinama podataka te se često nazivaju dubokim neuronskim mrežama. Podskup dubokih neuronskih mreža su generativni AI modeli koji koriste duboke neuronske mreže za stvaranje novog sadržaja poput teksta ili slika na temelju podataka korištenih pri treniranju. U generative AI modele pripadaju i veliki jezični modeli koji se sastoje od neuronske mreže s velikim brojem parametara trenirane na velikoj količini neoznačenog teksta. Dijagram koji prikazuje odnos pojmova je prikazan na slici 1.

podrucja umjetne inteligencije

Slika 1: Područja umjetne inteligencije
(Relationship between artificial intelligence, machine learning, neural network, and deep learning by Li, S., Deng, Y.-Q., Zhu, Z.-L., Hua, H.-L., Tao, Z.-Z. is licensed under CC BY 4.0)

Postoje tri opća pristupa procesima strojnog učenju (slika 2):

  1. Nadzirano učenje (eng. Supervised Learning- SL):
    Algoritam dobiva označeni skup podataka za učenje koji uključuje ulazne podatke i željene izlaze te prepoznaje obrasce u tom skup podataka i generalizira ih kako bi mogao proizvesti željeni izlaz za nove podatke koji nisu u skupu podataka za učenje. Glavne primjene nadziranog učenja su klasifikacija, regresija i predikcija.

  2. Nenadzirano učenje (eng. Unsupervised Learning- UL):
    Algoritam dobiva neoznačeni skup ulaznih podataka bez željenih izlaza te mora samostalno pronaći uzorke i odnose unutar podataka kako bi proizveo korisne izlaze. Glavne primjene nenadziranog učenja uključuju grupiranje (clustering), smanjenje dimenzionalnosti (npr. glavne komponente) i učenje pravila asocijacija.

  3. Učenje putem potkrepljenja (eng. reinforcement Learning- RL):
    Algoritam ne dobiva skup podataka za učenje, nego skup pravila ili ciljeva za koje mora naučiti kako ih najbolje postići. Učenje se vrši kroz ponovljene interakcije s okruženjem. Glavne primjene učenja putem potkrepljenja uključuju kontrolu, robotiku, optimizaciju i igranje igara.

 

slika pristupa procesima strojnog ucenja

 

Slika 2: Pristupi procesima strojnog učenja
(IMF Working Papers 2023, 040; 10.5089/9798400235252.001.A001)

 

Primjene

Tradicionalni ekonomski modeli često se oslanjaju na linearnu analizu i ograničene skupove podataka, što ih čini nedovoljno prilagođenima za modeliranje složenih makroekonomskih odnosa. Sposobnost modeliranja složenih i nelinearnih odnosa između ekonomskih varijabli predstavlja jednu od ključnih prednosti korištenja umjetne inteligencije u makroekonomskoj analizi. Korištenjem metoda kao što su duboko učenje i strojna obrada podataka, AI ima mogućnost obrade velikih skupina podataka te sposobnost otkrivanja skrivenih uzoraka u ekonomskim podacima koje nisu očite ljudskim analitičarima te može analizirati i nekonvencionalne podatke kao što su sentiment korisnika na društvenim mrežama.

Primjer takve analize je istraživanje provedeno krajem 2022. koje je analiziralo percepciju globalne ekonomske recesije na Twitteru koristeći analizu sentimenta i tematsku analizu. Analizirano je preko 10.000 tweetova, od kojih je 44% izražavalo negativan stav prema recesiji, dok je tema kriptovaluta bila jedina s dominantno pozitivnim sentimentom. Ove tehnologije omogućuju bolje predviđanje tržišnih kretanja i ekonomske šokove jer reflektiraju emocionalne reakcije korisnika i ključne ekonomske teme. Time AI pomaže u preciznijem povezivanju javnog mišljenja s makroekonomskim varijablama, što može unaprijediti predviđanja o recesijama i drugim ekonomskim događajima.

Još jedna prednost umjetne inteligencije je ta što omogućuje obradu podataka u stvarnom vremenu, što je ključno za praćenje globalnih tržišta i procjenu ekonomskih kretanja. Zbog naprednih algoritama može integrirati informacije u stvarnom vremenu s povijesnim obrascima te tako pomaže u procjeni trenutnih i budućih utjecaja. Korištenjem satelitskih snimaka, AI može pružiti precizne podatke o gospodarskoj aktivnosti na regionalnoj razini, čak i u slučajevima kada su drugi izvori podataka nepouzdani.

U odnosu na tradicionalne metode, umjetna inteligencija ima izuzetnu prednost uprognoziranju. Pomoću algoritama kao što su neuronske mreže, omogućuje preciznijeprognoze makroekonomskih pokazatelja poput BDP-a, inflacije i stope nezaposlenosti. Zbog ove sposobnosti, AI pomaže kreatorima politika da bolje planiraju ekonomske strategije i prevladaju ekonomske krize. Također, AI sustavi omogućuju simulaciju učinaka različitih ekonomskih politika kroz analize “što-ako”. Primjerice, centralne banke koriste AI za predviđanje učinaka promjena kamatnih stopa na inflaciju, zaposlenost i investicije.

Umjetna inteligencija se pokazuje korisnom i u ranom prepoznavanju znakova potencijalnih ekonomskih kriza. Može identificirati obrasce koji su prethodili financijskim krizama i primijeniti ih na trenutne ekonomske podatke. Na taj način omogućuje prepoznavanje potencijalnih kriza. Ova primjena umjetne inteligencije može biti ključna za pravovremeno poduzimanje mjera koje mogu ublažiti negativne učinke na gospodarstvo.

Dodatno, umjetna inteligencija ima sve važniju ulogu u zelenoj ekonomiji jer omogućuje detaljnu analizu i simulaciju ekonomskih učinaka ekoloških politika, kao što je prijelaz na obnovljive izvore energije. Može predvidjeti kako određene zelene inicijative utječu na različite ekonomske pokazatelje te može analizirati troškove prijelaza na zelene tehnologije.

slika dodira

 

Koristi i rizici primjene umjetne inteligencije u financijskim institucijama

Javni interes za umjetnom inteligencijom kao i broj poslova te inovacija vezano za istu raste. Možemo zaključiti kako umjetna inteligencija povećava produktivnost u mnogim industrijama. Međutim, brzi razvoj umjetne inteligencije sa sobom nosi i određene rizike za financijsku stabilnost.

Jedan od rizika povezan s korištenjem umjetne inteligencije je pristranost algoritma. Sustavi umjetne inteligencije mogu reproducirati pristranosti koje su prisutne u podacima na kojima su trenirani. Ovo može rezultirati nepravednim odlukama u procesima zapošljavanja ili odobravanja kredita što može imati negativne posljedice za korisnike i financijske institucije. Nadalje, postoji rizik tako zvane „halucinacije“ modela, odnosno generiranje netočnih ili lažnih informacija koji se predstavljaju kao činjenice. Takve pogreške mogu narušiti točnost odluka koje financijske institucije donose, primjerice u trgovanju ili upravljanju portfeljima čime se ugrožava financijska stabilnost i povjerenje u sustav.

Pitanje privatnosti podataka ističe se kao jedan od najvećih izazova pri primjeni umjetne inteligencije. Zbog velike količine osjetljivih podatka koje AI sustavi obrađuju, povećava se rizik od curenja podataka ili neovlaštenog pristupa što može rezultirati pravnim i reputacijskim problemima za institucije. Ovo može dodatno ugroziti povjerenje klijenta i stabilnost poslovanja.

Naposljetku, nepredvidivost performansi umjetne inteligencije može predstavljat velik rizik u njezinoj primjeni. Umjetna inteligencija može povećati učinkovitost i smanjiti operativne troškove, ali i dalje je teško predvidjeti kako će se ponašati u novim, odnosno nepoznatim situacijama. Ako sustav umjetne inteligencije donese loše odluke ili bude zlouporabljen, primjerice u financijskim prijevarama ili manipulaciji tržišta, posljedice mogu biti ozbiljne za financijsku stabilnost.

Kako bi se navedeni rizici učinkovito smanjili, potrebna je uska suradnja između financijskih institucija, regulatornih tijela i tehničkih stručnjaka. Potrebne su jasne smjernice i standardi koji će osigurati visoku razinu sigurnosti, privatnosti i transparentnosti u primjeni AI tehnologije.

slika dodira

 

Budućnost Umjetne Inteligencije u Makroekonomskoj Analizi

Za dobro planiranje i provođenje makroekonomske politike poželjno je imati kvalitetne makroekonomske modele, a umjetna inteligencija otvara mnoge mogućnosti za njihovu lakšu i bolju izradu. Algoritmi strojnog učenja su grana umjetne inteligencije, a odlikuje mogućnost prepoznavanja kompleksnih poveznica između varijabli, učenja iz zadanog skupa podataka te mogućnost uključivanja raznih čimbenika koji ne moraju biti ekonomske prirode, poput političke nestabilnosti ili čak meteoroloških čimbenika što omogućava preciznije modeliranje makroekonomskog sustava. Već danas se ti algoritmi primjenjuju u mnogim područjima makroekonomske analize poput analize sentimenta s društvenih mreža, što omogućuje bolja predviđanja tržišnih kretanja i ekonomskih šokova, zatim analizu u stvarnom vremenu, korištenje satelitskih snimaka za mjerenje gospodarske aktivnosti i precizno predviđanje ekonomskih pokazatelja simulaciji ekonomskih politika i ranom otkrivanju signala ekonomskih kriza, dok u zelenoj ekonomiji omogućuju analizu utjecaja ekoloških politika. No, uz sve prednosti koje donosi umjetna inteligencija, postoje i izraženi rizici koje je potrebno razmotriti. Na primjer, pristranost algoritama, “halucinacije” modela, odnosno generiranje netočnih informacija. Privatnost podataka predstavlja ozbiljan izazov zbog rizika od curenja ili neovlaštenog pristupa osjetljivim informacijama. Nepredvidivost performansi AI sustava, osobito u nepoznatim situacijama, može rezultirati lošim odlukama s ozbiljnim posljedicama za financijski sustav. S učinkovitim upravljanjem rizicima, ona ima potencijala postati nezamjenjiv alat za donošenje važnih odluka u makroekonomskoj politici koje mogu doprinijeti prosperitetu svih ljudi.

 

Autori: Mateja Filipović i Lovro Jakić

Izvori: