Prevedere quando i mercati finanziari entreranno in difficoltà è da sempre un obiettivo ambizioso per economisti, banche centrali e investitori. Le crisi infatti sono rare, difficili da modellare e spesso si manifestano in forme inedite, rendendo poco efficaci gli strumenti tradizionali di previsione. Proprio per questo la Banca dei Regolamenti Internazionali (BIS) ha pubblicato un nuovo studio che esplora come le più recenti tecniche di intelligenza artificiale possano aiutare a individuare per tempo segnali di stress nei mercati globali e aiutare così le autorità a garantirne la stabilità finanziaria.
Il paper, firmato da un team di economisti della BIS insieme a ricercatori accademici e di banche centrali, propone un approccio innovativo che combina due strumenti: le reti neurali ricorrenti (RNN) e i large language model (LLM). Le prime servono a elaborare grandi quantità di dati numerici e a produrre previsioni sul funzionamento dei mercati; i secondi, invece, aiutano a interpretare e contestualizzare quei segnali, analizzando enormi volumi di notizie e testi finanziari.
L’analisi si concentra su un indicatore molto specifico: le deviazioni dalla triangular arbitrage parity (TAP) nel cambio euro-yen. In condizioni normali, queste differenze di prezzo dovrebbero azzerarsi quasi istantaneamente, perché gli arbitraggi – ossia la pratica di sfruttare differenze di prezzo sullo stesso bene o valuta in mercati diversi – eliminano ogni discrepanza. Quando però persistono, possono segnalare frizioni di liquidità e disfunzioni più ampie. Utilizzando più di cento variabili di mercato come input, il modello BIS riesce a prevedere, con un orizzonte di 60 giorni, i periodi in cui le deviazioni TAP tenderanno ad ampliarsi — una sorta di “canarino nella miniera” che anticipa momenti di turbolenza.
I risultati sono incoraggianti. Nelle simulazioni condotte su 3 anni e mezzo di dati (2021–2024), il modello ha identificato con successo fasi di crescente stress, compreso l’episodio della crisi bancaria del marzo 2023. Rispetto ai tradizionali modelli autoregressivi, le reti neurali offrono previsioni meno rumorose e più mirate, che permettono di distinguere meglio i veri segnali dai falsi allarmi.
Un aspetto particolarmente interessante è la trasparenza introdotta dal meccanismo di pesatura dinamica delle variabili: il modello non solo segnala il rischio, ma indica anche quali fattori stanno assumendo maggiore importanza in quel momento. Su questa base, gli autori mostrano come un LLM possa essere guidato a cercare nelle notizie elementi di contesto relativi proprio a quei fattori, trasformando previsioni statistiche in narrazioni comprensibili per policymaker e autorità di vigilanza.
In definitiva la ricerca, lungi dal voler offrire uno strumento definitivo, apre la strada a un nuovo approccio per il monitoraggio della stabilità finanziaria: un’analisi ibrida, dove l’intelligenza artificiale quantitativa e quella linguistica collaborano per fornire segnali precoci e spiegazioni concrete.
Foto di Pete Linforth
