Negli ultimi anni è diventato sempre più evidente quanto i mercati finanziari possano passare da condizioni di apparente tranquillità a momenti di forte tensione in tempi molto brevi. Gli strumenti tradizionali con cui economisti e autorità di vigilanza cercano di interpretare queste dinamiche, pur utili, spesso non riescono a cogliere la complessità delle relazioni che legano tra loro mercati, valute e flussi di liquidità.
È proprio da questa constatazione che nasce un recente studio di un gruppo di ricercatori internazionali, che ha voluto verificare se l’intelligenza artificiale può offrire un aiuto concreto nel riconoscere in anticipo i segnali che precedono episodi di stress finanziario.
L’obiettivo dello studio, oltre ad indagare la capacità di predire turbolenze future, è stato quello di capire quali meccanismi muovano i mercati nel momento in cui iniziano a mostrare segni di instabilità. Per farlo, i ricercatori hanno applicato strumenti di machine learning a una vasta serie di indicatori legati al funzionamento di mercati cruciali, come quello dei titoli di Stato statunitensi, il mercato monetario e il mercato dei cambi. Per questo scopo è stato utilizzato un algoritmo basato sulle cosiddette “random forest”, un approccio in grado di cogliere sia relazioni lineari sia comportamenti più complessi e non immediatamente evidenti. L’idea era confrontare queste tecniche con i modelli previsionali tradizionali e vedere quale dei due sistemi funzionasse meglio nell’identificare i rischi più gravi, quelli che gli economisti chiamano “rischi di coda”, cioè eventi rari ma con potenziali effetti molto pesanti.
I risultati sono stati piuttosto chiari: l’intelligenza artificiale riesce a individuare queste situazioni con maggiore precisione dei modelli statistici classici, soprattutto nel mercato dei cambi, dove spesso le tensioni emergono prima che in altri segmenti. Gli autori non si sono limitati a misurare la performance di previsione. Utilizzando tecniche che permettono di capire il “peso” delle diverse variabili, hanno mostrato quali indicatori risultano più decisivi, offrendo così una chiave interpretativa che può essere utile a chi deve prendere decisioni operative o regolamentari.
In un approfondimento collegato, i ricercatori hanno testato un approccio ancora più ambizioso: combinare informazioni quantitative con testi provenienti da notizie finanziarie e commenti di mercato. Attraverso l’uso congiunto di reti neurali ricorrenti e grandi modelli linguistici, il sistema ha collegato i movimenti anomali nei dati a ciò che emergeva nei media specializzati.
In altre parole, al sorgere di un segnale di stress — per esempio nel mercato dei cambi tra euro, yen e dollaro — il modello non si è limitato a dire che qualcosa stava andando storto, ma suggeriva anche quali temi stavano diventando più ricorrenti nel dibattito sui media: difficoltà di finanziamento in dollari, tensioni geopolitiche, problemi di liquidità. La ricerca ha scoperto che questo tipo di integrazione tra numeri e contesto narrativo permette di anticipare certe disfunzioni anche con due mesi di anticipo, un margine temporale prezioso per chi deve monitorare la stabilità dei mercati.
Naturalmente gli autori non nascondono i limiti: questi strumenti richiedono molta potenza di calcolo, una grande quantità di dati ben curati e un controllo rigoroso per evitare che il modello impari “troppo”, adattandosi ai dettagli del passato e perdendo capacità predittiva sul futuro. Ma, pur con queste cautele, il messaggio finale è positivo. L’intelligenza artificiale non sostituisce il giudizio umano né i modelli tradizionali, ma può affiancarli e rafforzarli, offrendo segnali più tempestivi e una comprensione più ricca dei fenomeni in atto.
In un periodo in cui i mercati globali sono sempre più interconnessi, strumenti di questo tipo possono diventare un alleato fondamentale per evitare che piccoli segnali trascurati si trasformino in crisi improvvise. È un passo avanti importante verso un monitoraggio della stabilità finanziaria più moderno, più informato e, soprattutto, più tempestivo.
Foto di Tung Nguyen
