Matematikere udvikler AI til at forudsige markedsrenter

Forskere fra Ateneo de Manila University har udviklet kunstig intelligens (AI) dybe læringsværktøjer, der kan hjælpe med at forudsige pengemarkedsrenter, uvurderlige for beslutningstagere i erhvervslivet og regeringen.

De offentliggjorde deres papir, “Deep Learning nærmer sig i rentesatsering”, 15. november i AIP -konferenceproceduren, Seneste fremskridt inden for materialer og fremstilling: ICRamm2023

Enkelt sagt er markedsrenten omkostningerne ved at låne penge eller belønningen for at spare dem. Dette ændrer sig baseret på udbud og efterspørgsel: Hvis mange mennesker låner, men få sparer, stiger satserne op; Hvis det modsatte sker, går satserne ned. Rentesatserne påvirkes også af inflationen (da højere priser betyder højere renter) såvel som af landenes centralbanker (som justerer satserne for at hjælpe økonomien med at vokse eller kontrollere stigende priser). I det væsentlige hjælper renten med at bestemme, hvordan penge bevæger sig i økonomien.

“Rentesatserne er blandt de vigtigste makroøkonomiske faktorer, der er overvejet af både regerings- og private enheder, når de træffer investerings- og politiske beslutninger. En pålidelig prognose er en nødvendig for sund styring af eksponering for forskellige typer risiko,” forklarede forskerne.

Matematikeren testede to dybe læringsmodeller: flerlags perceptrons (MLP) og vanilje generative modstridende netværk (VGAN). Begge med succes forventede ændringer i filippinsk benchmarkvurdering (BVAL) satser før og under pandemien, der viser modellernes robuste kapacitet til potentielt at forudse økonomiske udsving og markedsforstyrrelser.

Ateneo udvikler AI til at forudsige markedsrenter

MLP er en type kunstigt neuralt netværk, der passerer dataene gennem en række celler, som hver behandler informationen på sin egen måde og tilføjer netværkets samlede forståelse af dataene. Denne metode bruges ofte til billedgenkendelse og maskinoversættelse på grund af dens evne til at finde komplekse mønstre i data.

I mellemtiden består Vgan faktisk af to netværk: en generator, der opretter syntetiske data, og en diskriminator, der evaluerer datas ægthed. Ved at arbejde i modsætning til hinanden – dermed “modstridende” – er netværkene i stand til at forfine og forbedre deres analyser.

Forskerne fandt, at begge modeller producerede pålidelige prognoser for en-, tre-, seks-måneders og et års bval-satser inden for grænserne for de anvendte datasæt. De forudsagde med succes centrale tendenser ved at inkorporere så mange som 16 indenlandske og globale økonomiske indikatorer, herunder inflation, valutakurser og credit standard swaps.

MLP viste stærk ydeevne med færre variabler og enklere strukturer, hvilket gjorde det til et effektivt valg til ligetil analyser. I mellemtiden udmærkede VGAN sig mere i at analysere komplekse scenarier og opnå høj nøjagtighed, når man arbejdede med større datasæt.

De praktiske konsekvenser af disse AI -dybe læringsmodeller er betydelige, ifølge forskerne: finansielle institutioner kan potentielt implementere dem til at styre marked, kredit, likviditet og andre risici; Og regeringer kan også potentielt bruge disse modeller til at optimere gældsudstedelsesstrategier ved at reducere låneomkostninger.

Undersøgelsen fremhæver AI’s voksende rolle i økonomisk beslutningstagning og foreslår at udforske mere avancerede neurale netværksdesign for yderligere at forbedre prognosernes nøjagtighed. Man håber, at virksomheder og beslutningstagere kommer til at omfavne disse teknologier for at få en konkurrencefordel i et hurtigt udviklende datadrevet landskab.