Aplicațiile tehnicilor de învățare automată în activitatea de cercetare a băncilor centrale din Uniunea Europeană

Noile tehnologii permit colectarea unui volum foarte mare de date care a început să genereze un interes în creștere în scopul extragerii de informații și pentru tehnicile specifice pentru analiza acestora, respectiv, inteligența artificială (engl. artificial intelligence).

Instrumente care folosesc inteligența artificială își fac tot mai mult loc în viața de fiecare zi în arii precum roboții de conversație, aplicații de traducere, vehiculele autonome, sistemele de recomandare din comerțul online sau analiza imaginilor și datelor medicale. Fondatorii domeniului inteligenței artificiale și cei care au introdus acest termen sunt considerați John McCarthy, Marvin Minski, Nathaniel Rochester și Claude E. Shannon care în anul 1955 au propus un proiect de cercetare pentru anul 1956 în cadrul Darmouth College prin care „mașinile să folosească limbajul, să formeze noțiuni abstracte și concepte, să rezolve probleme rezervate oamenilor și să aibă capacitatea de îmbunătățire a rezultatelor” (McCarthy et al., 1955). În anul 1956 Allen Newell și Herbert A. Simon (laureat al Premiului pentru științe economice al Academiei Regale de Științe a Suediei) au elaborat un program informatic care era capabil să rezolve o problemă matematică în logica simbolică, apropiat de modul uman de rezolvare a problemelor (Newell și Simon, 1956). Deși domeniul a fost deschis de aproape șapte decenii, a cunoscut un nou avânt după anul 2010 pe fondul expansiunii capacității de calcul și pe măsură ce au devenit disponibile seturi de date de mari dimensiuni (engl. big data).

În timp ce întrebări filosofice precum existența conștiinței la nivelul mașinilor sau cele pragmatice cu privire la potențialul efect perturbator al folosirii mai intense a inteligenței artificiale asupra pieței muncii rămân deschise, tehnicile din domeniu continuă să avanseze și să fie inserate în tot mai multe zone. Băncile centrale nu sunt o excepție, fiind deja folosite tot mai mult instrumente de inteligență artificială în activitatea de cercetare care susține în general deciziile de politică. Această secțiune prezintă câteva dintre ideile principale referitoare la metodele de machine learning și dintre aplicațiile acestor tehnici în activitatea de cercetare din băncile centrale.

Despre ce vorbim când vorbim despre machine learning

Cu fondatori informaticieni și economiști, domeniul inteligenței artificiale pune împreună noțiuni din informatică și inginerie. Învățarea automată (engl. machine learning) este acea componentă a inteligenței artificiale care utilizează metode statistice pentru a descoperi, a „învăța” tipare în datele de intrare (care pot fi numerice, imagini, cuvinte, etc.) care sunt folosite pentru a elabora predicții (numerice sau sub formă de clasificare).

Econometria, la care se face apel în cercetarea aplicată la nivelul băncilor centrale, folosește date și modele statistice pentru a susține teoriile economice, dând posibilitatea cuantificării impactului pe care modificarea unei variabile îl are asupra altei variabile și pentru a formula prognoze pe baza acestora, aspecte de care sunt interesați în mod deosebit decidenții. Învățarea automată este un domeniu înrudit, care utilizează algoritmi (seturi de instrucțiuni) și mecanisme pentru ajustarea erorilor, având același scop final de construire a predicțiilor. Forma legăturii dintre datele de intrare și rezultate influențează modul în care este abordată analiza acestora. În cazul în care forma acestei legături este cunoscută, este necesar un proces statistic de cuantificare a parametrilor acestui model. În măsura în care această legătură nu este cunoscută, devine necesară implementarea unui proces care să descopere părțile repetitive, tiparele din datele de intrare, fiind mai potrivit a se utiliza tehnici de învățare automată.

Tehnicile de machine learning au fost perfecționate pe măsură ce au devenit disponibile surse de date de mari dimensiuni care implică ajustarea instrumentelor pentru analiza acestora. Big data se referă în general la seturi de date care nu au doar un volum mai mare și eșantioane mai extinse comparativ cu seturile tradiționale de date, ci prezintă și un grad mai ridicat de detaliere a informațiilor, sunt actualizate mai rapid și prezintă frecvențe mai ridicate (de exemplu, frecvența zilnică), au formate diverse (de exemplu, numerice, imagini, text) și pot avea o anumită valoare comercială[1]. Din aceste caracteristici ale big data provin anumite avantaje ale utilizării tehnicilor de machine learning, inclusiv la nivelul băncilor centrale. În măsura în care viteza de actualizare a big data și/sau frecvența observațiilor disponibile sunt considerabil mai ridicate, folosirea acestora dă posibilitatea informării în timp util a decidenților cu privire la evoluțiile economice curente și la dezvoltările viitoare. În plus, tehnicile de machine learning au potențialul de a surprinde relații complexe între variabilele de interes și de a automatiza anumite procese repetitive.

Tehnicile de machine learning pot oferi informații complementare celor oferite de sursele de date și modelele mai tradiționale, trăsătură ce poate fi în mod deosebit utilă în perioadele caracterizate de incertitudini sau evenimente neobișnuite, ca de exemplu pandemia sau războiul din Ucraina. Este importantă idea de a construi portofolii de abordări și modele la dispoziția analiștilor pentru a putea surprinde și cuantifica diverse aspecte particulare ale evoluțiilor economice.

Există câteva dintre tehnicile de machine learning care se pretează în mod deosebit pentru abordarea problematicii specifice ariei de competențe a băncilor centrale.

Rețelele neuronale (engl. neural networks) reprezintă una dintre clasele de metode din cadrul machine learning și sunt modele inspirate de modul în care funcționează în biologie legăturile între neuroni la nivelul creierului. Aceste modele sunt constituite din straturi (engl. layers) de noduri (neuroni artificiali) care sunt conectate cu alte noduri, asemănător modului în care neuronii din biologie sunt conectați prin sinapse. Legăturile dintre noduri conțin anumite ponderi (engl. weights) și primesc informație din datele de intrare și/sau de la alți neuroni. Există trei tipuri de straturi de noduri: stratul de intrare care conține datele de intrare, straturile intermediare, „ascunse” (engl. hidden layers) în care este prelucrată majoritatea informației și, respectiv, stratul în care sunt calculate rezultatele. Numărul de straturi, numărul de noduri din fiecare strat și modul în care circulă informația între aceste componente (unidirecțional sau bidirecțional) alcătuiesc arhitectura rețelei neuronale. Astfel, arhitectura rețelei neuronale generează o legătură complexă și neliniară între datele de intrare și rezultate.

Un alt termen des întâlnit în legătură cu învățarea automată este deep learning. Această noțiune este o componentă a învățării automate care se referă la rețele neuronale care au în structura lor mai multe straturi intermediare de noduri, permițând astfel surprinderea unor interacțiuni complexe în cadrul modelului. Profunzimea (engl. deep) se referă la complexitatea structurii și nu la o potențială capacitate de a surprinde anumite nuanțe din date care ar fi ușor detectate de oameni (de exemplu, sarcasmul).

Obținerea rezultatului final pe baza rețelelor neuronale este un proces iterativ care presupune actualizarea ponderilor astfel încât erorile de predicție să fie cât mai reduse. Pe parcursul acestui proces de „antrenare a rețelei neuronale” (engl. training the neural network) modelul permite „descoperirea” treptată a parametrilor, a tiparelor din datele de intrare, care sunt folosiți pentru obținerea predicției conform problemei care trebuie rezolvate.

Modele de arbori decizionali (engl. decision trees) împart întregul set de date în subgrupe prin identificarea celei mai importante variabile care generează această diviziune. Sunt modele ierarhice, ce pot fi redate ca diagrame asemănătoare arborilor, care conțin noduri rădăcină (engl. root nodes), ramuri (engl. branches), noduri interne intermediare (engl. internal nodes) și noduri unde se calculează rezultatele (engl. leaf nodes). Acest tip de abordare se poate utiliza atât pentru modele de clasificare, cât și pentru modele de regresie. Pentru a spori robustețea, rezultatele obținute pe baza arborilor decizionali se pot combina în modele de tip random forests.

Provocările folosirii metodelor de machine learning țin în general de costurile considerabile, atât umane, cât și materiale privind implementarea sistemelor informatice și de cele legale referitoare de exemplu la confidențialitatea datelor. Riscuri pot proveni și din alte surse, cum ar fi calitatea datelor, de exemplu cu privire la reprezentativitatea eșantioanelor utilizate.

O idee des vehiculată în legătură cu învățarea automată este aceea de „cutie neagră” (engl. black box). Acest termen este specific modelelor de rețele neuronale pentru a reflecta opacitatea din jurul proceselor care au loc în demersul de obținere a rezultatelor. Concret, cutia neagră se referă la faptul că tiparele care sunt identificate de către aceste modele nu sunt ușor interpretabile și utilizabile pentru a explica predicțiile rezultate, făcându-se în acest sens referire la conceptul de explicabilitate (engl. explainability). Această particularitate a generat ca, în paralel cu rafinarea metodelor de rețele neuronale să aibă loc eforturi pentru ca rezultatele obținute pe baza acestora să devină mai „interpretabile”. În acest context, una dintre abordări este de a calcula valorile Shapley (engl. Shapley values) – o modalitate de cuantifica contribuția variabilelor la predicție în cazul modelelor neliniare.

Un alt aspect care poate induce riscuri în folosirea metodelor de învățarea automată este legat de confidențialitatea datelor. În efortul de anonimizare a datelor de intrare pe baza cărora sunt „antrenate” modelele de învățare automată și mai extins de inteligență artificială, se ridică tot mai des problema adaptării legislației astfel încât să nu poată fi identificată informația la nivelul fiecărui individ sau entitate.

Teme abordate de băncile centrale cu ajutorul metodelor de machine learning

1. Construcția unor indicatori pentru măsurarea unor aspecte relevante ale activității economice

Printre aplicațiile care au la bază rețelele neuronale sunt tehnicile de procesare a limbajului (engl. natural language processing) care au scopul de a extrage informații din date de tip text, de a structura informația și de a construi un răspuns pe baza acestei informații. Aceste tehnici sunt folosite în general pentru detectarea tonului sau sentimentului textului (de exemplu, pozitiv, negativ, neutru) și pentru extragerea rezumatelor, ideilor principale și cuvintelor cheie. Indicatorii astfel construiți sunt apoi utilizați pentru detectarea impactului asupra variabilelor macroeconomice relevante, precum inflația, consumul sau alte variabile financiare.

A]. Indicatori privind blocajele în lanțurile de producție

Întreruperile din lanțurile de producție reprezintă unele dintre cauzele care afectează evoluția inflației și cer o monitorizare constantă, în special în noul context geopolitic generat de războiul din Ucraina. Burriel et al., 2023 au dezvoltat un nou indicator disponibil cu frecvență lunară privind blocajele ofertei agregate utilizând analiza textelor din articole din ziare pentru câteva dintre economiile importante ale lumii (Statele Unite, Marea Britanie, Germania, Franța, Italia, Spania și China). Pentru validarea căutărilor cuvintelor specifice referitoare la blocajele din lanțurile de producție este utilizat instrumentul Word Embedding[2] care are la bază modele de rețele neuronale care au potențialul de a surprinde similitudinile semantice dintre grupurile de cuvinte. Analiza econometrică relevă că aceste blocaje au efecte semnificative asupra producției industriale, ocupării forței de muncă și prețurilor.

B]. Indicatori privind incertitudinea

Perioadele recente au fost marcate de mai multe episoade de incertitudine ridicată care afectează în sens negativ cererea de consum, deciziile de investire, schimburile comerciale cu exteriorul și piețele financiare. Înțelegerea mai bună a surselor de incertitudine din economie aduce informații valoroase pentru decidenții de politică. Tehnica Latent Dirichlet Allocation[3] (LDA) are la bază tot modele de rețele neuronale și dă posibilitatea grupării sau clasificării textelor în funcție de subiectul tratat și, respectiv, a subiectului în funcție de cuvintele predominante.

Una dintre sursele de date de tip text utilizată o reprezintă ziarele publicate în diferite state. Azqueta-Gavaldón et al., 2020 au construit un indicator al incertitudinii utilizând tehnica LDA și articole de știri din cele mai importante ziare din Germania, Franța, Italia și Spania în scopul extragerii câtorva surse ale incertitudinii, de exemplu, de natură monetară, fiscală, geopolitică, etc. Rezultatele relevă perioadele cu incertitudine sporită și surse diferite ale incertitudinii care afectează investițiile pentru fiecare stat analizat. O abordare tehnică apropiată este utilizată și de Garcia-Uribe et al., 2021 pentru analizarea incertitudinii și surselor sale din perioadele istorice mai îndepărtate în cazul Spaniei. Andres-Escayola et al., 2022 aprofundează problematica surselor indicatorilor de incertitudine derivați din date de tip text arătând că ziarele locale și cele străine furnizează informații similare și subliniază necesitatea utilizării unui set mai extins de ziare pentru a asigura robustețea rezultatelor. Ostapenko, 2020 extrage un indicator privind sentimentul la nivelul gospodăriilor populației utilizând principalele ziare din statele Unite. Rezultatele arată că știrile referitoare la diverse subiecte economice influențează așteptările gospodăriilor privind evoluția ratelor dobânzilor, inflației și, respectiv, șomajului.

Incertitudinea are efecte inclusiv asupra evoluției piețelor financiare. Moreno Pérez și Minozzo, 2022a construiesc un indice privind incertitudinile referitoare la pandemie și, respectiv, la războiul comercial și arată că acesta explică mare parte din evoluțiile de pe piețele financiare din Statele Unite din perioada 2019 – 2020.

O sursă alternativă de date de tip text o constituie minutele publicate de băncile centrale. Moreno Pérez și Minozzo, 2022b și 2022c au construit indicatori ai incertitudinii derivați din textele minutelor pentru cazul Mexicului și, respectiv, al Braziliei și arată că sporirea incertitudinii are impact asupra ratelor dobânzilor și cursului de schimb.

Agregatorul de știri financiare Bloomberg și rețeaua Twitter pot oferi surse de extragere a indicatorilor privind incertitudinea consumatorilor cu privire la politicile economice,
la frecvență zilnică. Impactul incertitudinii este evaluat a fi semnificativ pentru evoluția plăților cu cardurile de debit, care la rândul său constituie o bună aproximare a dinamicii consumului privat (Ardizzi et al., 2019).

C]. Indicatori privind riscurile financiare

Deoarece China reprezintă una dintre cele mai mari economii ale lumii, interesul pentru obținerea de informații în timp util despre evoluțiile conjuncturale este foarte ridicat. Pe baza unui număr foarte mare de articole din ziare și aplicând metoda LDA Al-Haschimi et al., 2023 au elaborat un indicator global al riscurilor financiare din China și sub-indici pentru a detecta și cuantifica sursele acestor riscuri. Indicatorul global este utilizat pentru a evalua impactul sporirii riscurilor financiare din China asupra evoluțiilor economice intern și, respectiv, economiei globale.

D]. Indicatori privind complexitatea sistemului de reglementare

Complexitatea sistemului de reglementare are impact asupra eficienței economice,
care la rândul său influențează potențialul economic pe termen lung. De Lucio și
Mora-Sanguinetti, 2021 au elaborat un indicator al complexității sistemului de reglementare din Spania utilizând tehnici de procesare a limbajului. Rezultatele arată că majorarea nivelului de complexitate afectează în mod negativ productivitatea muncii.

E]. Indicatori referitori la evoluția anticipațiilor privind inflația

Angelico et al., 2021 utilizează postările din Twitter pentru a extrage așteptările consumatorilor privind evoluția inflației utilizând tehnica LDA. Indicatorul a fost calculat la frecvența zilnică și are performanțe predictive bune pentru măsurile privind anticipațiile inflaționiste obținute pe baza sondajelor.

2. Elaborarea prognozelor macroeconomice

Criza pandemică a accentuat în particular nevoia de a obține în timp foarte scurt informații despre starea economiei și sectoarele afectate, în special când nu sunt încă disponibile datele la frecvența lunară sau trimestrială. Una dintre variabilele țintă predilecte este PIB, evoluția acestuia reflectând dimensiunea presiunilor inflaționiste provenite din partea cererii agregate.

A]. Prognoze pe termen scurt pentru produsul intern brut

Una dintre abordările privind modelele de proiecție pe termen scurt se referă la reducerea dimensionalității setului de date care păstrează însă suficientă informație pentru elaborarea prognozelor (engl. shrinkage methods). Alte abordări se referă la utilizarea arborilor decizionali prin care se obțin predicții pe baza apartenenței la un anumit grup în funcție de anumite caracteristici. Kant et al., 2022 aplică aceste metode pentru prognozele pe termen scurt pentru PIB în cazul Regatului Țărilor de Jos, rezultatele indicând o performanță predictivă superioară a modelelor bazate pe arbori decizionali comparativ cu alte metode în perioadele de după criza financiară. Ferrara și Simoni, 2019 folosesc tehnici de reducere a dimensionalității setului de date și căutările Google pentru proiecțiile pe termen scurt ale PIB din zona euro, rezultatele indicând o performanță predictivă mai bună pentru proiecțiile pentru trimestrul curent (când datele oficiale nu sunt încă disponibile, engl. nowcasting).

Pe baza modelului de prelucrare a limbajului LDA van Dijk și de Winter, 2023 compun un indicator al sentimentului utilizând texte din ziare financiare, care pot oferi informații despre situația economică curentă mai timpuriu decât sondajele de opinie publicate de DG ECFIN. Rezultatele indică o performanță predictivă superioară în cazul în care este utilizat alături de alți indicatori în cadrul unui model cu factori comuni dinamici, în particular pentru proiecțiile pentru trimestrul curent.

Ashwin et al., 2021 construiesc un indicator al sentimentului la frecvență zilnică pe baza celor mai importante ziare din zona euro, alternativă la alți indicatori existenți la frecvența lunară. Acest indicator este util pentru prognoza PIB din zona euro, în special în prima parte a trimestrului când alți indicatori nu sunt încă publicați. Acest indicator oferă semnale timpurii ale magnitudinii declinului economic pentru două șocuri cum au fost „Marea Recesiune” (engl. Great Recession) și „Marea Închidere” a economiei generată de pandemie (engl. Great Lockdown) în cazul proiecțiilor realizate pe baza unor modele de machine learning.

B]. Prognoze pentru fluxurile comerciale

Chinn et al., 2023 utilizează un set extins de date pentru obținerea proiecțiilor fluxurilor comerciale globale utilizând metode de învățare automată de tip regresie și arbori decizionali pe baza unei preselecții prealabile a variabilelor. Rezultatele arată că performanțele predictive ale modelelor care utilizează metode de învățare automată de tip regresie sunt mai ridicate comparativ cu cele bazate pe arbori decizionali sau cu cele bazate pe alte tipuri de modele ne-liniare, în special pentru nowcasting.

C]. Prognoze sectoriale

Sursele de date non-standard au început să fie deja investigate și utilizate la nivelul băncilor centrale. d’Aspremont et al., 2023 folosesc imagini în spectrul infraroșu, oferite de sateliți, ale căldurii emise de fabrici de ciment, care sunt prelucrate cu ajutorul unor modele de rețele neuronale care permit recunoașterea imaginilor. Datele obținute sunt utilizate apoi pentru proiecțiile producției de ciment în cazul unor state care sunt producători importanți. Indicatorii astfel obținuți sunt apoi folosiți pentru prognozele aferente activității în sectorul construcțiilor, inclusiv pe baza unor modele din sfera învățării automate, rezultatele indicând o acuratețe mai ridicată a prognozelor comparativ cu alți indicatori folosiți în mod uzual.

D]. Prognoze privind ratele dobânzilor

Hinterlang, 2020 și Hinterlang și Tänzer, 2021 utilizează o suită de modele având specificații liniare și neliniare pentru prognoza ratei dobânzii FED (engl. federal funds rate). Rezultatele arată că modelele de machine learning oferă proiecții pe termen scurt mai precise comparativ cu cele obținute pe baza altor modele cu specificații liniare și neliniare.

3. Comunicarea la nivelul băncilor centrale

Modul în care băncile centrale comunică deciziile sale poate constitui un instrument suplimentar care să ghideze formarea așteptărilor agenților economici cu privire la evoluția inflației. Astuti et al., 2021 folosesc tehnici de prelucrare a limbajului pentru extragerea „tonului” (restrictiv sau acomodativ) comunicatelor de politică monetară în cazul Cehiei, Poloniei și Ungariei și arată că acesta are un impact semnificativ asupra anticipațiilor agenților economici și evoluțiilor de pe piețele financiare, întărind evidențele mai recente în care comunicarea la nivelul băncii centrale este un instrument puternic la îndemâna băncilor centrale moderne.

Băncile centrale anunță schimbările în ceea ce privește conduita politicii monetare în cadrul conferințelor de presă organizate după adoptarea deciziilor, de regulă, între 8 și 12 ori pe an. Pe baza analizei unui set extins de documente publicate de Banca Centrală Europeană în perioadele dintre conferințele de presă Marozzi, 2021 construiește un indicator al conduitei politicii monetare utilizând tehnica LDA. Acest indicator oferă și posibilitatea urmăririi în timp real a conduitei politicii monetare între două conferințe de presă ale băncii centrale. Rezultatele arată că prognozele ratelor dobânzii de politică monetară a BCE bazate pe modele cu factori comuni dinamici care utilizează și acest indicator oferă performanțe predictive mai bune decât cele bazate de reguli de tip Taylor. Pavelkova, 2022 arată de asemenea că partea de introducere la conferința de presă a BCE furnizează un instrument puternic pentru transmiterea mesajelor băncii centrale.

Apel et al., 2019 analizează minutele și transcrierile discuțiilor din cadrul FOMC pe baza unor tehnici de prelucrare a limbajului pe o perioadă îndelungată de timp pentru a extrage “tonul” restrictiv sau acomodativ arătând că este asociat cu viitoare întăriri, respectiv relaxări ale conduitei de politică monetară. În plus, este indicat că nivelul de armonizare între membrii tinde să crească înainte de perioadele de întărire a conduitei politicii monetare. Bertsch et al., 2022 folosesc de asemenea tehnici de prelucrare a limbajului pentru extragerea de informații din discursurile oficialilor Fed. Rezultatele indică înclinația mai pronunțată în perioadele de conduită restrictivă a politicii monetare ca discuțiile să se îndrepte către problematica stabilității financiare comparativ cu perioadele de conduită acomodativă.

4. Supraveghere și stabilitate financiară

Instrumentele pentru semnalizarea apariției crizelor financiare sunt de interes pentru preocupările din sfera stabilității financiare. Bluwstein et al., 2021 utilizează modele de tip arbori decizionali și rețele neuronale pentru detectarea episoadelor de criză financiară pentru o perioadă lungă de timp în cazul a 17 state dezvoltate, rezultatele indicând o performanță de predicție superioară modelelor standard de regresie. Autorii identifică și factorii care tind să aibă o contribuție semnificativă la apariția crizelor financiare, respectiv, modificarea creditului neguvernamental și curba randamentelor pe baza valorilor Shapley. Mihai et al., 2021 folosesc metode de învățare automată pentru cuantificarea probabilității apariției unei crize bancare în cazul României, indicând o valoare redusă în perioadele anterioare anului 2019. Pe de altă parte, Beutel et al., 2018 nu identifică îmbunătățiri substanțiale ale performanței predictive a modelelor de învățare automată comparativ cu modelele mai tradiționale de cuantificare a probabilității apariției crizelor bancare în ultima jumătate de secol. Drudi și Nobili, 2021 folosesc trei metode de învățare automată ale căror prognoze sunt combinate pentru obținerea unor proiecții mai robuste în ceea ce privește probabilitatea de apariție a unei crize de lichiditate la nivelul băncilor comerciale italiene, arătând că oferă performanță predictivă mai bună decât cele ale unor modele de regresie mai tradiționale.

Una dintre preocupările privind supravegherea și stabilitatea financiară se referă la identificarea băncilor aflate în dificultate. Bräuning et al., 2019 folosesc modele de arbori decizionali și un set mai extins de indicatori specifici pentru clasificarea pe categorii a băncilor. Această abordare permite și identificarea mai timpurie și o perioadă relativ mai extinsă pentru intervenția din partea autorității. În contextul mai extins al identificării entităților cu probabilitate mai ridicată de a intra în incapacitate de plată (engl. default), Moscatelli et al., 2019 analizează 300 de mii de firme italiene pe baza unor modele de arbori decizionali și arată că acestea au performanțe predictive superioare modelelor statistice în cazul utilizării unor date publice ca variabile explicative. Petropoulos et al., 2023 folosesc câteva metode de învățare automată pentru clasificarea calității portofoliului de credite ale companiilor grecești și pentru cuantificarea probabilității de default în perioada pandemiei și identifică performanțe predictive bune ale prognozelor bazate pe aceste modele.

Autoritățile de supraveghere evaluează modelele de risc folosite de băncile comerciale. Una dintre problematicile acestei activități fiind evaluarea costurilor acestui demers. Alonso și Carbó, 2020 utilizează câteva specificații de modele de învățare automată, indicând că acestea oferă performanțe predictive superioare comparativ cu cazul în care se folosesc modele statistice tradiționale pentru detectarea cazurilor de default.

Bibliografie

[1]                      În multe cazuri este făcută referire la trei caracteristici majore ale big data: volum, viteză și valoare.

[2]                      Metoda a fost propusă de Mikolov et al., 2013.

[3]                      Metoda a fost propusă de Blei et al., 2003.