MATTER OF CLASS

Finance Tech: Τα big data «κλειδί» της οικονομικής πολιτικής

finance-tech-ta-big-data-kleidi-tis-oikonomikis-politikis-561409033

finance-tech-ta-big-data-kleidi-tis-oikonomikis-politikis0Οι εξελίξεις στον τεχνολογικό κλάδο έχουν καθορίσει, εδώ και αρκετά χρόνια, την πορεία της παγκόσμιας οικονομίας. Μάλιστα, στα τυπικά υποδείγματα παραγωγής η τεχνολογία όχι μόνο θεωρείται ο παράγοντας που επιφέρει πολλαπλασιαστικές επιδράσεις στην παραγωγικότητα τόσο του κεφαλαίου όσο και της εργασίας, αλλά αποτελεί και έναν φυσικό σύμμαχο των φορέων οικονομικής πολιτικής. 

Αν οι θετικές επιδράσεις της τεχνολογίας στην παραγωγική διαδικασία είναι εν πολλοίς γνωστές και αντιληπτές, η δυνατότητα για ανάλυση δεδομένων μεγάλης κλίμακας (big data), η μηχανική μάθηση (machine learning) καθώς και οι τεχνολογίες distributed ledger έχουν βρεθεί στο επίκεντρο της ακαδημαϊκής αλλά και της πολιτικής συζήτησης, διεθνώς, τα τελευταία χρόνια. Φυσικά, οι εξελίξεις στην περιοχή των χρηματοοικονομικών τεχνολογιών προσφέρουν συγκεκριμένα πλεονεκτήματα, τα οποία πρέπει να διαχωρίσουμε από τον αναμενόμενο για κάθε καινοτομία ενθουσιασμό. Αυτό δεν σημαίνει, βέβαια, ότι τα πλεονεκτήματα των επιστημονικών αυτών εξελίξεων μπορούν να υποτιμηθούν. 

Για παράδειγμα, η επιστήμη δεδομένων (big data) προσφέρει την ευκαιρία να γεφυρωθούν οι παραδοχές / υποθέσεις που παίρνουμε στον σχεδιασμό μακροοικονομικής πολιτικής με τις παρατηρήσεις που προσφέρουν οι συμπεριφορές των οικονομικών δρώντων (είτε είναι καταναλωτές, είτε δανειολήπτες, είτε φορολογούμενοι). Ήδη μια τέτοια εξέλιξη πιστοποιείται από τη χρησιμότητα των καταναλωτικών δεδομένων στην ανάλυση της φορολογικής συμμόρφωσης ή στη διαχείριση χρηματοπιστωτικών κινδύνων. Συγκεκριμένα, με τη χρήση δεδομένων μεγάλης κλίμακας φαίνεται ότι μπορούν να κατασκευαστούν μη-παραμετρικά ποσοτικά εργαλεία, τα οποία έχουν πολλές φορές καλύτερη απόδοση στην πρόβλεψη των οικονομικών συμπεριφορών από ό,τι άλλα οικονομετρικά εργαλεία. Ταυτόχρονα, ήδη γίνεται συζήτηση για τη χρησιμότητά τους σε δημόσιες πολιτικές ευρύτερα.

Έτσι, όλο και πιο συχνά, μεγάλα πανεπιστήμια του εξωτερικού εισάγουν ως υποχρεωτικά μαθήματα αυτά που σχετίζονται με ανάλυση δεδομένων μεγάλης κλίμακας. 

Σε αυτό το επιστημονικό πεδίο, η μαθηματική σκέψη και ιδιαίτερα η κατανόηση στοχαστικών πολυμεταβλητών συστημάτων επιτρέπει στον αναλυτή να κατανοεί τις εξελίξεις στις καταναλωτικές συμπεριφορές, στις επενδύσεις και σε σειρά άλλων οικονομικών αποφάσεων. Φυσικά, η γνώση και ο άριστος χειρισμός αντίστοιχων συστημάτων πληροφορικής για ανάλυση δεδομένων (π.χ. R, Python) είναι εκ των ων ουκ άνευ. Ο παραπάνω συνδυασμός ικανοτήτων και γνώσεων είναι αρκετός για την ανάλυση μικροοικονομικών δεδομένων. Για τη γεφύρωση των αναλύσεων των μεγάλων βάσεων δεδομένων με τους σκοπούς της χάραξης μακροοικονομικής πολιτικής, βέβαια, χρειάζεται να υπάρξει ένα ευρύτερο, εν πολλοίς καινοτόμο, πλαίσιο γνώσεων: ο αναλυτής πρέπει να είναι και σε κάποιον βαθμό συμπεριφοριστής.

Συγκεκριμένα, σε μεγάλο βαθμό η οικονομική επιστήμη (ειδικά η μακροοικονομική) βασίστηκε σε παραδοχές σχετικά με τους «οικονομικούς δρώντες». Δύο από αυτές ήταν οι ορθολογικές προσδοκίες και η αντιπροσωπευτικότητα των μέσων όρων, οι οποίες σε μεγάλο βαθμό αλληλεπιδρούν. Με βάση την υπόθεση των ορθολογικών προσδοκιών, οι οικονομικοί δρώντες αναμένεται να λαμβάνουν τις αποφάσεις τους με βάση το ορθολογικό κριτήριο της διαχρονικής μεγιστοποίησης του οφέλους τους. Έτσι, εφόσον η παραδοχή αυτή εξεταστεί με βάση κάποιον μέσο όρο (aggregate data) ενός συνόλου, θα αγνοήσει κρίσιμες παρατηρήσεις που θα βρίσκονται στα άκρα της κατανομής. Αντίστοιχα, εφόσον οι παράγοντες που κινούν τους μέσους όρους καθοδηγούν τις αποφάσεις της οικονομικής πολιτικής, είναι δυνατή η συγκέντρωση μεγάλων καταλοίπων, με αποτέλεσμα την αποτυχία των οικονομετρικών υποδειγμάτων αλλά και των πολιτικών που βασίστηκαν σε αυτά. 

Ανάλυση δεδομένων μεγάλης κλίμακας

Πώς μπορεί να συμβάλει η χρήση δεδομένων μεγάλης κλίμακας αλλά και η μηχανική μάθηση στη βελτίωση των παραπάνω υποδειγμάτων; Με την άρση των προαναφερθεισών παραδοχών και την αντικατάστασή τους από παρατηρήσεις. Για παράδειγμα, η παρατήρηση σε πραγματικό χρόνο (real time) των αποτελεσμάτων των αποφάσεων των οικονομικών δρώντων μπορεί να ενημερώσει για την εξέλιξη μακροοικονομικών μεγεθών πολύ νωρίτερα από ό,τι στο παρελθόν. Ειδικά την περίοδο της πανδημίας, οπότε και οι τυπικές οικονομετρικές εξισώσεις και εκτιμήσεις αποτύγχαναν να εξηγήσουν τα μακροοικονομικά μεγέθη, φάνηκε η χρησιμότητα των εν λόγω εργαλείων, ενώ ήδη φαίνεται να βρίσκουν πεδίο εφαρμογής στις κεντρικές τράπεζες. Τέλος, είναι πλέον κοινό κτήμα η χρησιμότητά τους για τη δημιουργία εργαλείων ποσοτικής ανάλυσης πιστωτικών κινδύνων και κινδύνων της αγοράς. Σε όλα τα παραπάνω αυτονόητη είναι η γνώση μαθηματικών και πληροφορικής, ως προϋπόθεση για την ανάλυση δεδομένων μεγάλης κλίμακας.

Φυσικό επόμενο των παραπάνω είναι η ερώτηση γιατί η μηχανή να μην αντικαταστήσει τον άνθρωπο στη λήψη αποφάσεων. Η απάντηση θα μπορούσε να είναι μια απλή αναδρομή στην ιστορία της ίδιας της ερώτησης. Μια πιο τεκμηριωμένη απάντηση μπορεί να αντλήσει από την ανθρώπινη φύση: είναι αυτή πλήρως ντετερμινιστική; Ή μήπως η στοχαστικότητά της συνεπάγεται την αυτοπαλίνδρομη διαδικασία της κατανόησης του ανθρώπου από τον άνθρωπο; Δηλαδή, με απλά λόγια, μπορεί η μηχανή να μάθει τόσο βαθιά τον άνθρωπο, ώστε να μην έχει ανάγκη από ανθρώπινο χειρισμό; Υπάρχει μια διάσταση του ανθρώπου στην οποία μέχρι στιγμής δεν έχει βρεθεί ακόμα ικανοποιητική μαθηματική επίλυση: η συμπεριφοριστική. 

Έτσι, χρήσιμοι διεπιστημονικοί συνδυασμοί μπορούν να προέλθουν από τη σύζευξη των μαθηματικών, της πληροφορικής, της συμπεριφοριστικής και της χρηματοοικονομικής οικονομετρίας.

Τα παραπάνω απηχούν προσωπικές απόψεις του συντάκτη και δεν θα πρέπει να εκληφθεί ότι αποτελούν θέσεις της Τράπεζας της Ελλάδος και του Ευρωσυστήματος.

*ΠΕΤΡΟΣ ΜΗΓΙΑΚΗΣ, Senior Economist, Head of Banking and Capital Markets, Τράπεζα της Ελλάδος