一種人工智能工具可以幫助政府決定是否救助處於危機中的銀行，預測這種幹預從長遠來看是否會給納稅人節省資金。該人工智能工具由倫敦大學學院（UCL）和倫敦瑪麗女王大學的研究人員開發，不僅可以評估救助是否是對納稅人最好的策略，還可以建議應該在銀行投資多少，以及在任何特定時間應該救助哪傢或哪幾傢銀行。
今天（11月17日）將在《自然-通訊》雜志上發表的一篇新論文中詳細介紹這一點。
作者利用歐洲銀行管理局的數據，在被認為對全球金融體系最重要的35傢歐洲金融機構的網絡上測試該算法。然而，它也可以由國傢銀行使用不為公眾所知的詳細專有數據進行使用和校準。
論文的通訊作者Neofytos Rodosthenous博士（UCL數學）說。"政府的銀行救助是復雜的決策，具有金融、社會和政治影響。我們相信我們開發的人工智能方法可以成為政府的一個重要工具，幫助官員評估具體的財務影響--這意味著檢查救助是否符合納稅人的最佳利益，或者讓銀行倒閉是否更劃算。我們的技術可以免費提供給銀行當局，作為他們決策過程中的工具。"
合著者Vito Latora教授（倫敦大學瑪麗皇後學院）補充說："政府和銀行當局也可以使用我們的方法來回顧過去的危機，並獲得寶貴的經驗來指導未來的行動。例如，人們可以回顧英國政府在2007-9年金融危機期間對蘇格蘭皇傢銀行（RBS）的救助，並反思未來如何可能（從財務角度）改進這一做法，以便主要使納稅人受益。"
在銀行救助中，政府對銀行的投資增加銀行的股權，降低銀行的違約風險。如果短期內這種成本導致長期內較低的納稅人損失--即防止對政府財政造成更大損害的銀行違約，對納稅人來說可能是合理的。
在他們的研究中，研究人員創建一個數學框架，從預測納稅人損失的角度來比較不同的救助策略。考慮的因素包括金融危機預計會持續多久，每傢銀行違約的可能性和違約對網絡中其他銀行的影響，以及納稅人在銀行的股權。
研究人員使用一種稱為馬爾科夫決策過程的數學控制過程，將政府在任何特定時間點的幹預效果納入這一框架。
然後，他們開發一個定制的人工智能算法來評估最佳的救助策略，比較不幹預和不同類型的幹預--即對一傢銀行或多傢銀行的不同投資水平--在危機期間的不同時間點。需要一種人工智能技術，因為對這樣一個系統進行建模是非常復雜的，因為系統中所有銀行的未來行為可能是無限的。
在他們使用歐洲銀行管理局的數據進行的案例研究中，他們表明，隻有當納稅人在銀行中的股份大於某個關鍵的閾值時，政府的救助才是最理想的，這一點通過模型確定。一旦損失的百分比超過這個閾值，最優政策就會急劇改變。
此外，研究表明，網絡的困境越大（以銀行股權減少的百分比來定義），危機持續的時間越長，銀行對其他銀行的風險敞口越大（即它們借給其他銀行多少錢，因此如果這些銀行倒閉，它們會有損失），政府的救助就越有利。
據調查者稱，研究表明，一旦一傢銀行獲得救助，對納稅人來說，最好的策略是政府繼續投資於該銀行以防止違約。這可能會導致被救助的銀行缺乏防范風險的動力，可能會增加風險的承擔。
主要作者Daniele Petrone博士說。"迄今為止，銀行經受住當前由COVID-19大流行病引發的經濟風暴。2007-9年全球金融危機後推出的監管措施和中央銀行的寬松貨幣政策避免各行業的破產，從而增強它們的復原力。然而，沒有人能夠預測在中央銀行扭轉以前的政策時對金融系統的影響，如因擔心通貨膨脹而提高利率，因此救助仍是一種可能"。