PREDICTING FINANCIAL CRISIS: THE POTENTIAL OF AI IN GLOBAL MARKETS

Аннотация

This paper reviews how artificial intelligence (AI) and machine learning (ML) techniques have been incorporated into the prediction of financial crises and evaluates their performance relative to econometric models. Most of the existing literature has relied on macro- financial indicators and regression approaches, but the inability to solve nonlinearities, regime changes, and high-dimensional datasets has motivated the use of AI techniques. The review surveys the conceptual and empirical literature of financial crisis forecasting, discusses model classes, and reports new developments in deep learning, hybrid models, and data fusion. Special emphasis is placed on the use of supervised and unsupervised learning, recurrent neural networks (RNN), long short-term memory (LSTM) networks, and transformer architectures, alongside the use of alternative data such as sentiment analysis and media narratives. A separate section assesses the use of scenario-driven geopolitical stress testing in portfolio risk management. In conclusion, the review describes the gaps in methodology and develops new avenues for research in model credibility, generalization across countries and cultures, and real-time update systems for forecasts. This work enhances the academic discourse around crisis forecasting while also enabling financial authorities, institutional market players, and policy decision-makers to devise tools to alert them of potential crises in the context of modern sophisticated and globalized financial systems. Keywords: Financial crisis prediction, Artificial intelligence (AI), Machine learning (ML), Deep learning, Early warning systems, Scenario-based stress testing, Portfolio risk management, Recurrent neural networks (RNN), Long short-term memory (LSTM), Geopolitical risk forecasting, Nonlinear modeling, High-dimensional data, Explainable AI (XAI). ПРОГНОЗИРОВАНИЕ ФИНАНСОВОГО КРИЗИСА: ПОТЕНЦИАЛ ИИ НА МИРОВЫХ РЫНКАХ 1770 ResearchBib IF - 11.01, ISSN: 3030-3753, Volume 2 Issue 4 Аннотация. В этой статье рассматривается, как методы искусственного интеллекта (ИИ) и машинного обучения (МО) были включены в прогнозирование финансовых кризисов, и оценивается их эффективность по сравнению с эконометрическими моделями. Большая часть существующей литературы опиралась на макрофинансовые индикаторы и регрессионные подходы, но неспособность решать нелинейности, изменения режимов и многомерные наборы данных мотивировала использование методов ИИ. В обзоре рассматривается концептуальная и эмпирическая литература по прогнозированию финансовых кризисов, обсуждаются классы моделей и сообщаются новые разработки в области глубокого обучения, гибридных моделей и слияния данных. Особое внимание уделяется использованию контролируемого и неконтролируемого обучения, рекуррентных нейронных сетей (RNN), сетей с долговременной краткосрочной памятью (LSTM) и архитектур трансформаторов, а также использованию альтернативных данных, таких как анализ настроений и медиа- нарративы. В отдельном разделе оценивается использование геополитического стресс- тестирования на основе сценариев в управлении рисками портфеля. В заключение обзор описывает пробелы в методологии и разрабатывает новые направления для исследований в области достоверности моделей, обобщения по странам и культурам, а также систем обновления в реальном времени для прогнозов. Эта работа усиливает академический дискурс вокруг прогнозирования кризисов, а также позволяет финансовым органам, институциональным участникам рынка и лицам, принимающим политические решения, разрабатывать инструменты для оповещения о потенциальных кризисах в контексте современных сложных и глобализированных финансовых систем. Ключевые слова: Прогнозирование финансовых кризисов, Искусственный интеллект (ИИ), Машинное обучение (МО), Глубокое обучение, Системы раннего оповещения, Стресс-тестирование на основе сценариев, Управление портфельными рисками, Рекуррентные нейронные сети (RNN), Долгосрочная краткосрочная память (LSTM), Прогнозирование геополитических рисков, Нелинейное моделирование, Высокомерные данные, Объяснимый ИИ (XAI).