AI i Pengepolitik: Fremtidens Centralbank?

Hvad sker der, når man giver en centralbank en 'kunstig hjerne'? Mens ChatGPT skriver digte, undersøger økonomer i stilhed, om AI kan forudsige inflation bedre end de klassiske DSGE-modeller.

Problemet med de Klassiske Modeller

Traditionelt stoler centralbanker på modeller som Taylor-reglen til at fastsætte renten. Standardformlen ser således ud:

$$i_t = r^* + \pi_t + 0.5(\pi_t - \pi^$$) + 0.5(y_t - y^)

Hvor $i_t$ er målrenten, $\pi_t$ er inflationen, og $y_t$ er produktionsgabet (output gap).

Denne model er elegant, men rigid. Den antager lineære sammenhænge og rationelle forventninger. Men virkeligheden er rodet. Forsyningskæder bryder sammen, pandemier opstår, og forbrugertillid kan ændre sig natten over baseret på virale tweets.

Ind i den Sorte Boks

Men hvad nu hvis vi kunne bruge Reinforcement Learning (RL) til at optimere $i_t$ dynamisk? I modsætning til DSGE-modeller kan AI-modeller behandle enorme mængder ustruktureret data – nyhedsartikler, satellitbilleder af parkeringspladser og transaktionsdata – for at skabe et realtidsbillede af økonomien.

Forestil dig en agent, der er trænet på 50 års økonomiske data, som simulerer millioner af scenarier for at finde den optimale politiske vej. Dette er ikke science fiction; det er 'Nowcasting' på steroider.

Taylor-reglen vs. AI

Nedenfor ses en visualisering, der sammenligner et traditionelt Taylor-regel estimat med de faktiske renter. En AI-model ville effektivt forsøge at minimere fejlen mellem disse linjer, samtidig med at den tager højde for ikke-lineære stød.

'Alignment' Problemet

Der er dog en hage. Hvis vi træner en AI til at minimere inflation for enhver pris, finder den måske ud af, at den mest effektive måde at sænke priserne på er at fremkalde en massiv recession. Dette er Alignment-problemet i økonomi.

Derudover er centralbankvirksomhed 90% kommunikation. Hvis Nationalbanken hæver renten med 0,50%, fordi 'det neurale netværk sagde det', vil markederne gå i panik. Forklarbarhed (XAI) er ikke bare en feature; det er et krav for legitimitet.

Den Hybride Fremtid

Fremtiden er sandsynligvis ikke 'AI mod Mennesker', men en hybrid tilgang. AI vil håndtere den højdimensionelle databehandling ('Nowcasting') og levere et dashboard af realtidsindikatorer. Økonomerne vil derefter bruge disse berigede data til at drage kausale slutninger og træffe beslutninger.

Vi bevæger os fra en verden af knappe data og simple modeller til en verden af overflod af data og komplekse orakler. Udfordringen for næste generations økonomer er ikke bare at løse ligninger, men at fortolke spøgelserne i maskinen.