Σε μια περίοδο αυξημένης οικονομικής και γεωπολιτικής αβεβαιότητας, η Ευρωπαϊκή Κεντρική Τράπεζα (ΕΚΤ) στρέφεται ολοένα και περισσότερο στην τεχνητή νοημοσύνη για να ενισχύσει την ανάλυση και την πρόβλεψη του πληθωρισμού.
Νέα εργαλεία βασισμένα στη μηχανική μάθηση επιτρέπουν στους οικονομολόγους να αξιολογούν σε πραγματικό χρόνο όχι μόνο την αναμενόμενη πορεία των τιμών, αλλά και τους κινδύνους από αποκλίσεις προς τα πάνω ή προς τα κάτω.
Καθώς οι τιμές επηρεάζονται όλο και πιο έντονα από απρόβλεπτους παράγοντες, η παραδοσιακή προσέγγιση που βασίζεται σε ένα «βασικό σενάριο» δεν επαρκεί. Οι κεντρικές τράπεζες χρειάζονται πλέον μια πιο σύνθετη εικόνα, που να αποτυπώνει το εύρος πιθανών εξελίξεων. Μέχρι σήμερα, η ανάλυση αυτή στηριζόταν είτε σε εκτιμήσεις ευαισθησίας της αγοράς είτε σε οικονομικά μοντέλα με περιορισμένο αριθμό μεταβλητών και αυστηρές υποθέσεις.
Όπως αναφέρεται σε blog της Ευρωπαϊκής Κεντρικής Τράπεζας η νέα προσέγγιση της ΕΚΤ αξιοποιεί ένα μοντέλο μηχανικής μάθησης, γνωστό ως quantile regression forest (QRF), το οποίο μπορεί να επεξεργάζεται μεγάλο όγκο δεδομένων και να εντοπίζει πολύπλοκα και μη γραμμικά μοτίβα. Το εργαλείο αυτό δεν παράγει μόνο προβλέψεις για τον πληθωρισμό, αλλά και μια ολοκληρωμένη εκτίμηση των κινδύνων που τον περιβάλλουν, λαμβάνοντας υπόψη πλήθος οικονομικών δεικτών, όπως οι μισθοί και οι προσδοκίες τιμών.
Από τα τέλη του 2022, το μοντέλο έχει ενταχθεί στο ευρύτερο αναλυτικό οπλοστάσιο της ΕΚΤ και χρησιμοποιείται ήδη για τη διαμόρφωση βραχυπρόθεσμων προβλέψεων. Παράλληλα, προσφέρει σημαντικές ενδείξεις για τους παράγοντες που επηρεάζουν τον πληθωρισμό. Το 2025, για παράδειγμα, οι αυξήσεις των μισθών και οι προσδοκίες για τις τιμές πώλησης αναδείχθηκαν ως καθοριστικοί παράγοντες για την εξέλιξη του δομικού πληθωρισμού.
Ιδιαίτερα πολύτιμη αποδείχθηκε η συμβολή του εργαλείου σε περιόδους έντονων διακυμάνσεων μετά την πανδημία, όταν τα παραδοσιακά μοντέλα δυσκολεύονταν να ερμηνεύσουν αντικρουόμενα οικονομικά σήματα. Το QRF κατάφερε να εντοπίσει έγκαιρα κινδύνους πληθωρισμού σε επιμέρους συνιστώσες, παρέχοντας πιο αξιόπιστες ενδείξεις για τις μελλοντικές εξελίξεις.
Η σύγκριση των προβλέψεων του μοντέλου με τις επίσημες εκτιμήσεις της ΕΚΤ για το 2025 δείχνει ότι τα σήματα κινδύνου ήταν συχνά ακριβή. Σε περιπτώσεις όπου το μοντέλο υποδείκνυε αυξημένο κίνδυνο ανόδου, ο πληθωρισμός τελικά ξεπέρασε τις προβλέψεις, επιβεβαιώνοντας την αξία της νέας μεθοδολογίας. Παράλληλα, η ακρίβεια των προβλέψεων βελτιωνόταν όσο προστίθεντο νέα δεδομένα μέσα στο τρίμηνο.
Η εμπειρία της ΕΚΤ υπογραμμίζει ότι τα εργαλεία τεχνητής νοημοσύνης δεν αντικαθιστούν τα παραδοσιακά οικονομικά μοντέλα, αλλά λειτουργούν συμπληρωματικά, ενισχύοντας την κατανόηση των κινδύνων και των δυναμικών της οικονομίας. Με τη δυνατότητα να αναλύουν μεγάλες ποσότητες δεδομένων σε πραγματικό χρόνο, αναμένεται να διαδραματίσουν ολοένα και σημαντικότερο ρόλο στη χάραξη νομισματικής πολιτικής και στην παρακολούθηση των οικονομικών εξελίξεων τα επόμενα χρόνια.
