Taloudellisten kriisien ennustaminen tietojenkäsittelyn analysointityökalujen avulla

Abstract

Taloudellisten kriisien ymmärtäminen on tärkeä aihe, sillä kriisit vaikuttavat sekä yhteiskuntiin, yksittäisiin kuluttajiin että kansantalouksiin. Niitä on esiintynyt läpi historian, eikä niiden loppuminen ole todennäköistä. Talouskriisejä on pyritty ennustamaan jo aiemmin, mutta tähän on ollut haastavaa löytää tehokasta keinoa. Tietojenkäsittelyssä esiintyvät analysointityökalut, kuten massadata, koneoppiminen sekä viimeisimpänä trendinä tullut tekoäly, tarjoavat mahdollisuuksia ymmärtää ja ennustaa talouskriisejä. Etenkin tekoälyn osalta sen nopea kehitys tarjoaa paljon uusia mahdollisuuksia ennustamiseen. Aiemmat tutkimukset osoittavat, että perinteisemmät analysointityökalut eivät ole niin tehokkaita käsitelessään monimutkaisempia ja epälineaarisia ongelmia, joita talouden analysoinnin yhteydessä usein esiintyy. Tekoäly näyttää kuitenkin tuovan jollain tasolla ratkaisuja näiden monimutkaisten ongelmien ratkomiseen. Tekoäly osaa tutkimusten perusteella ratkoa hyvin juurikin edellä mainittuja epälineaarisia ja monimutkaisia ongelmia. Tämä on suuri etu tekoälyn käytössä muihin analysointityökaluihin verrattuna. Tutkimusaukkona voidaan ajatella olevan tekoälyn rooli ennustamisen tehostamisessa, kun vertaillaan perinteisiä analysointityökaluja tilanteeseen, jossa käytetään yhdessä sekä tekoälyä että perinteisiä analysointityökaluja. Keskeisin tutkimuskysymys tässä tutkielmassa on ”Miten taloudellisia kriisejä pystytään ennustamaan hyödyntämällä tietojenkäsittelyn analysointityökaluja, ja etenkin tekoälyä?”. Tutkielma toteutettiin systemaattisena kirjallisuuskatsauksena. Aineisto koostuu sekä taloudellisiin että ylipäätänsä ennustamiseen liittyvistä tieteellisistä artikkeleista. Tutkielman perusteella voidaan todeta, että tekoäly tuo lisää tehokkuutta ennustamiseen verrattuna perinteisiin analysointityökaluihin. Tekoäly pystyy analysoimaan epälineaarisia kaavoja sekä syy-seuraussuhteita. Tästä ei kuitenkaan voida vetää johtopäätöstä, että tekoäly pystyisi yksinään tuottamaan sen parempia ennusteita kuin perinteiset ennustusmallit. Tutkielman mukaan vaikuttaa siltä, että tehokkain ennustustulos saadaan, kun yhdistetään yksi tai useampi perinteinen analysointityökalu tekoälyn kanssa. Tästä tilanteesta voidaan käyttää nimitystä hybridi-malli, jossa yhdistyvät tekoälyn ja perinteisempien analysointityökalujen parhaat puolet.