Vertrauen in KI-Makroprognosen: CBR-Studie untersucht Bankdaten
Eine neue Studie der Central Bank of Russia (CBR) hinterfragt die Zuverlässigkeit von KI-Modellen für makroökonomische Prognosen. Sie analysiert dafür umfassende Daten des russischen Bankensektors, um die In-Sample-Genauigkeit von LLMs zu testen.
Russlands Bankensektor im Wandel: Dominanz staatlicher Akteure
Russlands Bankensektor hat in den Jahren 2008 bis 2017 signifikante strukturelle Veränderungen erfahren.
Die Kredite an nicht-finanzielle Organisationen stiegen von 30,3 Prozent des BIP im Jahr 2008 auf 32,8 Prozent im Jahr 2017, während die Kredite an private Haushalte von 9,7 Prozent auf 13,2 Prozent zunahmen.
Gleichzeitig wuchs der Anteil staatseigener Kreditinstitute an den Sektoraktiva von 41,85 Prozent im Jahr 2008 auf 58,46 Prozent im Jahr 2017.
Im Gegensatz dazu sank der Anteil großer und mittlerer privater Banken von 42,37 Prozent auf 17,53 Prozent.
Die Gesamtzahl der operierenden Kreditinstitute reduzierte sich drastisch von 1.108 im Jahr 2009 auf 561 im Jahr 2018, was auf eine Konsolidierung und Bereinigung des Sektors hindeutet.
Die Dynamik der Schuldenkomponenten nicht-finanzieller Institutionen zeigt zudem eine Zunahme von Schuldverschreibungen von 3,53 Billionen Rubel Anfang 2016 auf 6,11 Billionen Rubel Anfang 2018.
Finanzierungslandschaft und internationale Vergleiche
Die Finanzierungslandschaft für nicht-finanzielle Organisationen zeigte im Zeitraum 2016-2017 sinkende Zinsen für Kredite und Unternehmensanleihen.
So fielen die Zinsen für Kredite mit einer Laufzeit von 1 bis 3 Jahren von 13,67 Prozent Anfang 2016 auf 9,56 Prozent Anfang 2018.
Im internationalen Vergleich lag Russlands Kredit-zu-BIP-Verhältnis für den privaten nicht-finanziellen Sektor im Jahr 2016 bei 66,9 Prozent, deutlich unter dem von China (210,8 Prozent) oder Europa (162,6 Prozent).
Die Studie beleuchtet auch die regionale Verteilung der Bankfilialen in Russland, wobei beispielsweise Moskau mit 24,73 Filialen pro 100.000 Einwohner im Jahr 2017 eine höhere Dichte aufweist als der nationale Durchschnitt von 23,08.
Datenqualität als Prüfstein für KI-Prognosen
Die Qualität und Granularität der hier präsentierten Bankdaten sind entscheidend für die Validität von LLM-basierten Makroprognosen.
Insbesondere die strukturellen Veränderungen im russischen Bankensektor könnten für KI-Modelle eine Herausforderung darstellen, da historische Muster möglicherweise nicht mehr zuverlässig sind.
Dies unterstreicht die Notwendigkeit robuster 'Fake Date Tests', um die Anpassungsfähigkeit von LLMs an dynamische Wirtschaftsrealitäten zu bewerten.