FARS: Factor Augmented Regression Scenarios in R

Sintesi Tecnica di "FARS: Factor Augmented Regression Scenarios in R"

Problematica
Nel contesto delle serie temporali macroeconomiche e finanziarie, vi è una crescente domanda di previsione delle intere densità di probabilità delle variabili chiave, piuttosto che affidarsi esclusivamente a previsioni puntuali. Ciò è fondamentale per valutare la vulnerabilità macroeconomica, progettare politiche di resilienza e costruire scenari di stress realistici per comprendere la resilienza del sistema economico in condizioni avverse. Gli approcci esistenti affrontano spesso limitazioni: i metodi standard basati sulle Componenti Principali (PC) faticano quando i fattori latenti caricano solo su gruppi specifici di variabili (strutture a blocchi), e pochi strumenti consentono la costruzione di densità condizionali sotto scenari di fattori "stressati" tenendo conto dell'incertezza nella stima dei fattori. Inoltre, sebbene le Regressioni Quantiliche con Fattori Aumentati (FA-QR) possano stimare i quantili condizionali, l'integrazione di tali modelli con strutture di fattori multilivello e la generazione di scenari di stress probabilistici richiede un framework unificato e flessibile.

Metodologia
Il documento presenta il pacchetto FARS, che implementa una metodologia in quattro fasi per modellare e prevedere le densità condizionali:

1. Estrazione dei Fattori tramite Modelli a Fattori Dinamici Multi-livello (MLDFM):
   Il framework estrae i fattori latenti utilizzando una struttura MLDFM flessibile che accoglie blocchi di variabili non sovrapposti e sovrapposti (ad esempio, regioni geografiche o settori economici).

   • Struttura del Modello: Il modello include fattori pervasivi (globali) comuni a tutte le variabili, fattori specifici per blocco e potenzialmente fattori semi-pervasivi (pairwise o di ordine superiore) che caricano su sottoinsiemi specifici di blocchi.
   • Stima: I fattori sono stimati utilizzando lo stimatore Sequential Least Squares (SLS). L'algoritmo inizializza i fattori tramite l'Analisi delle Correlazioni Canoniche (CCA) o le Componenti Principali (PC) e minimizza iterativamente la somma dei quadrati dei residui (RSS) attraverso la regressione delle variabili sui fattori e dei fattori sui carichi (loadings) fino alla convergenza.
   • Quantificazione dell'Incertezza: Il pacchetto calcola regioni di confidenza asintoticamente valide per i fattori stimati. Tiene conto dell'incertezza nei carichi dei fattori e delle potenziali correlazioni incrociate nelle componenti idiosincratiche impiegando un approccio di subsampling (sottocampionamento di sottoinsiemi di serie) per correggere l'Errore Quadratico Medio (MSE) asintotico. Ciò consente la costruzione di ellissoidi di confidenza che rappresentano realizzazioni dei fattori estreme ma plausibili.

2. Regressione Quantilica con Fattori Aumentati (FA-QR):
   I fattori estratti fungono da regressori in un modello FA-QR per stimare i quantili condizionali di una variabile target $y_t$. Il modello è specificato come:
   $$q_{\tau^*}(y_{t+h} | y_t, F_t) = \mu(\tau^*, h) + \phi(\tau^*, h)y_t + \sum_{k=1}^r \beta_k(\tau^*, h)F_{kt}$$
   I parametri sono stimati utilizzando l'algoritmo di Koenker e D'Oray.

3. Costruzione della Densità Condizionale:
   Per recuperare una densità predittiva condizionale completa dai quantili stimati, il pacchetto adatta una distribuzione Skewed-Student (Skew-t). I parametri della distribuzione Skew-t (posizione, scala, forma e pesantezza della coda) sono determinati minimizzando le differenze al quadrato tra i quantili stimati dalla FA-QR e i quantili teorici impliciti nella distribuzione Skew-t.

4. Generazione di Scenari di Stress:
   Per generare scenari di stress, la metodologia identifica i valori dei fattori sul confine dell'ellissoide di confidenza (definito da un livello di stress $\alpha$) che minimizzano o massimizzano un particolare quantile della distribuzione condizionale della variabile target. Questi "fattori stressati" vengono poi reinseriti nel modello FA-QR per derivare i quantili stressati, che vengono successivamente smussati in una densità condizionale stressata.

Contributi Chiave
Il documento introduce il pacchetto R FARS, che offre diversi distinti contributi tecnici:

• Estrazione dei Fattori Flessibile: È il primo pacchetto R pubblicato che estrae fattori da MLDFM con strutture a blocchi sovrapposte utilizzando lo stimatore SLS. Supporta strutture gerarchiche con più di due livelli (globali, semi-pervasivi e specifici per blocco).
• Inferenza sui Fattori: Fornisce regioni di confidenza asintoticamente valide per i fattori estratti tramite SLS, correggendo esplicitamente l'incertezza nei carichi dei fattori tramite subsampling, una caratteristica non disponibile in altri software di stima dei fattori (che spesso si affidano al bootstrapping o ignorano l'incertezza dei carichi).
• Framework Integrato di Densità e Rischio: Unifica la stima delle FA-QR, il recupero delle densità condizionali tramite l'adattamento Skew-t e il calcolo delle misure di rischio (ad esempio, Growth at Risk, Inflation at Risk).
• Design di Scenari di Stress: Implementa una funzionalità unica per derivare densità condizionali e misure di rischio sotto scenari di fattori stressati, ottimizzando i valori dei fattori sui contorni estremi della loro distribuzione congiunta.
• Modularità: Il pacchetto è progettato per essere modulare, consentendo agli utenti di fornire i propri fattori o densità pre-stimati per integrarsi con il resto del workflow.

Risultati e Illustrazioni
Il documento illustra la funzionalità del pacchetto attraverso due applicazioni empiriche:

1. Rischio di Inflazione Europea: Gli autori estraggono i fattori dai dati CPI headline per 38 paesi europei, raggruppati in tre blocchi geografici (Ovest, Est, Nord). Stimano la densità condizionale dell'inflazione tedesca. I risultati mostrano che l' "Inflation in Stress" (IiS) — derivata sotto uno scenario di stress al 99% per i fattori — è significativamente più alta del normale "Inflation at Risk" (IaR), evidenziando l'importanza di tenere conto dello stress dei fattori.
2. Rischio di Crescita del PIL USA: Seguendo González-Rivera et al. (2024), gli autori costruiscono densità per la crescita del PIL statunitense utilizzando un dataset di 519 variabili divise in tre blocchi (macroeconomia internazionale, macroeconomia domestica, finanza internazionale), includendo un fattore pairwise tra i blocchi internazionali. L'analisi dimostra che il "Growth in Stress" (GiS) è più negativo del normale "Growth at Risk" (GaR), indicando che gli scenari medi standard possono sottostimare i rischi di ribasso.

Significatività e Dichiarazioni
Il documento afferma che la principale significatività di FARS risiede nella sua capacità di abbassare la barriera per i ricercatori applicati e le istituzioni politiche nell'implementare metodi avanzati di previsione basati sulle densità che tengano conto di complesse strutture di fattori e dell'incertezza. Fornendo un pacchetto completo dell'intero workflow — dall'estrazione flessibile dei fattori con blocchi sovrapposti alla generazione di scenari di stress — esso affronta le sfide computazionali e di implementazione precedentemente associate a questi metodi. Gli autori sottolineano che il pacchetto consente la costruzione di scenari di stress realistici che rivelano vulnerabilità (come un'inflazione più alta o una crescita più bassa) che verrebbero trascurate se venisse considerato solo l'evoluzione media dei fattori. Il documento non sostiene che il pacchetto superi i metodi esistenti in tutte le forme distributive (notando che la Skew-t potrebbe essere meno adatta per distribuzioni multimodali), ma lo posiziona come uno strumento completo per la specifica metodologia delle FA-QR all'interno degli MLDFM.