The Accuracy Smoothness Dilemma in Prediction: a Novel Multivariate M-SSA Forecast Approach

Titolo: Il Dilemma Accuratezza-Lisciatura nella Previsione: un Nuovo Approccio di Previsione Multivariata M-SSA

1. Il Problema: Il Dilemma Accuratezza-Lisciatura (AS)

La previsione economica e statistica presenta una sfida fondamentale: bilanciare due obiettivi spesso conflittuali.

• Accuratezza: La capacità di stimare il livello futuro di una serie temporale, tipicamente misurata minimizzando l'Errore Quadratico Medio (MSE).
• Lisciatura (Smoothness): La capacità di regolare i cambiamenti "rumorosi" o spurii, evitando falsi allarmi e garantendo una traiettoria coerente con i cicli economici (es. transizioni tra espansione e contrazione).

I metodi di ottimizzazione convenzionali si concentrano quasi esclusivamente sulla minimizzazione del MSE. Tuttavia, questo approccio può portare a previsioni eccessivamente rumorose, con un'elevata frequenza di cambiamenti di segno (zero-crossings) che non riflettono la realtà sottostante. Esiste quindi un compromesso intrinseco: migliorare l'accuratezza spesso peggiora la lisciatura e viceversa. L'obiettivo del paper è fornire un quadro metodologico per gestire e bilanciare esplicitamente questo trade-off.

2. Metodologia: Il Framework M-SSA

L'autore estende il framework univariato Smooth Sign Accuracy (SSA), introdotto in lavori precedenti (Wildi, 2024, 2026), a un contesto multivariato (M-SSA).

• Concetto Chiave - Holding Time (HT): La lisciatura non è definita geometricamente (es. curvatura), ma attraverso il Holding Time (HT), ovvero la durata media attesa tra due cambiamenti di segno consecutivi (zero-crossings) di un predittore stazionario a media zero. Questo concetto si basa sul lavoro di Rice (1944) sulla relazione tra la funzione di autocorrelazione (ACF) e i passaggi per lo zero.
• Il Criterio di Ottimizzazione:
  Il M-SSA formula un problema di ottimizzazione vincolata. L'obiettivo è massimizzare la correlazione tra il predittore e il target (o l'accuratezza del segno), soggetto a un vincolo sull'HT (o equivalentemente, sulla prima autocorrelazione, ACF(1)).
  • Formulazione Primal: Massimizzare la correlazione con il target vincolando l'HT a un valore specifico $\rho_i$.
  • Formulazione Duale: Minimizzare il numero di attraversamenti dello zero (massimizzare l'HT) vincolando la correlazione con il target a un livello di accuratezza prefissato.
• Estensione Multivariata:
  Il modello considera un processo stazionario multivariato $x_t$ e un target $z_{t+\delta}$. Utilizza la decomposizione di Wold e la convoluzione dei filtri per derivare coefficienti ottimali $b$. La soluzione coinvolge matrici di covarianza $\Sigma$ e matrici di generazione dell'autocovarianza $M$.
  La soluzione al problema di ottimizzazione è caratterizzata da un parametro scalare $\nu_i$ che controlla il trade-off. Quando $\nu_i \to \infty$, la soluzione converge al predittore MSE classico; valori finiti di $\nu_i$ permettono di spostarsi lungo la "frontiera efficiente" tra accuratezza e lisciatura.
• Soluzione Analitica:
  Il paper dimostra che la soluzione può essere espressa in forma parametrica utilizzando la decomposizione spettrale degli autovalori e autovettori delle matrici coinvolte. Viene stabilita una relazione biunivoca tra il parametro di regolarizzazione e il vincolo sull'HT, garantendo l'unicità della soluzione in determinate condizioni.

3. Contributi Chiave

1. Generalizzazione Multivariata: Estensione del criterio SSA al caso multivariato, permettendo di incorporare informazioni trasversali (cross-sectional) tra più serie temporali per migliorare le previsioni.
2. Nuova Metrica di Lisciatura: Spostamento dal focus sulla curvatura (come nei filtri HP o Hodrick-Prescott) alla frequenza dei cambiamenti di segno (HT), che è più rilevante per l'analisi dei cicli economici e la decisione politica.
3. Frontiera Efficiente Accuratezza-Lisciatura: Il metodo non produce un singolo predittore, ma permette di tracciare l'intera frontiera efficiente, consentendo agli utenti di scegliere il punto di compromesso desiderato in base alle esigenze specifiche (es. più reattività vs. meno rumore).
4. Flessibilità Applicativa: Il framework unifica tre compiti distinti:
   • Previsione (Forecasting): Target acasuali ($\delta > 0$).
   • Nowcasting: Estrazione di segnali in tempo reale ($\delta = 0$).
   • Lisciatura (Smoothing): Target causali o retrospettivi ($\delta < 0$).
5. Implementazione Open Source: Sviluppo di un pacchetto R (R-package-SSA-Predictor) che rende il metodo accessibile e replicabile, permettendo la personalizzazione di filtri benchmark come HP, Hamilton, Baxter-King e Beveridge-Nelson.

4. Risultati ed Evidenze Empiriche

L'autore valida il metodo attraverso tre casi di studio principali:

• Simulazioni su Processi VAR(1):
  Dimostrazione che M-SSA può sia "smussare" (ridurre i passaggi a zero rispetto al MSE) che "desmussare" (aumentare la reattività) a seconda delle esigenze, adattandosi dinamicamente alle caratteristiche delle serie.
• Lisciatura e Confronto con Hodrick-Prescott (HP):
  Confronto tra filtri SSA e il filtro HP classico. I risultati mostrano che, a parità di HT, SSA ottiene una correlazione target superiore (minore errore quadratico). Viceversa, a parità di accuratezza, SSA offre un HT superiore (maggiore lisciatura). Tuttavia, SSA sacrifica leggermente la curvatura (seconda differenza) rispetto a HP, offrendo un'alternativa basata sulla logica dei cicli economici piuttosto che sulla geometria.
• Estrazione di Segnali Bivariata (Caso Reale):
  Applicazione all'Indice della Produzione Industriale USA (INDPRO) utilizzando il Composite Leading Indicator (CLI) dell'OCSE come variabile esplicativa.
  • Risultato: Il modello M-SSA bivariato supera i benchmark univariati (HP-C e SSA univariato).
  • Vantaggi: Raggiunge un'accuratezza superiore (correlazione target più alta) e una lisciatura migliore (HT più lungo) rispetto al MSE bivariato.
  • Lead Time: A differenza di altri filtri che possono introdurre ritardi, l'uso del CLI nel M-SSA permette di mantenere o addirittura anticipare i segnali di svolta (lead), eliminando il ritardo di un mese osservato nel SSA univariato.

5. Significato e Implicazioni

Il lavoro di Wildi offre una soluzione teorica e pratica al dilemma fondamentale della previsione economica.

• Decisioni Informate: Permette ai decisori politici e agli analisti di scegliere esplicitamente quanto "rumore" sono disposti ad accettare per guadagnare in accuratezza, o viceversa, basandosi su metriche interpretabili (durata dei cicli, frequenza di inversione).
• Superamento dei Limiti del MSE: Dimostra che l'ottimizzazione puramente MSE è insufficiente per applicazioni dove la stabilità del segnale è cruciale (es. identificazione di recessioni).
• Integrazione di Indicatori: Il framework multivariato dimostra come l'incorporazione di indicatori leading (come il CLI) possa migliorare significativamente sia la precisione che la tempestività delle previsioni, superando i limiti dei modelli univariati.

In sintesi, il paper propone un cambio di paradigma: invece di cercare il "miglior" predittore in assoluto (spesso inteso come quello con il MSE minimo), offre un metodo per generare la famiglia di predittori ottimali lungo lo spettro delle preferenze di accuratezza e lisciatura, adattandosi dinamicamente al contesto economico.