Machine Learning for Stress Testing: Uncertainty Decomposition in Causal Panel Prediction

Each language version is independently generated for its own context, not a direct translation.

Immagina di essere il capitano di una grande nave (una banca) che deve navigare in un oceano pieno di tempeste. Il compito del capitano è rispondere a una domanda cruciale: "Se l'oceano diventa improvvisamente molto agitato (una crisi economica), quanto acqua entrerà nella nave (perdite sui prestiti)?"

Fino a oggi, i capitani rispondevano guardando il passato: "L'ultima volta che c'era un'onda alta, abbiamo fatto così, quindi prevediamo che accadrà di nuovo." Ma c'è un problema: il passato non è sempre uguale al futuro, e spesso non si sa perché l'onda è arrivata. Forse era il vento, forse una marea segreta, o forse un sottomarino che non vedevamo.

Questo articolo propone un nuovo modo di navigare, chiamato "Decomposizione dell'Incertezza". Invece di dare una sola risposta sicura (che potrebbe essere sbagliata), offre una mappa con tre strati di avvertimenti.

Ecco come funziona, spiegato con parole semplici:

1. Il Problema: Non possiamo vedere il "Motore Nascosto"

Immagina che la nave sia spinta dal vento (l'economia) ma anche da un motore nascosto che non vediamo (fattori finanziari o sentimentali). Se il vento cambia, il motore nascosto potrebbe cambiare anche lui.
I metodi vecchi dicono: "Guarda solo il vento e prevedi la rotta."
Il nuovo metodo dice: "Ok, guardiamo il vento, ma ammettiamo che c'è un motore nascosto che potrebbe influenzare la rotta. Non sappiamo quanto è forte, quindi calcoliamo un margine di sicurezza."

2. I Tre Strati della "Scatola Magica"

Il nuovo sistema divide l'incertezza in tre parti, come se fosse una scatola russa (matryoshka):

Strato 1: L'Errore di Calcolo (La nostra vista)
Anche se guardiamo bene, i nostri occhi possono sbagliare. Questo strato misura quanto il nostro modello matematico è impreciso perché abbiamo pochi dati. È come dire: "La nostra mappa è un po' sfocata."
Strato 2: L'Errore del "Motore Nascosto" (La confusione)
Qui ammettiamo che non sappiamo tutto. Forse il vento e il motore nascosto sono collegati in modo che non capiamo. Invece di fingere di sapere, il sistema dice: "Se il motore nascosto è molto forte, la nostra previsione potrebbe sbagliare di X quantità."
- Il numero magico: Il sistema calcola un numero speciale (chiamato "valore di rottura"). Se diciamo: "Il nostro risultato è valido a meno che il motore nascosto non sia più forte di questo numero", diamo ai regolatori una risposta onesta e chiara.
Strato 3: Il Rischio di "Andare Oltre" (L'extrapolazione)
Se la tempesta è peggio di qualsiasi cosa abbiamo mai visto (come durante il COVID), i nostri dati storici non servono più. Il sistema ha un "allarme antincendio": se la tempesta è troppo strana rispetto al passato, il sistema dice: "Fermati! Non posso garantire nulla qui, è troppo rischioso." Non ti dà una risposta falsa, ti dice che non può rispondere.

3. La Regola dell'Amplificazione (Perché non possiamo prevedere troppo lontano)

Immagina di spingere una biglia su una pista. Se la pista è piatta, spingi e la biglia va dritta. Ma se la pista ha delle curve che amplificano ogni piccolo errore (come una palla che rotola giù da una collina sempre più ripida), un piccolo errore oggi diventa un disastro domani.

Il paper ha scoperto una formula matematica che dice: "Quanto più lontano guardi nel futuro, tanto più l'errore si ingrandisce."

Se la pista è stabile, puoi guardare lontano.
Se la pista è instabile (come in una crisi grave), dopo un certo punto (es. 6 mesi), guardare oltre è inutile. Il sistema ti dice esattamente fino a dove puoi guardare con sicurezza.

4. Perché è utile? (La Metafora del Meteo)

Prima, i meteorologi dicevano: "Domani pioverà al 100%." Se sbagliavano, era un disastro.
Ora, questo sistema dice: "Domani pioverà, ma:

La nostra previsione potrebbe essere sbagliata di 2 cm (errore di calcolo).
Se c'è un vento segreto che non vediamo, potrebbe piovere 5 cm in più (errore di confusione).
Se la tempesta è un uragano mai visto prima, smettiamo di prevedere e ti avvisiamo di metterti al sicuro (allarme di extrapolazione)."

In Sintesi

Questo studio non cerca di eliminare l'incertezza (cosa impossibile in economia). Invece, trasforma l'incertezza in una mappa chiara.
Permette ai banchieri e ai regolatori di dire: "Sappiamo che c'è un rischio nascosto, e sappiamo esattamente quanto è grande. Se il rischio supera questa soglia, allora la nostra previsione non vale più nulla."

È un modo per essere onesti invece che falsamente sicuri. Invece di dire "Sappiamo tutto", dicono "Ecco cosa sappiamo, ecco cosa non sappiamo, e ecco fino a dove possiamo fidarci."

Each language version is independently generated for its own context, not a direct translation.

1. Il Problema

Lo stress testing normativo (es. CCAR/DFAST della Federal Reserve) richiede di proiettare le perdite creditizie sotto scenari macroeconomici ipotetici. Attualmente, questo viene trattato come un problema di predizione: si adattano modelli su dati storici e si estrapolano sotto stress.
Tuttavia, esiste un divario fondamentale:

Natura Causale vs. Predittiva: La domanda è causale ("Cosa succederebbe alle perdite se la disoccupazione seguisse un certo percorso?"), ma i metodi attuali sono puramente predittivi.
Endogeneità e Confondimento: Variabili macro come la disoccupazione sono endogene; fattori non osservati (condizioni finanziarie, sentiment) guidano simultaneamente la disoccupazione e le perdite creditizie. Ignorare questo confondimento porta a stime puntuali prive di garanzie di robustezza.
Limiti dei Metodi Esistenti: I metodi causali standard (es. Synthetic Control) richiedono unità di controllo non esposte, che non esistono nello stress testing macro (tutte le unità sono esposte allo stesso percorso macro). Inoltre, l'assunzione di esogeneità condizionale è spesso irrealistica.

2. Metodologia Proposta

Gli autori propongono un framework per l'inferenza controfattuale su percorsi di policy in dati panel, che separa onestamente ciò che può essere appreso dai dati da ciò che richiede assunzioni sul confondimento. Il framework si basa su quattro componenti principali:

A. Identificazione Osservazionale di Percorsi Continui

Invece di assumere l'esogeneità, il framework identifica il contrasto osservazionale del percorso ( $\tau^{obs}_h$ ) tramite regressione iterata.

Si assume che la media condizionale $m(\iota, a)$ (dove $\iota$ è lo stato del sistema e $a$ la variabile macro) sia stazionaria.
Utilizzando la formula $g$ -computation, si stima la media condizionale osservata iterando il kernel di transizione a partire dallo stato osservato, senza bisogno di un gruppo di controllo.

B. Identificazione dell'Insieme Causale (Partial Identification)

Poiché il confondimento non può essere eliminato, viene delimitato.

Si introduce un parametro di sensibilità $c_h$ che limita la differenza tra la media causale ( $\mu^{do}$ ) e quella osservata ( $\mu^{obs}$ ): $|\mu^{do}_h - \mu^{obs}_h| \leq c_h$ .
Questo porta a un insieme identificato (causal set) per l'effetto causale: $\tau^{do}_h \in [\tau^{obs}_h - 2c_h, \tau^{obs}_h + 2c_h]$ .
Viene calcolato un valore di rottura (breakdown value) $c^*_h$ , che indica la forza minima di confondimento non osservato necessaria per annullare il risultato. Questo comunica la robustezza in un singolo numero.

C. Disuguaglianza Oracle e Errori di Rollout Ricorsivo

Per la previsione a più orizzonti temporali (rollout), gli errori di stima si accumulano.

Viene dimostrata una disuguaglianza oracle che lega l'errore di rollout ricorsivo a un fattore di amplificazione $\Gamma_h$ , dipendente dal tasso di amplificazione $\rho$ del sistema dinamico sottostante.
Se $\rho < 1$ (sistema contraente), l'errore è limitato. Se $\rho > 1$ (sistema espansivo), l'errore cresce esponenzialmente, definendo un orizzonte oltre il quale la previsione ricorsiva non è affidabile.
Il framework suggerisce di passare a un stimatore diretto multi-orizzonte quando l'errore ricorsivo supera una soglia critica.

D. Bande di Calibrazione Conformali Ponderate

Per quantificare l'incertezza in modo non asintotico e gestire l'estrapolazione verso scenari stress estremi:

Si utilizzano bande conformali ponderate per importanza (importance-weighted conformal prediction).
Si applica un peso basato sul rapporto di verosimiglianza tra il percorso di stress e i dati storici per correggere lo shift di distribuzione.
Vengono introdotti diagnostici chiave:
- $R_{weight}$ : Misura il costo dell'estrapolazione.
- $B_{eff}$ : Dimensione efficace del campione.
- Se $R_{weight}$ è alto o $B_{eff}$ è basso, il sistema attiva un meccanismo di astensione (abstention), segnalando che le garanzie di copertura non sono valide.

3. Output Principale: Decomposizione a Tre Livelli

Il risultato finale è una decomposizione dell'incertezza che separa tre componenti:
$\tau^{do}_h \in \left[ \hat{\tau}^{obs}_h \pm \Delta^{est}_h \pm \Delta^{conf}_h \right]$

$\hat{\tau}^{obs}_h$ : Stima osservazionale.
$\Delta^{est}_h$ : Incertezza di stima (banda conformale, dovuta a dati finiti ed estrapolazione).
$\Delta^{conf}_h$ : Incertezza da confondimento (dovuta all'endogeneità, definita dal parametro di sensibilità).

4. Risultati Sperimentali

Il framework è stato validato attraverso due livelli di esperimenti:

Livello 1 (Simulazione Sintetica): Ha confermato la validità della disuguaglianza oracle in diversi regimi di amplificazione ( $\rho < 1, \approx 1, > 1$ ). Ha dimostrato che il bias dello stato medio cresce con l'orizzonte temporale in modelli non lineari e che le bande conformali ponderate funzionano correttamente, segnalando l'aumento del costo di estrapolazione ( $R_{weight}$ ) man mano che lo scenario stress diventa più severo.
Livello 2 (Semi-Sintetico con Dati Reali FRED): Utilizzando dati reali sulla disoccupazione (UNRATE) e scenari CCAR 2024 e COVID.
- Il framework ha replicato i risultati teorici.
- Retrospettiva COVID: Durante la crisi del 2020, l'errore di previsione è aumentato drasticamente, attivando correttamente il meccanismo di astensione e segnalando che le garanzie di copertura non erano applicabili per eventi "Black Swan".
- Le bande di calibrazione sono risultate conservative ma affidabili, grazie all'inclusione di eventi estremi storici nella finestra di calibrazione.

5. Significato e Contributi Chiave

Questo lavoro offre un approccio rigoroso allo stress testing che supera le pratiche attuali ("stima puntuale + controlli di sensibilità ad hoc"):

Gestione Onesta dell'Incertezza: Non nasconde il confondimento, ma lo quantifica esplicitamente tramite l'insieme identificato e il valore di rottura.
Garanzie Formali: Fornisce limiti di errore non asintotici per le previsioni ricorsive e garanzie di copertura conformali con costi di estrapolazione misurabili.
Diagnostica Operativa: Offre strumenti pratici (come $B_{eff}$ e il fattore di amplificazione $\rho$ ) per decidere quando una previsione è affidabile e quando è necessario cambiare strategia (es. passare da rollout ricorsivo a stimatore diretto).
Applicabilità Normativa: Il framework è progettato specificamente per il flusso di lavoro di stress testing regolamentare (CCAR/DFAST), fornendo un linguaggio chiaro per la comunicazione del rischio ai gestori del rischio modello (es. "La conclusione vale a meno che il confondimento non superi una soglia specifica").

In sintesi, il paper trasforma lo stress testing da un esercizio puramente predittivo a un processo di inferenza causale strutturato, rendendo visibili e interpretabili tutte le fonti di incertezza.