Forecasting Oil Prices Across the Distribution: A Quantile VAR Approach

1. Il Problema e la Motivazione

La previsione dei prezzi del petrolio rimane una sfida eccezionale per l'econometria e la politica economica. La letteratura esistente (es. Alquist et al., 2013; Ellwanger e Snudden, 2023) dimostra che i prezzi futures e i modelli econometrici sofisticati faticano a battere un semplice benchmark "random walk" (cammino casuale), specialmente a orizzonti temporali fino a un anno.

Il problema fondamentale risiede nella natura della distribuzione dei prezzi del petrolio:

• Asimmetria e code pesanti: I cambiamenti nei prezzi del petrolio non seguono una distribuzione normale; presentano code pesanti e asimmetrie significative.
• Limiti degli approcci medi: I modelli standard (come i VAR Bayesiani - BVAR) si concentrano sulla previsione della media condizionale. Questo approccio ignora le dinamiche specifiche delle code della distribuzione, fallendo nel catturare la probabilità o la natura degli eventi estremi (crollo o picchi di prezzo).
• Fattori macro-finanziari: L'analisi empirica mostra che l'incertezza finanziaria è ortogonale al livello dei prezzi reali, ma è fortemente associata alla variazione temporale dell'asimmetria (skewness) dei rendimenti. Ciò suggerisce che i predittori macro-finanziari influenzano principalmente le code della distribuzione piuttosto che il centro.

2. Metodologia: Quantile Bayesian VAR (QBVAR)

Gli autori sviluppano un nuovo modello, il Quantile Bayesian Vector Autoregression (QBVAR), progettato per modellare l'intera distribuzione condizionale dei prezzi del petrolio, permettendo agli effetti dei predittori di variare attraverso i diversi quantili.

Componenti Chiave del Modello:

• Struttura a Fattori: Il modello estende i BVAR con decomposizione fattoriale (Korobilis, 2022). Invece di una singola matrice di coefficienti, il QBVAR stima coefficienti specifici per quantile ($\Phi_q$), carichi fattoriali ($\Lambda_q$) e fattori latenti ($f_{t,q}$). Questo permette di catturare strutture fattoriali diverse per la dinamica mediana rispetto al comportamento delle code.
• Likelihood di Lavoro: Per l'inferenza bayesiana, il modello utilizza la distribuzione di Laplace asimmetrica (ALD) come "working likelihood". Anche se l'ALD è una costruzione computazionale e non necessariamente la vera distribuzione dei dati, la letteratura (Sriram et al., 2013) garantisce che l'inferenza post-eriore si concentri sui coefficienti di regressione quantile veri, indipendentemente dalla distribuzione effettiva degli errori.
• Stima Bayesiana: L'uso di una rappresentazione mista di scala e posizione dell'ALD rende la verosimiglianza condizionata gaussiana, permettendo un campionamento Gibbs efficiente.
• Priors: Vengono utilizzati prior di shrinkage gerarchici (prior "Horseshoe") per gestire la sparsità dei dati e prevenire l'overfitting, fondamentale quando si stimano molti parametri su diversi quantili.
• Vantaggio Strutturale: A differenza delle implementazioni QVAR basate sulla decomposizione di Cholesky (che dipendono dall'ordinamento delle variabili), l'approccio basato su fattori del QBVAR è invariante rispetto all'ordinamento delle variabili, un aspetto cruciale per la robustezza delle previsioni.

3. Contributi Principali

Il paper apporta tre contributi significativi alla letteratura:

1. Sviluppo Metodologico: Introduce un QBVAR bayesiano con struttura fattoriale che modella direttamente la distribuzione condizionale attraverso parametri specifici per quantile, offrendo un'alternativa robusta e invariante all'ordinamento rispetto alle implementazioni esistenti.
2. Nuova Evidenza Empirica: Dimostra che i determinanti dei movimenti dei prezzi del petrolio differiscono marcatamente tra i quantili. Rivelano meccanismi asimmetrici nascosti nei modelli basati sulla media: l'incertezza e le condizioni finanziarie guidano il rischio al ribasso (coda sinistra), mentre le dinamiche di offerta e i picchi di domanda guidano il rischio al rialzo (coda destra).
3. Performance di Previsione: Dimostra che il QBVAR offre guadagni sostanziali nelle previsioni delle code rispetto ai benchmark standard (Random Walk, BVAR, BVAR-SV), specialmente durante le crisi del mercato petrolifero.

4. Risultati Empirici

L'analisi utilizza dati mensili dal 1975 al 2025 e confronta il QBVAR con benchmark di stato dell'arte.

• Previsioni Mediane (Quantile 50): Il QBVAR migliora le previsioni mediane del 2-5% rispetto ai BVAR standard. Questo è un risultato notevole dato che è difficile migliorare le previsioni puntuali su modelli ben specificati.
• Rischio al Ribasso (Coda Sinistra - QS10):
  • Le variabili di incertezza (es. indice JLN) e le condizioni finanziarie (es. spread GZ) predicono fortemente il rischio di crollo dei prezzi.
  • Si osservano miglioramenti nelle previsioni della coda sinistra del 10-25%, che si intensificano durante le crisi (es. crisi finanziaria 2008, crollo 2014-2016, pandemia 2020).
  • Il QBVAR supera nettamente i modelli con volatilità stocastica (BVAR-SV) nel prevedere i crolli, poiché questi ultimi catturano meglio la volatilità ma non la direzione asimmetrica guidata dai fondamentali finanziari.
• Rischio al Rialzo (Coda Destra - QS90):
  • La previsione dei picchi di prezzo rimane difficile. Il QBVAR tende a performare peggio dei modelli BVAR-SV per la coda destra (QS90), poiché i picchi sono spesso causati da shock di offerta improvvisi e meno prevedibili.
  • Tuttavia, le combinazioni di previsioni (che uniscono QBVAR e BVAR-SV) riescono a recuperare queste perdite, offrendo previsioni robuste su tutta la distribuzione.

5. Significato e Implicazioni

I risultati hanno profonde implicazioni per la gestione del rischio e la politica economica:

• Asimmetria nella Prevedibilità: Esiste un'asimmetria fondamentale: i rischi al ribasso si costruiscono gradualmente attraverso canali macro-finanziari osservabili (incertezza, stress creditizio), rendendoli prevedibili con modelli quantili. I rischi al rialzo, invece, sono spesso episodici e guidati da interruzioni dell'offerta difficili da anticipare.
• Gestione del Rischio: I modelli tradizionali focalizzati sulla media sottostimano sistematicamente il rischio di crollo dei prezzi durante periodi di stress finanziario. Il QBVAR fornisce un avvertimento precoce per investitori, imprese (hedging) e policy maker.
• Strategia di Previsione: La soluzione ottimale non è un singolo modello, ma una combinazione di approcci. Utilizzare il QBVAR per la coda sinistra (rischio di crollo) e modelli con volatilità stocastica per la coda destra (rischio di picco), o combinare entrambi, massimizza l'accuratezza distributiva.

In sintesi, il paper dimostra che modellare esplicitamente la distribuzione condizionale, e non solo la media, è essenziale per una valutazione accurata del rischio nel mercato petrolifero, specialmente in contesti di elevata volatilità e crisi.