Contagion or Macroeconomic Fluctuations? Identifiability in Aggregated Default Data

Lo studio dimostra che, nei dati aggregati sui default, l'effetto del contagio è spesso indistinguibile dalle fluttuazioni macroeconomiche, tranne che nel modello di Lo-Davis dove un piccolo componente persistente rimane identificabile.

L'essenziale

Immagina di essere un detective che cerca di capire perché, in una grande città, alcune persone si ammalano tutte insieme nello stesso periodo.

Ci sono due possibili spiegazioni:

1. Un'epidemia (Contagio): Una persona si ammala e passa il virus alla vicina, che lo passa alla successiva, creando una catena.
2. Il Meteo (Fattori Macroeconomici): Tutti si ammalano perché c'è un'ondata di freddo o di pioggia che colpisce l'intera città contemporaneamente.

Il problema è che il detective ha solo i numeri totali (es. "oggi ci sono stati 50 malati"), ma non sa chi ha contagiato chi né quando esattamente è successo. Può distinguere l'epidemia dal meteo guardando solo il numero totale?

Questo è esattamente il problema che affronta il paper di Shintaro Mori. L'autore studia i dati sulle fallite aziendali (default) per capire se le aziende falliscono perché si "infezzano" a vicenda (contagio) o perché l'economia va male per tutti (fattori macroeconomici).

Ecco la spiegazione semplice, divisa per concetti chiave:

1. I Tre "Sospettati" (I Modelli)

L'autore mette alla prova tre teorie diverse su come le aziende possano fallire insieme:

• Il Modello Vasicek (Il Meteo): Immagina che ci sia un "termometro economico" nascosto. Se il termometro scende, tutte le aziende diventano più fragili contemporaneamente. È come se tutti avessero lo stesso freddo. Non c'è contagio diretto, ma una causa comune che colpisce tutti dolcemente e uniformemente.
• Il Modello Lo-Davis (Il Contagio a Cascata): Immagina una fila di tessere del domino. Se una cade (fallisce), aumenta la probabilità che la successiva cada. Più tessere cadono, più è probabile che ne cadano altre. È un contagio che si accumula e cresce man mano che le cose vanno male.
• Il Modello Torri (Il Grilletto): Immagina un interruttore della luce. Finché nessuno preme il pulsante, tutto è normale. Ma se anche solo una azienda fallisce (e ha le caratteristiche giuste per essere "infettiva"), l'interruttore scatta e tutte le altre aziende non protette falliscono immediatamente. È un meccanismo "tutto o niente" (soglia).

2. La Prima Prova: Guardando i Dati "Freddi" (i.i.d.)

L'autore prima guarda i dati come se ogni anno fosse indipendente dagli altri (come se il meteo fosse sempre uguale).

• Risultato: Il modello del "Meteo" (Vasicek) è quello che spiega meglio i dati reali.
• Perché? Perché i modelli di contagio (specialmente quello a "grilletto" di Torri) tendono a prevedere troppi eventi estremi o distribuzioni a due picchi che non si vedono nella realtà. Il modello del meteo, invece, crea una curva liscia che assomiglia molto a quella che vediamo nei dati storici.

3. La Seconda Prova: Il Tempo Passa (Modello Gerarchico)

Poi l'autore si rende conto che l'economia non è statica: ci sono anni di boom e anni di crisi. Quindi, introduce un elemento chiave: la probabilità di fallimento cambia ogni anno.
Qui la storia cambia radicalmente.

• La Scoperta: Quando si tiene conto del fatto che l'economia peggiora o migliora di anno in anno, si scopre che la maggior parte delle fluttuazioni nelle fallite è dovuta al "meteo" (cambiamenti macroeconomici), non al contagio tra aziende.
• Il ruolo del Contagio:
  • Nel modello Torri (il grilletto): Una volta che si spiega il "meteo", il contagio sparisce quasi completamente. È come se il modello non riuscisse a distinguere l'effetto del grilletto dalla semplice variazione economica. Il contagio viene "assorbito" dal rumore di fondo.
  • Nel modello Lo-Davis (la cascata): Rimane una piccola, ma persistente, traccia di contagio. Anche dopo aver spiegato l'economia, c'è un piccolo effetto extra che suggerisce che le aziende si influenzano davvero l'una con l'altra, ma in modo più sottile e cumulativo.

4. La Morale della Favola (Conclusione)

Il paper ci insegna due cose fondamentali:

1. Non tutto ciò che sembra contagio è contagio: Spesso, quando vediamo molte aziende fallire insieme, pensiamo subito a una catena di infezioni. In realtà, è molto più probabile che sia semplicemente un brutto periodo economico che colpisce tutti allo stesso modo.
2. La granulosità dei dati conta: Se guardi solo i numeri totali (i dati aggregati), è molto difficile distinguere un contagio "a grilletto" (Torri) da una crisi economica. Tuttavia, un contagio che si accumula lentamente (Lo-Davis) lascia una firma più riconoscibile, anche se piccola.

In sintesi:
Immagina di guardare le onde del mare da lontano. Se vedi molte onde alte insieme, potresti pensare che ci sia un terremoto sottomarino (contagio). Ma spesso è solo che c'è una tempesta in alto mare (macroeconomia) che spinge tutte le onde contemporaneamente. Questo studio ci dice che, guardando solo i numeri totali, la "tempesta" è la spiegazione principale, e il "terremoto" (contagio) è spesso invisibile o molto più deile di quanto pensiamo, a meno che non sia un tipo di contagio molto specifico e graduale.

Sommario tecnico

1. Il Problema di Ricerca

Il lavoro affronta una questione fondamentale nella gestione del rischio creditizio e nell'econofisica: è possibile inferire l'esistenza di un contagio (dove il default di un'azienda influenza direttamente le altre) partendo esclusivamente da dati aggregati, come i conteggi annuali dei default?

Il problema centrale è l'identificabilità. Spesso, modelli microscopici qualitativamente diversi (ad esempio, meccanismi di contagio diretto vs. shock macroeconomici comuni) generano pattern macroscopici simili. Quando i dati sono "sgranati" (aggregati annualmente) e privi di informazioni sulle reti di collegamento tra le imprese o sui tempi esatti degli eventi, diventa difficile distinguere se le clusterizzazioni dei default siano causate da:

1. Contagio: Meccanismi di trasmissione diretta tra obbligati.
2. Fluttuazioni Macroeconomiche: Shock comuni che aumentano simultaneamente la probabilità di default.

L'obiettivo è determinare se il contagio lascia una "firma strutturale" distinta nei dati aggregati o se viene assorbito dalla variabilità macroeconomica.

2. Metodologia

L'autore confronta tre modelli rappresentativi di strutture di dipendenza per i conteggi dei default, utilizzando dati storici annuali (1920–2023) suddivisi per classi di credito (Investment Grade - IG, Speculative Grade - SG, e aggregato ALL).

A. I Tre Modelli a Confronto

1. Modello di Lo-Davis (Contagio Cumulativo):
   • Il contagio è cumulativo: la probabilità di default aggiuntivo aumenta fluidamente con il numero di default precedenti.
   • Meccanismo: Ogni default esistente aumenta la probabilità che gli altri falliscano.
2. Modello di Torri (Contagio di Soglia / Immunizzazione):
   • Il contagio è di tipo "soglia" (OR-based): si attiva se esiste almeno un default infettivo.
   • Meccanismo: Una volta attivato, tutti gli obbligati non immunizzati sono esposti simultaneamente. Non c'è amplificazione aggiuntiva con più default iniziali.
3. Modello di Vasicek (Fattore Comune):
   • Rappresenta le fluttuazioni macroeconomiche.
   • Meccanismo: I default sono condizionalmente indipendenti dati un fattore latente comune (macroeconomico) continuo. Genera una miscela continua di distribuzioni binomiali.

B. Specifiche di Stima

L'analisi procede in due fasi:

1. Specificazione i.i.d. (Indipendente e Identicamente Distribuita): Si assume che la probabilità di default sia costante nel tempo. Si stima la bontà di adattamento (likelihood) e si analizzano le code della distribuzione.
2. Estensione Gerarchica: Si introduce una variabile latente per permettere alla probabilità di default di variare tra gli anni (catturando l'eterogeneità macroeconomica). Questo permette di decomporre la varianza totale dei default annuali in:
   • Varianza idiosincratica (i.i.d.).
   • Varianza dovuta al contagio (dipendenza intra-anno).
   • Varianza dovuta alle fluttuazioni della probabilità di default tra gli anni (eterogeneità inter-anno).

3. Risultati Chiave

A. Adattamento i.i.d. (Senza variabilità temporale)

• Il Modello di Vasicek offre il miglior adattamento complessivo ai dati, specialmente nel riprodurre il comportamento delle code (tail behavior).
• Il modello di Vasicek cattura meglio la clusterizzazione dei default rispetto ai modelli di contagio discreto, suggerendo che una struttura di miscela continua è più efficace a livello aggregato quando non si tiene conto della variabilità temporale.
• Il modello di Torri mostra un decadimento troppo rapido delle code, mentre Lo-Davis è più fluido ma sottostima ancora gli eventi estremi rispetto a Vasicek.

B. Decomposizione della Varianza (Con variabilità temporale)

Introducendo la variabilità annuale della probabilità di default ($p_t$), i risultati cambiano radicalmente:

• Dominanza dell'Eterogeneità Macroeconomica: La maggior parte della variazione nei conteggi annuali dei default è spiegata dalle fluttuazioni delle condizioni di default tra gli anni (il termine $Var(E[L_t|p_t])$), non dal contagio intra-anno.
• Identificabilità del Contagio:
  • Modello di Torri (Soglia): Una volta introdotto l'eterogeneità temporale, la componente di contagio diventa non identificabile. Il modello attribuisce quasi tutta la varianza residua alle fluttuazioni di $p_t$. Il contagio di soglia non lascia una componente stabile distinguibile dai dati aggregati.
  • Modello di Lo-Davis (Cumulativo): Anche in questo caso, la variabilità temporale è dominante, ma rimane una piccola ma persistente componente di contagio visibile sia nella decomposizione della varianza che nel comportamento delle code. Il contagio cumulativo lascia una firma strutturale distinguibile.

C. Comportamento delle Code (Tail Risk)

• Sotto la specifica gerarchica, il modello di Vasicek tende a sovrastimare il rischio di coda (VaR e Expected Shortfall) rispetto ai dati reali.
• Il modello gerarchico di Lo-Davis fornisce l'adattamento più equilibrato, specialmente per le classi aggregate (ALL) e speculative (SG), riuscendo a catturare meglio la forma della coda senza generare code eccessivamente pesanti come Torri o Vasicek.

4. Contributi Principali

1. Dimostrazione di Non-Identificabilità: Il lavoro dimostra che, a livello di dati aggregati, il contagio di tipo soglia (Torri) è praticamente indistinguibile dall'eterogeneità macroeconomica. Se i dati sono solo conteggi annuali, un meccanismo di soglia non può essere isolato dai fattori macro.
2. Distinzione tra Meccanismi: Si evidenzia che solo il contagio cumulativo (Lo-Davis) lascia una traccia residua identificabile anche dopo l'aggregazione, sebbene debole.
3. Ruolo dell'Aggregazione: L'aggregazione dei dati agisce come un processo di "coarse-graining" (sgranatura) che sopprime alcuni effetti di interazione (come il contagio di soglia) mentre ne preserva altri (come il contagio cumulativo o le fluttuazioni macro).
4. Implicazioni per la Modellazione: Suggerisce che la clusterizzazione osservata nei dati annuali è guidata principalmente dalle condizioni creditizie variabili nel tempo, mentre il contagio gioca un ruolo secondario, affinando la forma della coda piuttosto che essendo la fonte primaria di varianza.

5. Significato e Conclusioni

Lo studio ha profonde implicazioni per la regolamentazione finanziaria e la gestione del rischio:

• Avvertenza sui Dati Aggregati: L'uso di dati aggregati annuali per inferire la presenza di contagio diretto è rischioso, poiché i modelli macroeconomici (Vasicek) o i modelli di soglia (Torri) possono mimare i dati senza che vi sia un vero contagio diretto.
• Natura del Contagio: Se il contagio esiste a livello microscopico, la sua firma nei dati macroscopici è debole e persistente solo se il meccanismo è cumulativo (Lo-Davis), non di soglia.
• Prospettiva Futura: Per identificare con certezza i meccanismi di interazione, potrebbero essere necessari dati a frequenza più elevata o informazioni sulla struttura di rete, poiché l'aggregazione annuale tende a fondere le diverse fonti di rischio.

In sintesi, il paper conclude che le fluttuazioni macroeconomiche sono il driver principale della clusterizzazione dei default nei dati aggregati, mentre il contagio, se presente, è un fattore secondario che può essere identificato solo se assume una forma cumulativa specifica, altrimenti viene assorbito dalla variabilità macroeconomica.