Riepilogo Tecnico: Previsione della Curva dei Rendimenti tramite Machine Learning ed Econometria

Enunciato del Problema

Il documento affronta il dibattito in corso riguardo all'efficacia dei metodi di machine learning (ML) e deep learning (DL) rispetto agli approcci econometrici e alle serie temporali tradizionali per la previsione di serie temporali finanziarie. Nello specifico, gli autori si concentrano sulla curva dei rendimenti dei titoli di stato statunitensi (U.S. Treasury), un indicatore critico per i mercati obbligazionari (che superano in dimensioni i mercati azionari) e un predittore delle recessioni economiche. Sebbene il ML abbia rivoluzionato campi come l'elaborazione del linguaggio naturale (NLP) e la visione artificiale, il suo predominio nella previsione delle serie temporali rimane contestato. La letteratura precedente, come la competizione M4, ha dimostrato che i modelli ML puri spesso performano peggio rispetto a ibridi statistici o metodi naive. Inoltre, manca una letteratura completa che confronti questi metodi su dati giornalieri della curva dei rendimenti, in particolare per quanto riguarda la gestione di input non stazionari e le prestazioni dei moderni modelli foundation e transformer.

Metodologia

Lo studio utilizza i rendimenti a scadenza costante dei titoli di stato statunitensi giornalieri per sei scadenze (1, 2, 5, 7, 10 e 30 anni) provenienti dal database FRED, coprendo un periodo di 47 anni (1977–2024). Questo dataset include sei distinti periodi di recessione.

Configurazione Sperimentale:

• Orizzonti di Previsione: I modelli sono valutati su orizzonti di previsione di 15, 20 e 60 giorni lavorativi.
• Strategie di Validazione: Vengono impiegati due setup di validazione incrociata (CV) per prevenire la fuoriuscita di dati (data leakage):
  1. Finestra Scorrevole (Sliding Window): Una finestra fissa di 1.044 giorni lavorativi (circa 4 anni) scorre in avanti di 5 giorni.
  2. Finestra Espandente (Expanding Window): La finestra iniziale è di 1.044 giorni e si espande di 5 giorni per ogni iterazione successiva.
• Blocchi Temporali degli Iperparametri: Per tenere conto dei cambiamenti strutturali dell'economia, i dati sono suddivisi in blocchi temporali contigui (es. Blocco 0: 1977–1986) in cui gli iperparametri vengono selezionati una volta per blocco e applicati a tutte le finestre all'interno di quel blocco.
• Stazionarietà: Lo studio testa esplicitamente sia dati di input stazionari (differenziati) che non stazionari (grezzi) per determinare quale sia più appropriato per gli algoritmi DL.
• Metriche: Le prestazioni sono misurate utilizzando l'Errore Quadratico Medio Radice (RMSE) e l'Errore Percentuale Assoluto Medio (MAPE).

Modelli Valutati:

• Benchmark Naive: Previsione della Media, Previsione Naive (Random Walk) e Previsione Naive Stagionale.
• Econometria Tradizionale: ARIMA (con selezione automatica), DHR-ARIMA (ARIMA con termini di Fourier), VAR, VECM e diff+VAR.
• Machine Learning Classico: Random Forests, XGBoost e LightGBM (LGBM).
• Deep Learning:
  • Reti Neurali Ricorrenti (RNN)
  • Transformer: Vanilla Transformer, Informer, PatchTST, Temporal Fusion Transformer (TFT).
  • Modelli Foundation: TimeGPT (pre-addestrato, zero-shot), NBEATS, NHITS, DeepAR.

Contributi Chiave

Il documento si distingue attraverso quattro contributi principali:

1. Confronto Completo: Valuta un ampio spettro di modelli, inclusi recenti modelli foundation (TimeGPT) e varie architetture transformer, contro metodi econometrici tradizionali su dati della curva dei rendimenti.
2. Frequenza dei Dati: A differenza di gran parte della letteratura esistente che si basa su dati mensili, questo studio utilizza dati giornalieri ad alta frequenza.
3. Analisi della Stazionarietà: Indaga sistematicamente se i modelli di deep learning performano meglio con input stazionari o non stazionari, un argomento con ricerche precedenti scarse.
4. Robustezza Temporale: Lo studio analizza le prestazioni su molteplici orizzonti di previsione e distinti blocchi temporali economici per valutare la stabilità del modello nel tempo.

Risultati

L'analisi empirica produce le seguenti scoperte:

• Dominio dei Metodi Tradizionali: Nel complesso, i modelli Previsione Naive e ARIMA (sia nelle configurazioni a finestra scorrevole che espandente) superano tutti gli altri metodi sull'intero campione di 47 anni. Le differenze nel MAPE tra le migliori varianti ARIMA e la Previsione Naive sono trascurabili (spesso <0,01%).
• Prestazioni del Machine Learning:
  • Tra i metodi ML classici, LGBM con una configurazione a finestra espandente performa meglio, sebbene non riesca comunque a superare ARIMA o il benchmark Naive.
  • Tra i metodi di deep learning, TimeGPT (un modello foundation) ottiene le migliori prestazioni, seguito dalle RNN con input stazionari a finestra scorrevole.
• Stazionarietà vs Non Stazionarietà: Non esiste un pattern universale; il tipo di input ottimale dipende dal modello specifico. Ad esempio, le RNN hanno performato meglio con input scorrevoli stazionari, mentre PatchTST e TFT hanno performato meglio con input espandenti non stazionari.
• Variabilità Temporale: Sebbene i metodi tradizionali dominino la media aggregata, specifici modelli di deep learning (ad esempio PatchTST e TFT con dati non stazionari espandenti) hanno superato i benchmark nel blocco temporale più recente (Blocco 8, 2017–2023), sebbene i margini fossero piccoli (ad esempio 0,03%–0,05%).
• Orizzonti di Previsione: La superiorità dei metodi Naive e ARIMA è rimasta coerente sugli orizzonti di previsione di 20 e 60 giorni.

Significato e Affermazioni

Il documento conclude che per la previsione della curva dei rendimenti dei titoli di stato statunitensi, i metodi econometrici tradizionali (in particolare ARIMA) e i benchmark naive rimangono gli approcci più efficaci.

Gli autori affermano che i modelli di deep learning, inclusi transformer avanzati e modelli foundation, generalmente non riescono a superare questi metodi più semplici su questo compito specifico. Suggeriscono che il processo giornaliero della curva dei rendimenti è vicino a una martingala (rimane stabile giorno dopo giorno con salti acuti occasionali), una caratteristica ben catturata dai modelli naive e lineari. La sotto-performance del deep learning è attribuita a un possibile overfitting e alla difficoltà di apprendere da dati finanziari limitati e rumorosi rispetto ai massicci corpora utilizzati per i modelli foundation in altri domini.

Lo studio sottolinea che, sebbene il deep learning mostri promesse in specifici blocchi temporali o con configurazioni specifiche, la semplicità, la robustezza e l'efficacia dei costi dei metodi econometrici tradizionali li rendono la scelta preferita per questa applicazione. Il documento non afferma che il ML sia inutile per la finanza, ma piuttosto che, per la previsione della curva dei rendimenti, non ha ancora dimostrato un vantaggio coerente rispetto ai baselines statistici consolidati.