Estimated Dynamic Equilibrium Model: Supply and Demand as a Sample Path of a Stochastic Process

Riepilogo Tecnico: Modello di Equilibrio Dinamico Stimato (EDEM)

Enunciato del Problema
Il documento affronta il fallimento persistente dell'Ipotesi dei Mercati Efficienti (EMH) nel spiegare fenomeni di mercato come bolle, crolli e anomalie persistenti nei rendimenti trasversali. Sebbene la letteratura empirica sulla "divergenza di opinioni" (Miller, 1977) offra teorie concorrenti — alcune che prevedono un premio per il disaccordo, altre uno sconto — questi risultati rimangono contraddittori e spesso dipendono dalla specifica finestra di osservazione. Gli autori sostengono che la radice di questa confusione risieda nella formulazione statica di offerta e domanda. I mercati reali non sono schedule fissi, ma processi continui e stocastici in cui i prezzi di oggi alimentano le valutazioni di domani. Il documento mira a costruire un modello generativo dal basso verso l'alto per determinare se un disequilibrio persistente possa emergere da regole semplici e di buon senso, senza assumere irrazionalità, ottimismo o bias comportamentali degli investitori.

Metodologia
Gli autori introducono il Modello di Equilibrio Dinamico Stimato (EDEM), un framework basato su agenti (ABM) implementato nella libreria Python Mesa. Il modello simula un mercato immobiliare su una griglia toroidale in cui agenti eterogenei (acquirenti e venditori) interagiscono secondo le seguenti regole strutturali:

1. Stima Eterogenea: Gli agenti possiedono funzioni di stima personali per il valore dell'asset, definite come $E_{i,t}(h) = v_t(h) \cdot (1 + \epsilon_{i,t,h})$, dove $\epsilon$ è un termine di errore a media zero con dispersione specifica per agente $\sigma$. Crucialmente, gli errori sono a media zero; gli agenti non sono intrinsecamente distorti.
2. Clearing della Massima Offerta: I venditori selezionano la massima offerta ricevuta da un pool di stime rumorose.
3. Regola di Impegno all'Offerta: Gli acquirenti si impegnano all'acquisto solo se l'offerta è pari o superiore alla propria media mobile delle offerte pendenti. Ciò limita le transazioni effettive alla coda superiore della distribuzione delle offerte dell'acquirente stesso.
4. Feedback Dinamico:
   • Variante di Equilibrio Dinamico (DE): Utilizza una media mobile delle ultime $W$ vendite per aggiornare i prezzi di mercato. Le quantità di offerta e domanda si adattano tramite parametri "bilanciatori" ($C_b, C_s$) che rispondono agli incrementi di prezzo, simulando comportamenti di media-reversione o trend-following.
   • Variante di Mercato Speculativo: Aggiorna i valori degli asset in modo moltiplicativo in base al rapporto tra le offerte vincenti e i valori correnti, permettendo lo studio di bolle illimitate.

Il modello tratta offerta e domanda non come schedule deterministici, ma come random walk a valori interi guidati dagli incrementi di prezzo e dai parametri bilanciatori.

Contributi Chiave

1. Meccanismo di Deriva basato sulle Statistiche d'Ordine: Il documento deriva un risultato in forma chiusa che mostra come, anche con errori di stima a media zero, l'offerta vincente attesa per un venditore che riceve $n$ offerte superi il valore reale di un fattore $1 + \sigma(n-1)/(n+1)$. Questo "bias delle statistiche d'ordine" nasce dal fatto che il massimo di $n$ estrazioni rumorose è strettamente maggiore della media.
2. Crescita Esponenziale Composta: Gli autori dimostrano che quando questo massimo realizzato viene retroalimentato nell'ancora di valutazione dell'epoca successiva (tramite la regola di aggiornamento moltiplicativo), il bias si compone moltiplicativamente. Ciò genera una deriva persistente dei prezzi al rialzo e bolle esponenziali senza richiedere alcuna assunzione di ottimismo o irrazionalità degli investitori.
3. Quadro Unificato dei Regimi: L'EDEM annida l'equilibrio walrasiano classico (al limite $\sigma \to 0$) e il premio statico di Miller (come limite a periodo singolo) come casi particolari. Identifica inoltre sei distinti regimi fuori equilibrio che emergono da un singolo insieme di regole degli agenti, parametrizzati dal rumore di stima, dalla pazienza del venditore e dalla forza del bilanciatore:
   • Equilibrio stabile a banda
   • Cicli economici endogeni
   • Sovraccosti e sottocosti persistenti
   • Bolle esponenziali incontrollate
   • Transizione costante (mai stabilizzatasi)

Risultati
Attraverso otto esperimenti controllati principali e una griglia di sensibilità a 30 celle, gli autori osservano:

• Dinamiche Stabili vs. Instabili: Basso rumore di stima e pazienza moderata producono un equilibrio stabile. Un alto rumore induce cicli economici; un'alta pazienza o una bassa densità di agenti crea deviazioni persistenti (sovraccosti o sottocosti) dall'equilibrio teorico.
• Generazione di Bolle: Nella variante speculativa senza bilanciatore ($C_b=0$) e con rumore moderato ($\sigma=15\%$), i prezzi crescono esponenzialmente (raggiungendo circa 421 volte il valore reale in 3000 tick).
• Inefficacia dei Bilanciatori Lineari: I bilanciatori di media-reversione ($C_b > 0$) attenuano ma non eliminano la deriva al rialzo. I bilanciatori trend-following ($C_b < 0$) permettono bolle più grandi. Crucialmente, nessuna impostazione del bilanciatore lineare ripristina il prezzo al valore equo ($v_t/v^* = 1$) entro le scale temporali simulate.
• Sensibilità: La deriva delle statistiche d'ordine è universale in tutta la griglia dei parametri; ogni combinazione del coefficiente del bilanciatore e del livello di rumore ha portato a $v_t/v^* > 1$.

Significato e Affermazioni
Il documento afferma con modestia di offrire una spiegazione strutturale per risultati empirici contraddittori nella letteratura sulla divergenza di opinioni. Postula che il fatto che uno studio osservi un "premio" o uno "sconto" dipenda dalla posizione del campione lungo la traiettoria stocastica sottostante, che gli studi a finestra breve non riescono a distinguere.

La principale implicazione teorica è che le bolle sono un'inevitabilità statistica del clearing della massima offerta con feedback, non un'anomalia comportamentale. Una seconda implicazione pratica riguarda gli algoritmi di valutazione basati sul machine learning (ad es. Zillow Offers). Gli autori sostengono che gli algoritmi addestrati sui prezzi di clearing storici apprendono involontariamente la statistica d'ordine superiore (l'offerta vincente) piuttosto che la media della popolazione. Quando vengono implementati, questi algoritmi agiscono come stimatori positivamente distorti, fornendo un segnale di coordinamento che amplifica le stesse bolle che intendono prezzare. Il documento conclude che la correzione di ciò richiede procedure "consapevoli della selezione" (ad es. previsione delle mediane o utilizzo di verosimiglianze per dati censurati) piuttosto che trattare i prezzi di clearing storici come target di addestramento non distorti.