💰 quantitative finance

A Hybrid Gaussian Process Regression Framework for Stable Volatility-Covariance Estimation: Evidence from Global Equity Indices

Questo articolo introduce un nuovo framework ibrido di regressione gaussiana-processuale e simulazione storica che combina la modellazione dinamica della volatilità univariata con correlazioni storiche stabili e una strategia di inizializzazione aggressiva del rumore per ottenere previsioni di volatilità-covarianza superiori e conformi alle normative per portafogli azionari globali rispetto ai modelli econometrici tradizionali.

Autori originali: Ujjwala Vadrevu

Pubblicato 2026-05-19

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ujjwala Vadrevu

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere il capitano di una nave massiccia (il portafoglio investimenti di una banca) che solca l'oceano dei mercati azionari globali. Il tuo compito più importante è prevedere quanto grandi potrebbero diventare le onde domani, così da caricare abbastanza scialuppe di salvataggio (capitale) per sopravvivere a una tempesta. Se prevedi che le onde siano troppo piccole, la nave affonda. Se prevedi che siano troppo grandi, sprechi denaro trasportando scialuppe di salvataggio inutili.

Questo articolo introduce un nuovo metodo più intelligente per prevedere quelle onde, chiamato Framework Ibrido GPR-HS. Ecco come funziona, scomposto in concetti semplici:

1. Il Problema delle Vecchie Mappe

Per molto tempo, le banche hanno utilizzato "Vecchie Mappe" (modelli matematici tradizionali come GARCH o EWMA) per prevedere le onde. L'articolo sostiene che queste mappe presentano tre gravi difetti:

Presumono che l'oceano sia calmo: Si aspettano che le onde siano lisce e prevedibili, ma i mercati reali hanno "code grasse" — tsunami improvvisi e massicci che questi modelli non colgono.
Sono troppo rigide: Presumono che le notizie negative e quelle positive influenzino l'oceano allo stesso modo. In realtà, una tempesta (notizie negative) crea solitamente onde molto più grandi di una giornata di calma (notizie positive).
Si confondono nella folla: Quando si cerca di prevedere come si muovono insieme sette navi diverse (azioni), questi vecchi modelli spesso si rompono o forniscono risposte matematicamente impossibili.

2. La Nuova Soluzione: Un Approccio "Ibrido Intelligente"

Gli autori hanno costruito un nuovo sistema che combina il meglio di due mondi: Regressione con Processi Gaussiani (GPR) e Simulazione Storica (HS). Pensa a ciò come all'uso di un radar meteorologico ad alta tecnologia per le singole onde, ma utilizzando un libro di storia affidabile per come le onde interagiscono tra loro.

Il Radar (GPR): Invece di forzare le onde in una forma rigida, questa parte del modello impara la "ruvidità" dell'oceano. Utilizza uno strumento speciale chiamato kernel Matern 5/2. Immagina di provare a disegnare una costa. Una curva liscia (come un cerchio) non assomiglia a una vera costa frastagliata. Il kernel Matern è come uno schizzo frastagliato e realistico che cattura la natura ruvida e imprevedibile dei prezzi delle azioni meglio delle curve lisce.
Il Libro di Storia (HS): Mentre il radar prevede come reagisce una singola nave al vento, il libro di storia esamina come tutte le navi si sono mosse insieme in passato. Questo mantiene la matematica stabile e impedisce al modello di confondersi quando la flotta diventa grande.

3. L'Ingrediente Segreto: "Inizializzazione Aggressiva del Rumore" (ANI)

Questa è la più grande innovazione dell'articolo. Quando si insegna a un computer ad apprendere, devi fornirgli una stima iniziale. Di solito, le persone iniziano con una stima "sicura". Questo articolo dice: "Inizia con una stima rumorosa e conservativa."

L'Analogia: Immagina di insegnare a uno studente a guidare. Se inizi su una strada tranquilla e vuota, potrebbe diventare troppo sicuro di sé. Invece, gli autori dicono al computer: "Inizia assumendo che la strada sia piena di buche e caos".
Il Risultato: Inizando con questa assunzione "rumorosa" (impostando il livello di rumore uguale alla vera selvaggia dei dati), il computer è costretto a essere molto cauto. Non sottostima mai il pericolo. Questo garantisce che, anche se il modello commette un errore, pecchi per eccesso di cautela — trasportando più scialuppe di salvataggio del necessario, cosa che i regolatori apprezzano.

4. La Prova Stradale

Gli autori hanno testato questo nuovo sistema su sette principali mercati azionari globali (inclusi Stati Uniti, Europa, Giappone e India) per cinque anni (2020–2025). Hanno utilizzato un metodo "forward-chaining", che è come guidare un'auto guardando solo attraverso il parabrezza, senza sbirciare nel retrovisore per barare.

I Risultati:

Sicurezza Prima di Tutto: Il nuovo modello ha superato il rigoroso test "Expected Shortfall" (una misura di quanto denaro perdi in un disastro) al 100% dei casi per l'intero portafoglio.
Meglio del Metodo Vecchio: Ha superato il "Historical VaR" standard (la vecchia mappa) nel 71,4% dei casi per quanto riguarda l'accuratezza, ed è stato più sicuro (meno violazioni a sorpresa) nel 100% dei casi.
Vince la Conservazione: In alcuni casi, il modello ha previsto meno crolli di quelli effettivamente avvenuti. Nel mondo della banca, questo è un "fallimento positivo". Significa che la banca ha detenuto capitale extra ed è stata al sicuro, piuttosto che essere colta di sorpresa.

5. La Conclusione

Questo articolo propone un nuovo modo per misurare il rischio finanziario che è più intelligente, più flessibile e più sicuro dei metodi tradizionali. Utilizzando un kernel matematico "ruvido" per catturare il caos del mondo reale e iniziando con una stima "conservativa", il sistema garantisce che le banche siano preparate per le peggiori tempeste, soddisfacendo le rigorose normative governative senza dover utilizzare matematica instabile e complessa che si rompe facilmente.

In sintesi: È un nuovo sistema di navigazione che presume che l'oceano sia sempre più ruvido di quanto appaia, garantendo che la nave non rimanga mai senza scialuppe di salvataggio.

Riepilogo Tecnico: Un Framework Ibrido di Regressione Gaussian Process per la Stima Stabile della Matrice di Volatilità-Covarianza

Enunciato del Problema
La previsione accurata della Matrice di Volatilità-Covarianza (VCV) è critica per i processi di adeguatezza del capitale regolamentare, in particolare per il Processo di Valutazione dell'Adeguatezza del Capitale Interno (ICAAP) e l'Analisi e Revisione del Capitale Completo (CCAR). I modelli econometrici tradizionali, inclusi gli approcci della famiglia GARCH e la Media Mobile a Pesi Esponenziali (EWMA), affrontano limitazioni strutturali significative negli ambienti finanziari moderni. Queste includono rigidità parametrica, affidamento su assunzioni di normalità che portano a una sottostima sistematica del rischio di coda ("code grasse"), incapacità di catturare l'effetto leva e impossibilità di modellare dipendenze non lineari e contagio delle correlazioni durante stress sistemici. Inoltre, le estensioni multivariate come il GARCH a Correlazione Condizionata Dinamica (DCC) soffrono spesso di instabilità numerica, in particolare nel mantenere la Definizione Positiva (PD) della matrice VCV su larga scala. Sebbene la Regressione Gaussian Process (GPR) offra un'alternativa non parametrica capace di modellare l'eteroschedasticità non lineare e variabile nel tempo, l'applicazione diretta della GPR a più output (MOGPR) alle dimensioni del portafoglio introduce una complessità computazionale proibitiva ( $O((N \cdot T)^3)$ ) e fallimenti di convergenza.

Metodologia
Il documento propone un framework Ibrido Regressione Gaussian Process–Simulazione Storica (GPR-HS) progettato per disaccoppiare la stima delle volatilità degli asset individuali dalle correlazioni inter-asset.

Dati e Preprocessing: Lo studio utilizza i prezzi di chiusura giornalieri di sette principali indici azionari globali (S&P 500, EURO STOXX 50, Nikkei 225, FTSE 100, Hang Seng, Nifty 50 e BSE SENSEX) dal 30 giugno 2020 al 30 giugno 2025. I dati sono preelaborati per garantire un calendario di negoziazione sincrono e trasformati in rendimenti logaritmici giornalieri.
GPR Univariata per la Volatilità: Le varianze condizionate degli asset individuali sono modellate utilizzando GPR Univariata con un kernel Matern 5/2. Questo kernel è selezionato rispetto al kernel Radial Basis Function (RBF) perché la sua assunzione di due volte differenziabilità riflette meglio la "ruvidità" intrinseca dei rendimenti finanziari, mentre la differenziabilità infinita dell'RBF è teoricamente inappropriata. Un kernel di Rumore Bianco è aggiunto per modellare l'eteroschedasticità irriducibile.
Inizializzazione Aggressiva del Rumore (ANI): Viene introdotta una strategia di iperparametri innovativa in cui la varianza iniziale del Rumore Bianco ( $\sigma_n^2$ $σ_{n}^{2}$ ) è impostata uguale alla varianza empirica dei rendimenti di addestramento. Questo serve tre scopi:
- Conservatorismo Regolamentare: Spinge l'ottimizzatore verso funzioni strutturali più lisce, producendo stime di volatilità conservative allineate ai requisiti di Stress VaR (SVaR).
- Stabilità Numerica: Garantisce che la matrice di Gram sia ben condizionata fin dall'inizio, prevenendo fallimenti di inversione.
- Convergenza Globale: Appiattisce la superficie della verosimiglianza marginale, aiutando l'ottimizzatore L-BFGS-B a sfuggire agli ottimi locali.
Costruzione Ibrida della VCV: La matrice VCV del portafoglio è costruita combinando le varianze condizionate dinamiche previste dalla GPR (elementi diagonali) con covarianze storiche stabili (elementi fuori diagonale) derivate da una finestra di addestramento in espansione. Questo riduce la complessità computazionale da $O((N \cdot T)^3)$ a $O(N \cdot T^3)$ .
Derivazione delle Metriche di Rischio: Il Value-at-Risk (VaR) e l'Expected Shortfall (ES) sono derivati assumendo una distribuzione t di Student con $\nu=5$ gradi di libertà per catturare la leptocurtosi.
Validazione: Il framework è valutato utilizzando uno schema di validazione incrociata forward-chaining a finestra in espansione (2022–2025). Le prestazioni sono valutate tramite i test di Copertura Incondizionata (UC) di Kupiec, Copertura Condizionata (CC) di Christoffersen, backtest ES di McNeil-Frey e funzioni di Perdita Quadratica (QL), confrontati con un Historical VaR statico.

Principali Contributi
Il documento apporta tre contributi principali:

Architettura Ibrida: Introduce un framework innovativo che combina GPR Univariata per la volatilità dinamica con Simulazione Storica per la correlazione, risolvendo i vincoli di scalabilità e stabilità della MOGPR completa.
Inizializzazione Aggressiva del Rumore (ANI): Propone una strategia di inizializzazione fondata che garantisce la definizione positiva della matrice di Gram, la stabilità numerica e il conservatorismo conforme alla regolamentazione.
Validazione Empirica Cross-Mercato: Fornisce backtest rigorosi su sette mercati azionari globali eterogenei nell'arco di cinque anni, dimostrando la robustezza del framework attraverso diversi regimi di mercato.

Risultati

Convergenza del Modello: I modelli GPR hanno raggiunto una convergenza ottimale in tutti e sette i mercati, come dimostrato da punteggi di Log-Verosimiglianza Marginale (LML) che aumentano monotonicamente man mano che la storia di addestramento si espandeva.
Prestazioni Univariate: Il framework ha raggiunto tassi di superamento della Copertura Condizionata (CC) tra il 75% e il 100% per la maggior parte degli indici. I fallimenti nella Copertura Incondizionata (UC) e nell'Expected Shortfall (ES) sono stati prevalentemente caratterizzati come "eccessivamente conservativi" (violazioni inferiori al previsto), che è la modalità di fallimento preferita nei contesti regolamentari.
Prestazioni a Livello di Portafoglio: Il framework ibrido ha raggiunto un tasso di superamento del 100% per il test ES su tutte le suddivisioni, la validazione regolamentare più esigente. Sebbene i test di Kupiec abbiano mostrato alcuni "fallimenti conservativi" (violazioni reali < attese) in specifiche suddivisioni, i test di Copertura Condizionata sono stati superati in tutti i casi, confermando che il modello traccia la volatilità variabile nel tempo senza raggruppamento delle violazioni.
Confronto con Benchmark: Il framework GPR-HS ha superato il benchmark Historical VaR statico nel 71,4% dei casi univariati basati sulla Perdita Quadratica (accuratezza) ed è stato superiore o in parità nel 100% dei casi basati sul conteggio delle violazioni (sicurezza). Nei confronti a livello di portafoglio, il framework GPR-HS ha dimostrato valori di Perdita Quadratica significativamente inferiori (ad esempio, 0,619 contro 13,931 nel 2022) rispetto all'Historical VaR.

Significato e Affermazioni
Il documento afferma che il framework ibrido GPR-HS offre una soluzione praticabile e conforme alla regolamentazione per la misurazione dinamica del rischio di portafoglio. Disaccoppiando la stima della volatilità e della correlazione, supera l'instabilità computazionale e numerica della GPR multivariata completa, evitando al contempo la rigidità parametrica dei modelli GARCH tradizionali. La strategia di Inizializzazione Agressiva del Rumore è evidenziata come un contributo metodologico che garantisce previsioni conservative e difendibili, adatte ai test di stress ICAAP e CCAR. La capacità del framework di mantenere stabilità e conservatorismo attraverso diversi mercati globali, inclusi regimi asiatici ad alta incertezza, ne suggerisce l'utilità come strumento robusto per la gestione moderna del rischio di mercato. Gli autori riconoscono il limite dell'assunzione di correlazione statica, ma notano che la componente di volatilità dinamica compensa efficacemente questo aspetto nella pratica, risultando in misure di rischio di portafoglio robuste. Si segnala che i lavori futuri estenderanno questo framework all'analisi di scenari stressati e all'interpretabilità del modello tramite valori SHAP.