Sintesi Tecnica: Stress Test Inverso per Scenari Multivariati

1. Definizione del Problema

Il documento affronta un limite critico nei convenzionali stress test: la tendenza a imporre shock su singole classi di attività in isolamento, fallendo così nel catturare la propagazione dello stress attraverso il sistema finanziario più ampio. Gli approcci standard definiscono spesso uno scenario in modo esogeno (ad esempio, "un calo del 30% delle azioni") e computano il relativo risultato, ignorando le complesse strutture di dipendenza storica che dettano come altri fattori di rischio (obbligazioni, spread creditizi, volatilità) reagirebbero.

Gli autori propongono un framework di Reverse Stress Testing (RST) che inverte questa logica. Invece di $Scenario \to Perdita$, il metodo parte da un esito avverso prescritto (ad esempio, uno shock $S$ specifico su una singola classe di attività) e lavora a ritroso per identificare la più probabile configurazione di mercato multivariata (i movimenti congiunti di tutte le altre classi di attività) che sia coerente sia con lo shock imposto sia con la struttura di dipendenza empirica del mercato.

Formalmente, dato un mercato di $d$ classi di attività con rendimenti giornalieri $r = (r_1, \dots, r_d)^\top$, e uno shock esogeno $s$ imposto sull'asset $r_1$, l'obiettivo è trovare il vettore $\bar{r}^s_{-1}$ che massimizza la densità condizionale dei rendimenti non soggetti a shock dato lo shock:
$$\bar{r}^s_{-1} = \arg \max_{x_{-1} \in \mathbb{R}^{d-1}} f_{r_{-1}|r_1}(x_{-1} | s)$$
dove $f_{r_{-1}|r_1}$ è la densità condizionale delle componenti non soggette a shock dato $r_1 = s$.

2. Metodologia

Il documento sviluppa una soluzione a questo problema di ottimizzazione sotto tre assunzioni distribuzionali progressivamente più deboli, ciascuna associata a uno schema specifico per la generazione di traiettorie sotto stress.

A. Approccio Parametrico (Gaussianità Congiunta)

• Assunzione: Il vettore dei rendimenti $r$ segue una distribuzione multivariata Gaussiana con media $\mu$ e covarianza $\Sigma$.
• Soluzione: Sotto questa assunzione, la distribuzione condizionale di $r_{-1}$ dato $r_1=s$ è anch'essa Gaussiana. Lo scenario modale (il massimizzatore della densità condizionale) coincide con la media condizionale:
  $$\bar{r}^s_{-1} = \mu_{-1} + \Sigma_{-1,1}\Sigma_{11}^{-1}(s - \mu_1)$$
• Campionamento: Le traiettorie sotto stress vengono generate campionando da questa distribuzione Gaussiana condizionale. Lo shock $s$ è fisso, mentre le altre componenti sono estratte stocasticamente attorno alla media condizionale.

B. Approccio Semiparametrico (Verosimiglianza Empirica + Campionamento Parametrico Locale)

• Motivazione: Per evitare le restrittive assunzioni sulle code del modello Gaussiano, mitigando al contempo la "maledizione della dimensionalità" inerente alla stima della densità completamente non parametrica.
• Stima dello Scenario Modale: Gli autori utilizzano la Verosimiglianza Empirica (Empirical Likelihood) (Owen, 1990). Filtrano prima i dati storici a un sottocampione in cui il rendimento dell'asset sotto shock è vicino a $s$ (entro un buffer $\epsilon$). Lo scenario modale $\bar{r}^s$ è stimato come il valore $x$ che massimizza la verosimiglianza empirica di profilo sul convesso dell'insieme di questo sottocampione condizionato.
  • Risultato Chiave (Proposizione 4.1): La soluzione di questa ottimizzazione è la media pesata uniforme (la media empirica) del sottocampione condizionato. Ciò fornisce un estimatore in forma chiusa senza assumere una forma parametrica globale per la densità.
• Campionamento: Una volta determinato $\bar{r}^s$, il documento propone due schemi di campionamento parametrico locale per generare traiettorie attorno a questo modo:
  1. Campionamento Gaussiano: I campioni sono estratti da una distribuzione normale multivariata centrata su $\bar{r}^s$ con una stima della covarianza locale.
  2. Campionamento Student-t: I campioni sono estratti da una distribuzione Student-t multivariata centrata su $\bar{r}^s$. Ciò consente di controllare lo spessore delle code (tramite i gradi di libertà $\nu$) preservando la struttura di correlazione locale.

C. Approccio Completamente Non Parametrico (Resampling a Distanza Inversa)

• Metodologia: Questa variante non compie alcuna assunzione parametrica per la generazione delle traiettorie sotto stress.
• Meccanismo:
  1. Viene definito un ball di Mahalanobis di raggio $\epsilon$ attorno allo scenario modale stimato $\bar{r}^s$ utilizzando una stima della covarianza locale.
  2. Vengono selezionate le osservazioni storiche che cadono all'interno di questo ball.
  3. Le osservazioni vengono ricampionate con reinserimento, pesate inversamente dalla loro distanza di Mahalanobis da $\bar{r}^s$ (le osservazioni più vicine hanno una probabilità maggiore).
• Compromesso: Questo approccio evita l'errata specificazione parametrica ma soffre di una riduzione della dimensione effettiva del campione nella regione condizionata, portando potenzialmente a una maggiore varianza nelle traiettorie simulate.

D. Stima della Covarianza Locale

Una componente critica in tutti i metodi è l'uso di stime di covarianza locale piuttosto che medie storiche globali. Gli autori notano che le correlazioni spesso si intensificano durante le fasi di stress (breakdown della correlazione). Propongono una selezione basata su Mahalanobis per identificare un sottocampione di dati storici rilevanti per il regime di stress e, opzionalmente, applicano il Bayesian shrinkage (utilizzando un prior inverse-Wishart) per regolarizzare la matrice di covarianza quando il sottocampione locale è piccolo.

3. Contributi Chiave

1. Framework Metodologico: Il documento fornisce un framework unificato per l'RST che ricostruisce scenari multivariati coerenti da un singolo shock esogeno, risolvendo il problema degli scenari di stress "incoerenti".
2. Implementazione a Tre Livelli: Offre uno spettro di soluzioni:
   • Parametrica: In forma chiusa, computazionalmente efficiente, adatta quando le assunzioni Gaussiane sono ragionevoli.
   • Semiparametrica: Combina la stima del modo non parametrica (Verosimiglianza Empirica) con il campionamento parametrico locale (Gaussiano/Student-t), offrendo un equilibrio tra flessibilità e stabilità.
   • Non Parametrica: Completamente guidata dai dati ma sensibile alla dimensione del campione nelle regioni sparse.
3. Giustificazione Teorica: Il documento dimostra che, sotto la Verosimiglianza Empirica, lo scenario modale è semplicemente la media empirica del sottocampione condizionato, fornendo una base rigorosa per la fase di stima.
4. Validazione su Dati Reali: I metodi sono testati su dati di mercato reali (azioni europee/USA, obbligazioni governative, mercati emergenti, rendimenti) dimostrando la capacità di riprodurre dinamiche economicamente coerenti.

4. Risultati e Validazione

Gli autori validano il framework utilizzando 1000 simulazioni su cinque anni di dati di mercato.

• Scenario 1 (Shock Obbligazionario): Uno shock del -11% sui titoli governativi europei.
  • Risultati: Il modello prevede correttamente una risposta positiva mediana negli indici azionari (coerente con le dinamiche storiche di flight-to-quality o risk-off) e un ampliamento dell'intervallo inter-quantile, catturando l'asimmetria rischio-rendimento tipica dei regimi di stress (maggiore tendenza centrale ma aumento del rischio di coda).
• Scenario 2 (Shock Azionario): Uno shock del -30% sulle azioni europee.
  • Confronto:
    • Parametrico (Gaussiano): Ha prodotto traiettorie fluide con minore dispersione.
    • Semiparametrico (Student-t): Ha prodotto traiettorie con code più pesanti, riflettendo la flessibilità della distribuzione Student-t.
    • Non Parametrico: Ha prodotto traiettorie con una dispersione marcatamente ridotta. Gli autori attribuiscono ciò al "compromesso bias-varianza": limitando il campionamento a un piccolo vicinato di Mahalanobis, il metodo estrae ripetutamente un numero limitato di osservazioni storiche, riducendo la variabilità intra-shock.

5. Significato e Dichiarazioni

Il documento sostiene che il suo contributo primario sia la generazione preliminare di uno scenario multivariare coerente prima che l'impatto sul portafoglio venga valutato. Invertendo l'analisi ($Perdita \to Scenario$), il framework fornisce una visione più informativa delle vulnerabilità del portafoglio, in particolare quando i rischi derivano dall'interazione di molteplici fattori.

Gli autori posizionano il loro lavoro come operativamente pratico. Evidenziano che la procedura RST può servire come passaggio di "post-processing" modulare per i motori di simulazione standard (come il bootstrapping). Esso sostituisce i rendimenti all'interno di una specifica finestra di stress con realizzazioni coerenti con lo shock imposto e la struttura di dipendenza stimata, lasciando invariata il resto della traiettoria.

Dichiarazioni Moderate:

• Gli autori riconoscono esplicitamente i limiti della variante completamente non parametrica, notando la sua sensibilità alla dimensione del campione e le potenziali asimmetrie nella distribuzione empirica. Affermano che l'indagine sistematica delle tecniche di regolarizzazione per questa variante è fuori dallo scopo del presente lavoro.
• Enfatizzano che la variante semiparametrica emerge come il "compromesso più equilibrato" tra flessibilità distributiva e stabilità, piuttosto che sostenere che un metodo sia universalmente superiore.
• Il documento si concentra sulla generazione dello scenario stesso, non sul successivo calcolo dei requisiti patrimoniali o della conformità normativa, sebbene ne sottolinei l'utilità per la valutazione delle necessità di solvibilità e liquidità.