Importance Sampling Enhanced with the COS Method for the Portfolio Risk Allocation

Nel mondo della finanza, le banche e le società di investimento gestiscono vaste collezioni di prestiti, note come portafogli. La maggior parte del tempo, questi portafogli performano bene e il denaro fluisce regolarmente. Ma occasionalmente, si verifica una tempesta perfetta: una recessione, un improvviso crollo del mercato o una cascata di insolvenze che causa la perdita di una quantità massiccia di denaro in un colpo solo. Questi sono eventi rari, ma sono proprio quelli che possono distruggere una banca. Per restare al sicuro, i regolatori richiedono alle banche di sapere esattamente quanto denaro devono tenere in riserva per sopravvivere a un disastro simile. Il problema è che questi disastri accadono così raramente che, se si cercasse di simularli su un computer utilizzando i metodi standard, si potrebbe eseguire la simulazione un milione di volte senza vedere un singolo disastro. È come cercare di prevedere un'alluvione che avviene una volta ogni cento anni osservando un fiume per un singolo pomeriggio; semplicemente non vedresti l'acqua alzarsi abbastanza da essere rilevante.

Per risolvere questo problema, i matematici utilizzano una tecnica chiamata campionamento per importanza (importance sampling). Invece di osservare il fiume normalmente, modificano artificialmente il meteo nella loro simulazione per far sì che l'alluvione avvenga più spesso. Successivamente, utilizzano una correzione matematica per riportare i risultati alla realtà, garantendo che la risposta finale sia accurata. Tuttavia, questo metodo ha un limite: se il meteo artificiale viene cambiato troppo, la correzione diventa instabile e i risultati diventano rumorosi. Se il meteo viene cambiato troppo poco, l'alluvione accade ancora raramente e la simulazione rimane inutile. La chiave per far funzionare il tutto è trovare l'equilibrio perfetto per come la simulazione viene alterata. Questo è il compito che i ricercatori Fang Fang, Xiaoyu Shen e Qinling Wang hanno affrontato nel loro recente lavoro sul rischio dei portafogli di credito.

I ricercatori si sono concentrati su un tipo specifico di modello finanziario in cui la salute di molti diversi debitori è legata tra loro da alcuni fattori sottostanti comuni, come lo stato generale dell'economia. Quando l'economia soffre, molti debitori soffrono contemporaneamente. Per stimare il rischio di una perdita massiccia, dovevano capire esattamente quale sarebbe stato l'aspetto dell'economia nel caso in cui un disastro fosse imminente. Il loro obiettivo era calibrare la simulazione in modo che scivolasse naturalmente verso questi stati economici pericolosi senza rompere le regole matematiche.

Per anni, il modo standard per effettuare questa calibrazione è stato quello di eseguire un set preliminare di simulazioni e semplicemente contare quante volte si verificava un disastro. Se uno scenario economico specifico portava a un disastro, riceveva un voto "sì"; se non accadeva, riceveva un voto "no". I ricercatori utilizzavano poi questi voti sì-o-no per regolare la simulazione. Il problema con questo approccio è che ai livelli estremi di rischio che le banche monitorano, i disastri sono così rari che, in una corsa preliminare di un quarto di milione di scenari, potresti ottenere solo poche centinaia di voti "sì". Con così pochi punti dati, la relativa regolazione è instabile e inaffidabile, molto simile al tentativo di indovinare l'altezza media di una popolazione misurando solo tre persone.

Il team ha proposto un nuovo metodo, che chiamano ISCOS, per sostituire questi voti binari sì-o-no con qualcosa di molto più fluido. Invece di chiedere: "Questo scenario ha causato un disastro?", hanno chiesto: "Qual è la probabilità che questo scenario causi un disastro?". Hanno utilizzato uno strumento matematico sofisticato, basato su una tecnica chiamata metodo Fourier-coseno, per calcolare direttamente questa probabilità dalla struttura del modello. Questo strumento ha permesso loro di stimare la probabilità di un disastro per ogni singolo scenario simulato, anche se quel particolare scenario non ha effettivamente prodotto un disastro durante la fase preliminare. Utilizzando queste stime di probabilità fluide invece di risposte binarie sì-o-no, sono riusciti a raccogliere molte più informazioni utili dallo stesso numero di simulazioni al computer.

Quando hanno testato questo nuovo metodo rispetto al vecchio, la differenza è stata sorprendente. Nei loro esperimenti, che coinvolgevano un portafoglio di cento debitori ed undici diversi fattori economici, il nuovo metodo ha prodotto risultati molto più stabili. Nello specifico, quando hanno esaminato quanto ogni singolo debitore contribuisse al rischio totale di un disastro, il nuovo metodo ha fornito risposte molto più chiare. Il vecchio metodo produceva intervalli ampi e incerti per questi contributi, mentre il nuovo metodo ha ridotto significativamente tali intervalli. In un test, il nuovo metodo ha ridotto l'incertezza nelle stime del rischio di oltre il venti per cento. Ciò significa che una banca che utilizza questo metodo potrebbe avere un quadro molto più nitido di dove risiedano le proprie vulnerabilità, permettendo decisioni migliori su quanto capitale detenere.

I ricercatori hanno anche verificato se il loro nuovo metodo fosse matematicamente solido. Hanno dimostrato che, utilizzando le stime di probabilità fluide, stavano essenzialmente rimuovendo uno strato di rumore casuale che affliggeva il vecchio metodo. Ciò rendeva le loro stime statisticamente più efficienti, il che significa che ottenevano risultati più accurati con la stessa potenza di calcolo. Hanno testato questo su due diversi tipi di modelli finanziari: uno che assumeva che i fattori economici seguissero una distribuzione standard a campana, e un altro che permetteva eventi più estremi e con code pesanti (heavy-tailed). In entrambi i casi, il nuovo metodo ha superato il vecchio, fornendo allocazioni del rischio più affidabili senza richiedere un tempo di calcolo significativamente maggiore.

Uno dei risultati più importanti è stato che il nuovo metodo non ha solo migliorato il numero del rischio complessivo, ma ha migliorato la scomposizione di tale rischio. Le banche hanno bisogno di sapere non solo che sono a rischio, ma quali prestiti specifici stanno guidando quel rischio. Il vecchio metodo spesso faticava a individuare con precisiono questi contributi individuali quando la soglia del disastro era molto alta. Il nuovo metodo, tuttavia, ha fornito una mappa molto più chiara di questi rischi individuali. Questo è fondamentale per i risk manager che devono decidere se vendere un prestito specifico o acquistare un'assicurazione contro di esso. La capacità di vedere questi dettagli con maggiore precisione, senza dover attendere una simulazione più lunga, è un vantaggio pratico significativo.

Lo studio è stato condotto utilizzando un portafoglio benchmark specifico con cento debitori, divisi in dieci gruppi con diverse dimensioni di perdite potenziali. I ricercatori hanno impostato il livello di confidenza al 99,9 percento, uno standard per la regolamentazione finanziaria ad alto rischio, e hanno cercato scenari in cui la perdita totale superasse una specifica soglia elevata. Hanno eseguito le simulazioni su una configurazione computer standard, confrontando direttamente il loro nuovo approccio con il metodo stabilito. I risultati hanno mostato che, sebbene il nuovo metodo richiedesse un piccolo tempo supplementare per calcolare le probabilità fluide, questo costo era trascurabile rispetto al tempo risparmiato ottenendo risultati accurati più velocemente. Il tempo totale per eseguire la simulazione completa è stato solo di circa il quattro per cento più lungo, ma la qualità della valutazione del rischio è stata sostanzialmente migliore.

I ricercatori sono stati attenti a sottolineare che le loro scoperte si basano su simulazioni e casi di test specifici. Non hanno affermato che il loro metodo avrebbe risolto ogni problema in ogni possibile mercato finanziario, né hanno suggerito che fosse una bacchetta magica capace di eliminare ogni incertezza. I miglioramenti sono stati misurati in termini di quanto variavano le stime da un'esecuzione all'altra e in quanto fossero stretti gli intervalli di confidenza attorno ai numeri finali. Nei test eseguiti, il nuovo metodo ha costantemente prodotto intervalli più stretti e stime più stabili, particolarmente per i contributi al rischio di coda (tail-risk) che sono i più difficili da calcolare.

In definitiva, questo lavoro dimostra che cambiando il modo in cui guardiamo i dati durante la fase di calibrazione, possiamo rendere le simulazioni di eventi rari molto più potenti. Invece di fare affidamento sulla fortuna di colpire un disastro in una corsa preliminare, il nuovo metodo utilizza l'intuizione matematica per comprendere il potenziale di disastro in ogni scenario. Questo passaggio dal contare gli eventi rari al stimare la loro probabilità permette una valutazione del rischio finanziario molto più robusta e affidabile. Per le istituzioni che si affidano a questi calcoli per proteggere l'economia globale, la capacità di vedere il pericolo più chiaramente, con meno rumore e meno incertezza, è un passo avanti vitale nella gestione dell'ignoto.