Dynamic Graph Learning and Causal Machine Learning for Evolution, Shock Propagation, and Systemic Resilience in Global Cross-Border Investment Networks

Il denaro non giace semplicemente nei conti bancari; esso si muove. Fluisce attraverso i confini, connettendo le economie in una vasta e mutevole rete di investimenti. Quando un paese decide di costruire una fabbrica all'estero, o quando un governo cambia le proprie regole sulla proprietà straniera, invia un'increspatura attraverso questa rete. Queste increspature non si fermano al confine del primo paese coinvolto. Esse viaggiano, talvolta amplificandosi nel percorso, talvolta svanendo, e talvolta cambiando interamente direzione. Per decenni, gli economisti hanno cercato di mappare queste connessioni, trattandole come una serie di istantanee o una collezione di storie separate su singole nazioni. Ma la realtà è più fluida. La rete stessa cambia forma mentre il denaro si muove, e uno shock in un punto può alterare il percorso del capitale per paesi situati a migliaia di chilometri di distanza, molto tempo dopo che l'evento iniziale si è concluso. Comprendere questo richiede di guardare al sistema non come a una mappa statica, ma come a un organismo vivente e pulsante che evolve nel tempo.

La sfida per i ricercatori è stata che gli strumenti utilizzati per prevedere questi movimenti sono stati divisi in due campi separati. Da un lato, ci sono modelli progettati per prevedere il futuro, ipotizzando quali paesi si connetteranno successivamente sulla base di schemi passati. Questi sono bravi a vedere i trend, ma spesso ciechi rispetto al rapporto causa-effetto; possono prevedere che una connessione avverrà, ma non possono spiegare perché una specifica crisi l'abbia causata o come lo shock si sia effettivamente propagato. Dall'altro lato, ci sono metodi progettati per misurare causa ed effetto, cercando di isolare l'impatto di una specifica politica o evento. Questi sono eccellenti nel trovare il "perché", ma spesso mancano della strumentazione per mostrare come tale effetto si diffonda attraverso una rete in mutamento nel corso di mesi o anni. Trattano la rete come un palcoscenico fisso, piuttosto che come un attore dinamico nella storia. Questa separazione crea un vuoto: possiamo prevedere il futuro, o possiamo comprendere il passato, ma facciamo fatica a fare entrambe le cose contemporaneamente in un modo che rispetti come il sistema si riprenda da una crisi.

Un ricercatore dell'Università di Melbourne, Zetai Kong, ha proposto un nuovo modo per colmare questo divario. Il lavoro introduce un framework unificato chiamato Causal Resilience Graph Operator. Inveve di utilizzare strumenti separati per la previsione e per la comprensione della causa, questo approccio costruisce un unico motore che svolge entrambe le funzioni simultaneamente. Immaginate un sistema in cui il meccanismo stesso che spiega come uno shock si diffonda è lo stesso meccanismo che prevede il passo successivo nell'evoluzione della rete. In questo modello, la "causa" di un cambiamento non è solo un numero aggiunto a un elenco di fatti; è intrecciata direttamente nelle regole che governano il flusso di denaro da un paese all'altro. Il sistema impara a identificare come un evento specifico, come un picco di incertezza globale o una tensione geopolitica, alteri il potenziale di investimento tra le nazioni. Utilizza poi questa specifica comprensione per proiettare come l'increspatura dello shock avanzerà, come verrà assorbita o amplificata, e quanto tempo occorrerà affinché il sistema ritorni a uno stato stabile.

Per testare questa idea, il ricercatore ha alimentato il modello con una quantità massiccia di dati reali, inclusi decenni di record su dove i paesi hanno investito i loro capitali, come si sono comportati i loro governi e quanto il mondo sia stato incerto in diversi momenti. I dati provenivano da fonti internazionali attendibili come il Fondo Monetario Internazionale e la Banca Mondiale, coprendo il periodo dal 2009 al 2024. Al modello è stato chiesto di eseguire un insieme difficile di compiti: prevedere quali legami di investimento appariranno successivamente, prevedere la dimensione di tali investimenti e simulare cosa accadrebbe se uno shock improvviso colpisse la rete. È stato poi confrontato con una gamma di metodi esistenti, dagli strumenti statistici standard ai modelli di intelligenza artificiale avanzata che sono attualmente considerati i migliori nel loro campo.

I risultati hanno dimostrato che il nuovo approccio supera gli altri in quasi ogni categoria. Quando gli è stato chiesto di prevedere le future connessioni tra i paesi, è stato più accurato dei precedenti migliori modelli, mantenendo la sua precisione anche guardando lontano nel futuro. Più importante ancora, quando il modello ha simulato la diffusione di uno shock, ha catturato la tempistica e la direzione della reazione con un livello di dettaglio che gli altri modelli hanno mancato. Mentre altri sistemi potevano indovinare la tendenza generale, spesso fallivano nel determinare il percorso specifico dello shock, mancando i paesi che sarebbero stati colpiti più duramente o sbagliando la valutazione di quanto tempo sarebbe durata la ripresa. Il nuovo modello, al contrario, ha imparato una "mappa" di come i diversi paesi reagiscono allo stress. Poteva mostrare, ad esempio, che uno shock a un'economia potrebbe essere attenuato da un paese partner, ma amplificato da un altro, creando un complesso schema di vincitori e vinti che dipende interamente dalle specifiche connessioni tra loro.

Lo studio ha anche esaminato quanto bene il modello possa gestire una crisi mai vista prima, un test noto come generalizzazione out-of-distribution. I ricercatori hanno nascosto i dati relativi a grandi disruzioni globali, come la pandemia e i periodi di intensa tensione geopolitica, e hanno poi chiesto al modello di prevedere cosa sarebbe accaduto durante quei periodi. Il nuovo framework si è dimostrato straordinariamente robusto. Non è crollato quando le regole del gioco sono cambiate, come accade spesso durante una crisi. Al contrario, ha continuato a fornire previsioni e classifiche di resilienza affidabili, identificando correttamente quali economie avrebbero probabilmente recuperato rapidamente e quali avrebbero incontrato difficoltà. Ciò suggerisce che il modello abbia appreso la logica sottostante del sistema piuttosto che limitarsi a memorizzare schemi passati. Ha compreso che la resilienza non riguarda solo quanto sia grande un paese, ma come le sue specifiche connessioni gli permettano di assorbire un colpo e trovare una nuova strada da seguire.

Una delle scoperte più significative è che il modello può ora misurare la "resilienza" in un modo che prima era impossibile. Invece di classificare semplicemente i paesi in base a quanto denaro hanno perso, il sistema calcola un punteggio di recupero basato su quanto tempo impiega un'economia a tornare alla sua traiettoria normale dopo uno shock. Misura il danno totale, la velocità del rimbalzo e l'amplificazione massima dello shock mentre viaggia attraverso la rete. Ciò consente una comprensione molto più ricca della stabilità globale. Ad esempio, il modello ha rivelato che lo stesso shock può avere effetti molto diversi a seconda della governance di un paese e della sua posizione nella rete di investimenti. Una nazione con istituzioni forti potrebbe assorbire uno shock rapidamente, mentre una nazione simile con connessioni più deboli potrebbe vedere lo stesso shock propagarsi nella propria economia per anni.

I ricercatori hanno sottolineato con cura che questo è uno strumento per la comprensione e lo stress-test, non una palla di cristallo che può prevedere il futuro con certezza assoluta. Il modello si basa sui dati che riceve e, come ogni sistema, ha dei limiti. Non può tenere conto di ogni possibile variabile e assume che le regole fondamentali dell'interazione tra i paesi rimangano in qualche modo coerenti. Tuttavia, combinando la capacità di prevedere il futuro con la capacità di comprendere il passato, offre una nuova e potente lente attraverso cui osservare l'economia globale. Sposta la conversazione oltre le semplici previsioni verso un'analisi più profonda di come funziona il sistema nervoso finanziario mondiale.

In definitiva, questo lavoro suggerisce che il modo in cui studiamo la finanza globale deve cambiare. Non possiamo più trattare la previsione e la causa come problemi separati. Il futuro dell'economia globale è plasmato proprio dagli shock che la interrompono, e il percorso di ripresa è scritto nello stesso codice che governa la diffusione della crisi. Costruendo un modello che rispetti questa connessione, il ricercatore ha fornito un modo per vedere il sistema non solo come una collezione di numeri, ma come una struttura dinamica ed evolutiva che può essere compresa, misurata e, forse, meglio preparata alle tempeste che verranno. Le scoperte indicano che quando comprendiamo i legami causali tra le nazioni, otteniamo una visione più chiara della vera forza del sistema e della sua capacità di resistere.