📈 economia

Macroeconomic Predictability and Machine Learning in REIT Returns: Out-of-Sample Evidence and Property-Sector Heterogeneity

Questo studio rileva che, sebbene i modelli di apprendimento automatico non lineari offrano guadagni di previsione fuori campione economicamente significativi per i rendimenti dei REIT statunitensi a medio termine — in particolare nel settore sanitario e guidati da fattori macroeconomici — essi non raggiungono una superiorità aggregata statisticamente significativa rispetto ai benchmark lineari dopo le correzioni per test multipli, con segnali predittivi concentrati nelle componenti comuni delle serie temporali piuttosto che nella selezione trasversale.

Autori originali: Mahsa Khoshnoud

Pubblicato 2026-10-15

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Mahsa Khoshnoud

Articolo originale sotto licenza CC BY 4.0 (https://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

Nel mondo degli investimenti, alcuni asset si comportano come le azioni, mentre altri agiscono più come obbligazioni o edifici fisici. I Real Estate Investment Trusts, noti come REIT, si collocano proprio nel mezzo di questo divario. Si tratta di società che possiedono proprietà che generano reddito, come centri commerciali, complessi residenziali e ospedali, e che sono scambiate sul mercato azionario proprio come qualsiasi altra società. Poiché il loro valore dipende sia dalla salute del mercato azionario che dalla realtà fisica dell'economia — come i tassi di interesse, la crescita dell'occupazione e l'inflazione — prevedere le loro prestazioni future è un puzzle complesso. Per decenni, investitori ed economisti hanno cercato di risolvere questo puzzle usando una matematica lineare semplice, assumendo che se l'economia sale, questi titoli salgano in modo prevedibile. Ma l'economia raramente è una linea retta; si torce e cambia direzione, e la relazione tra una recessione, un picco dei tassi di interesse e il valore di una proprietà può cambiare a seconda del contesto. È qui che entra in gioco l'informatica moderna, offrendo strumenti in grado di cercare schemi complicati e nascosti nei dati che la matematica tradizionale potrebbe ignorare.

Un ricercatore si è proposto di testare se questi strumenti informatici avanzati, noti come machine learning, potessero effettivamente prevedere i rendimenti futuri dei REIT meglio dei vecchi metodi standard. Ha raccolto una enorme quantità di dati storici, monitorando 3 di 383 diverse società immobiliari per oltre due decenni, dal 2000 al 2023. Questo periodo ha coperto alcuni dei cambiamenti economici più drammatici della storia moderna, inclusa la crisi finanziaria globale, un lungo periodo di tassi di interesse molto bassi, lo shock improvviso della pandemia e la rapida inflazione che ne è seguita. Il ricercatore ha fornito ai modelli informatici un set specifico di indizi: i tassi di interesse attuali, i numeri della disoccupazione, i dati sull'inflazione, la velocità di crescita dell'economia e le prestazioni del mercato azionario generale. Ha poi chiesto al computer di indovinare cosa sarebbe successo ai rendimenti dei REIT nei mesi successivi. Per garantire che il test fosse equo, ha addestrato il computer su dati passati e poi gli ha chiesto di prevedere il futuro senza mai permettergli di sbirciare le risposte in anticipo.

I risultati hanno rivelato una storia più sfumata di una semplice vittoria della nuova tecnologia. Quando il ricercatore ha chiesto al computer di prevedere cosa sarebbe successo nel brevissimo termine — un, due o tre mesi avanti — i modelli di machine learning non sono stati migliori di un semplice indovinare basato sulla media passata. Di fatto, per questi orizzonti temporali brevi, i modelli informatici sono stati leggermente peggiori dei benchmark di base. Tuttavia, la storia è cambiata quando il ricercatore ha osservato un orizzonte di medio termine, chiedendo specificamente al computer di prevedere i rendimenti cumulativi su un periodo di sei mesi. Qui, i modelli avanzati hanno iniziato a mostrare la loro forza. Gli algoritmi più sofisticati, che lavorano costruendo molti piccoli alberi decisionali per trovare schemi complessi, sono stati in grado di ridurre significativamente gli errori di previsione rispetto ai metodi lineari tradizionali. Hanno catturato circa il 9,3 percento della variazione nei rendimenti a sei mesi, un miglioramento significativo rispetto all'approccio standard, che è stato in realtà leggermente peggiore di una semplice media storica.

Nonostante questo miglioramento nell'accuratezza, il ricercatore è stato cauto nel non dichiarare una vittoria totale. Quando ha applicato test statistici rigorosi per vedere se il successo del computer fosse un vero progresso o solo un colpo di fortuna, i risultati sono stati meno definitivi. I miglioramenti, pur essendo economicamente rilevanti, non erano statisticamente abbastanza forti da provare con assoluta certezza che i modelli di machine learning fossero superiori ai metodi più vecchi in ogni ambito. Lo studio suggerisce che i modelli informatici non stanno trovando una formula magica che funzioni per ogni singola proprietà o per ogni singolo mese. Al contrario, stanno cogliendo un tipo specifico di segnale: il movimento ampio e condiviso dell'intero mercato immobiliare guidato dall'economia generale. I modelli sono bravi a cronometrare il mercato generale, percependo quando la marea dei tassi di interesse e dell'occupazione sta per cambiare, ma non sono bravi a scegliere i vincitori e i perdenti individuali tra le diverse società.

Il ricercatore ha anche scoperto che l'utilità di questi strumenti dipende fortemente dal tipo di proprietà analizzata. I modelli di machine learning hanno funzionato meglio per i REIT del settore sanitario, dove le previsioni non solo erano accurate, ma erano anche statisticamente significative anche dopo test rigorosi. Anche le proprietà commerciali hanno mostrato promesse, mentre le società immobiliari residenziali e diversificate sono state meglio predette dai metodi tradizionali più semplici. Questa scoperta evidenzia come l'economia influenzi i diversi tipi di edifici in modi differenti, e che un modello informatico "taglia unica" non possa catturare ogni sfumatura. Inoltre, lo studio ha dimostrato che i modelli informatici non stavano solo memorizzando il passato; stavano imparando a pesare diversi fattori economici, come il modo in cui i cambiamenti nella disoccupazione o nei tassi di interesse interagiscono tra loro, per formare un quadro più completo del futuro.

In definitiva, questa ricerca offre una prospettiva chiara e concreta sul ruolo dell'intelligenza artificiale nella finanza. Dimostra che, sebbene il machine learning possa scoprire schemi preziosi nel modo in cui l'economia influenza il settore immobiliare, non è una palla di cristallo. La tecnologia brilla quando si osservano i trend di medio termine e settori specifici, ma non sostituisce la necessità di un attento scrutinio statistico e della comprensione che l'economia è un paesaggio in continuo mutamento. Lo studio conclude che il valore di questi strumenti avanzati è reale ma condizionale; sono strumenti potenti per comprendere la direzione generale del mercato, a patto che vengano utilizzati con le giuste aspettative e applicati ai tipi di asset corretti.

Sintesi Tecnica: Prevedibilità Macroeconomica e Machine Learning nei Rendimenti dei REIT

Definizione del Problema
I Real Estate Investment Trusts (REIT) quotati in borsa occupano una posizione ibrida nei mercati finanziari, essendo esposti sia ai rischi azionari che ai fondamentali del mercato immobiliare guidati dalle condizioni macroeconomiche (tassi di interesse, inflazione, mercato del lavoro e attività reale). Sebbene le regressioni lineari predittive abbiano tradizionalmente modellato queste relazioni, esse impongono forme funzionali fisse che possono non essere in grado di catturare le non linearità dipendenti dallo stato. Ad esempio, l'impatto dei tassi di interesse sui rendimenti dei REIT può differire a seconda che siano accompagnati da una forte attività reale o da un'inflazione persistente. Sebbene la letteratura recente suggerisca che il machine learning (ML) possa estrarre segnali predittivi non lineari, rimane poco chiaro se tali guadagni siano statisticamente robusti sotto una rigorosa valutazione fuori campione, se si generalizzino attraverso gli orizzonti di previsione e i settori immobiliari, e se rappresentino segnali di timing aggregati o selezione titoli cross-sectional. Questo studio affronta tali lacune valutando se i modelli ML non lineari migliorino le previsioni dei rendimenti dei REIT rispetto ai benchmark lineari e alle medie storiche, specificamente sotto rigorosi vincoli cronologici.

Metodologia
Lo studio utilizza un dataset di 47.075 osservazioni società-mese coprendo 383 titoli REIT statunitensi da gennaio 2000 a dicembre 2023. Il set di predittori è deliberatamente parsimonioso, comprendendo variabili macroeconomiche (federal funds rate, tasso reale a 10 anni, mediana CPI, PIL pro capite reale, disoccupazione), variabili di mercato (rendimenti ponderati per capitalizzazione CRSP), variazioni nelle variabili macro, tre lag dei rendimenti dei REIT e dimensione della società.

Il design di previsione impiega una suddivisione strettamente cronologica per prevenire il look-ahead bias:

Campione di Stima: 2000–2015.
Campione di Validazione: 2016–2019 (utilizzato esclusivamente per il tuning degli iperparametri).
Campione di Test: 2020–2023 (valutato una sola volta con iperparametri congelati).

Lo studio confronta tre modelli ML basati su alberi — Gradient Boosting, Random Forest e XGBoost — contro due benchmark: una regressione Ordinary Least Squares (OLS) aggregata e una previsione basata sulla media storica. Le prestazioni sono valutate utilizzando l' $R^2$ fuori campione ( $R^2_{OOS}$ ), l'RMSE e la MAE attraverso orizzonti diretti (1–3 mesi) e cumulativi (3–6 mesi).

Fondamentalmente, lo studio impiega l'inferenza formale di confronto delle previsioni. Utilizza statistiche Diebold–Mariano (DM) con aggiustamenti HAC per finestre sovrapposte e la correzione per piccoli campioni di Harvey–Leybourne–Newbold. Per affrontare il test multiplo, viene applicato il procedimento di Holm all'interno della famiglia di confronti delle previsioni. Lo studio utilizza inoltre i valori SHAP (SHapley Additive exPlanations) per decomporre l'importanza delle feature e analizza la distinzione tra prevedibilità di serie temporali (aggregata) e prevedibilità cross-sectional (selezione dei titoli).

Risultati Chiave

Dipendenza dall'Orizzonte: La prevedibilità è fortemente dipendente dall'orizzonte. Agli orizzonti diretti brevi (1–3 mesi), tutti i modelli, inclusi i ML, producono un $R^2_{OOS}$ negativo rispetto alla media storica. Tuttavia, ai rendimenti cumulativi di medio termine, i modelli ML generano guadagni economicamente significativi. All'orizzonte dei sei mesi, Gradient Boosting e XGBoost raggiungono valori di $R^2_{OOS}$ di circa il 9,3%, mentre l'OLS aggregato rimane leggermente negativo (−0,6%).
Significatività Statistica: Nonostante l'entità economica dei guadagni, i test formali di confronto delle previsioni non stabiliscono una superiorità statistica significativa dei modelli ML rispetto ai benchmark lineari o della media storica dopo l'aggiustamento per test multipli. Il più piccolo p-value non aggiustato per XGBoost rispetto alla media storica è 0,063, che diventa 0,756 dopo l'aggiustamento di Holm. Ciò suggerisce che, sebbene il ML riduca l'entità dell'errore di previsione, l'evidenza non è sufficiente per sostenere la dominanza statistica nel campione aggregato.
Natura della Prevedibilità: L'analisi SHAP indica che l'importanza predittiva è guidata principalmente dall'attività reale, dalle condizioni del mercato del lavoro, dai tassi di politica monetaria e dai tassi reali a lungo termine, piuttosto che dalla semplice persistenza dei rendimenti o dalla dimensione della società. Il segnale di previsione è concentrato nella componente comune di serie temporali dei rendimenti dei REIT. La correlazione tra la media cross-sectional dei rendimenti realizzati a sei mesi e la previsione di XGBoost è 0,530, ma la correlazione media cross-sectional di Spearman tra i rendimenti individuali dei REIT previsti e quelli realizzati è vicina allo zero. Pertanto, i modelli catturano informazioni di timing aggregate piuttosto che capacità di selezione titoli cross-sectional.
Eterogeneità del Settore: I guadagni predittivi variano significativamente tra i settori immobiliari. I REIT del settore sanitario mostrano la più forte evidenza di prevedibilità non lineare, con XGBoost che raggiunge un $R^2_{OOS}$ dell'11,5% che rimane statisticamente significativo rispetto alla media storica dopo l'aggiustamento a livello di settore. I REIT del settore retail mostrano stime puntuali positive ma non riescono a rifiutare l'uguaglianza della precisione predittiva nei test di perdita formali. Al contrario, i REIT diversificati e residenziali favoriscono il benchmark lineare OLS.
Robustezza: Un esercizio pseudo-fuori campione pre-2020 (holdout 2014–2016) mostra che, sebbene i modelli ML superino costantemente l'OLS aggregato in termini di errore relativo, non riproducono un $R^2_{OOS}$ positivo rispetto alla media storica, indicando che il vantaggio assoluto è dipendente dal regime.

Significato e Rivendicazioni
Il documento contribuisce alla letteratura spostando l'attenzione dal fatto se i modelli non lineari possano generare un fit fuori campione positivo al fatto se tali guadagni sopravvivano a uno scrutinio statistico rigoroso. L'autore sostiene che l'utilità del machine learning per la previsione dei rendimenti dei REIT è condizionale piuttosto che universale.

Distinzione tra Metriche e Inferenza: Lo studio evidenzia come miglioramenti considerevoli nelle convenzionali metriche di performance ( $R^2$ , RMSE) non implichino necessariamente una dominanza predittiva statisticamente stabilita una volta applicati gli aggiustamenti per test multipli e le correzioni per piccoli campioni.
Identificazione della Componente: L'evidenza suggerisce che i modelli ML in questo contesto prevedano una componente di rendimento comune fluida e sensibile ai macro-fattori, piuttosto che consentire la selezione cross-sectional dei titoli.
Condizioni al Contorno: I guadagni predittivi si dimostrano contingenti all'orizzonte di previsione (emergono ai medi orizzonti cumulativi), al regime economico (più forti nel periodo 2020–2023) e al settore immobiliare (più forti nel settore sanitario).

L'autore conclude che, sebbene il machine learning possa rivelare una struttura predittiva utile nel settore immobiliare quotato, la forza di questa conclusione dipende criticamente dall'orizzonte specifico, dal benchmark, dalla componente del rendimento, dal regime economico e dai criteri inferenziali utilizzati. I risultati non supportano una rivendicazione di superiorità universale del machine learning, quanto piuttosto una visione sfumata in cui i metodi non lineari offrono un valore selettivo e dipendente dal regime.

Sintesi Tecnica: Prevedibilità Macroeconomica e Machine Learning nei Rendimenti dei REIT

Articoli simili