Structural Break Detection and Regime-Dependent Financial Time-Series Forecasting Using Change-Point Models and Markov Switching: Evidence from Asia-Pacific Equity Markets

I mercati finanziari non sono macchine che funzionano secondo un unico insieme di regole immutabili. Sono invece sistemi viventi che oscillano tra diversi stati d'animo. A volte sono calmi e prevedibili; altre volte sono caotici e soggetti a improvvisi e violenti sbalzi. Per decenni, gli economisti hanno cercato di costruire modelli in grado di prevedere questi movimenti, sperando di vedere chiaramente il futuro. Ma questi modelli affrontano un problema fondamentale: spesso assumono che il passato sia una guida perfetta per il futuro. Quando un mercato cambia improvvisamente la sua natura — forse a causa di una nuova legge, una crisi globale o un cambiamento nella psicologia degli investitori — un modello che si aggrappa ai vecchi dati può diventare pericolosamente lento nell'adattarsi. È come cercare di navigare in una tempesta usando una mappa disegnata per mari calmi.

Per risolvere questo problema, i ricercatori hanno sviluppato due modi principali di intendere i cambiamenti del mercato. Un approccio cerca i "cambi di regime", dove il mercato oscilla tra stati ricorrenti, come un interruttore che passa tra modalità calma e turbolenta. L'altro cerca le "rotture strutturali", ovvero cambiamenti permanenti nelle regole fondamentali del gioco, dove la vecchia mappa non è più valida affatto. Un'idea più recente e sofisticata combina queste due: l'uso di segnali in tempo reale per rilevare quando le regole sono cambiate e, successivamente, lare l'aggiustamento istantaneo della memoria del modello per concentrarsi solo sulla storia più recente e pertinente. Questo articolo pone una domanda semplice ma difficile: questo approccio intelligente e adattivo funziona davvero meglio dei metodi stabiliti nel prevedere i prezzi delle azioni e i rischi attraverso i diversi mercati della regione Asia-Pacifico?

Un team di ricercatori ha deciso di testare questa idea utilizzando i dati di cinque principali mercati azionari: India, Giappone, Hong Kong, Corea del Sud e Australia. Hanno raccolto quasi due decenni di dati sui prezzi giornalieri, coprendo tutto, dalla crisi finanziaria globale alla pandemia e oltre. Il loro obiettivo era vedere se un modello capace di "ascoltare" un segnale di cambiamento e dimenticare immediatamente la propria storia passata avrebbe superato un modello che conserva tutta la sua storia, comprese le parti ormai obsolete. Hanno costruito un sistema che combinava un modello di mercato standard con un rilevatore in tempo reale. Questo rilevatore, noto come rilevamento dei punti di cambiamento Bayesiano online (Bayesian online change-point detection), agisce come una sveglia sensibile. Monitora la volatilità del mercato e, se avverte un improvviso cambiamento nel pattern, suona un allarme. Quando l'allarme suona, il modello è programmato per restringere la sua memoria, scartando i dati più vecchi che potrebbero non essere più rilevanti, e riaddestrandosi sulle nuove informazioni.

I ricercatori hanno testato questo modello "consapevole delle rotture" (break-aware) contro una versione standard che non restringe mai la propria memoria, nonché contro diversi altri strumenti di previsione comuni. Hanno eseguito un esperimento rigoroso "one-step-ahead" su 1.000 giorni per ogni mercato, assicurandosi che il modello potesse utilizzare solo le informazioni disponibili fino a quel giorno specifico, proprio come farebbe un vero investitore. Hanno anche eseguito simulazioni al computer in cui conoscevano esattamente le risposte in anticipo, per verificare che i loro metodi fossero in grado di identificare correttamente i cambiamenti quando si verificavano; le simulazioni hanno dimostrato che i loro strumenti erano capaci di trovare i pattern corretti; il test nel mondo reale, tuttavia, ha raccontato una storia più complicata.

I risultati hanno rivelato che non esiste un unico modo "migliore" per prevedere il futuro di questi mercati. Le prove di rotture strutturali variavano enormemente da paese a paese. In Corea del Sud, i dati suggerivano tre distinti cambiamenti permanenti nel comportamento del mercato. In Giappone, i dati non mostravano alcuna rottura permanente, nonostante il mercato avesse vissuto una significativa turbolenza. Questa scoperta da sola è stata cruciale: ha dimostuto che i mercati in questa regione non condividono un unico ritmo comune. Ciò che funziona per un paese non può essere applicato ciecamente a un altro.

Quando si è trattato di prevedere il prezzo effettivo delle azioni il giorno successivo, il modello intelligente e adattivo non ha vinto. Infatti, per la maggior parte dei mercati, i modelli semplici che guardavano solo alla media delle prestazioni passate o ai trend più recenti sono risultati ugualmente validi, o addirittura migliori. Il modello complesso che cercava di resettare costantemente la propria memoria non ha prodotto previsioni di prezzo più accurate. In alcuni casi, come nel mercato giapponese, il modello adattivo è stato meno performante rispetto alle alternative più semplici. I ricercatori hanno scoperto che l'estrema complessità del dimenticare e riapprendere costantemente non ha aiutato a prevedere il rendimento del giorno successivo.

La storia è cambiata leggermente quando i ricercatori hanno osservato la volatilità, ovvero quanto oscillano i prezzi. Qui, i modelli tradizionali che mantenevano l'intera cronologia dei dati hanno generalmente superato il modello adattivo. Il modello che tendeva a restringere costantemente la propria memoria ha generato errori più grandi nella previsione di quanto sarebbe stato selvaggio il mercato. Sembra che, anche quando il mercato cambia, mantenere una lunga storia di dati aiuti il modello a comprendere meglio i pattern sottostanti del rischio rispetto all'iniziare da zero con una tabula rasa. Il modello "no-reset", che non ha mai dimenticato il proprio passato, è rimasto altamente competitivo e, in diversi mercati, significativamente superiore nella previsione della volatilità media.

Tuttavia, il modello adattivo ha trovato la sua nicchia più forte nella previsione del rischio di ribasso, specificamente il Value-at-Risk. Questa è una misura utilizzata da banche e investitori per stimare la perdita massima che potrebbero affrontare in una brutta giornata. Nel mercato indiano e in quello australiano, il modello consapevole delle rotture ha fornito una calibrazione molto migliore di questo rischio. Ha previsto correttamente la frequenza delle perdite estreme in modo più accurato rispetto agli altri modelli. Per il mercato indiano, ha previsto il numero di giornate negative quasi perfettamente. Nel mercato australiano, ha avuto anch'esso ottime prestazioni. Ma questo successo non è stato universale. A Hong Kong, il modello adattivo è stato troppo conservativo, prevedendo molti meno giorni negativi di quanti ne siano effettivamente accaduti, mentre in Corea del Sud tutti i modelli hanno faticato a catturare la coda estrema della distribuzione del rischio.

I ricercatori hanno anche esaminato quanto fossero gravi le perdite nei giorni in cui la soglia di rischio veniva superata. In questo caso, il modello adattivo non ha mostrato un vantaggio evidente. In molti casi, i modelli tradizionali hanno previsto l'entità delle perdite altrettanto bene, o meglio. Lo studio ha concluso che il valore di conoscere una rottura strutturale dipende interamente da ciò che si vuole prevedere e da quale mercato si sta osservando. Non è una bacchetta magica che migliora ogni previsione.

In definitiva, il documento suggerisce che l'idea di resettare costantemente la memoria di un modello basandosi su allarmi in tempo reale è uno strumento utile, ma solo per compiti specifici. Non è un aggiornamento universale per la previsione finanziaria. Il miglior approccio dipende dal mercato: per alcuni, mantenere una lunga storia è vitale; per altri, una visione più breve e focalizzata aiuta. Lo studio serve da promemoria del fatto che i mercati finanziari sono troppo diversificati e complessi per una singola formula perfetta. La strategia più efficace consiste nel comprendere la natura specifica del mercato in questione e scegliere lo strumento adatto a quell'ambiente specifico, piuttosto che presumere che un sistema adattivo e più complesso sia sempre la risposta corretta.