An outlier-robust dynamic semiparametric model for jointly forecasting value-at-risk and expected shortfall

Immaginate di essere un meteorologo che cerca di prevedere la peggiore tempesta dell'anno. Non volete solo sapere quando inizia la pioggia; avete bisogno di sapere quanto diventeranno profondi i livelli delle piene se gli argini dovessero cedere. Nel mondo della finanza, è esattamente ciò che fanno i risk manager. Utilizzano due strumenti speciali per misurare il pericolo di un crollo del mercato finanziario. Il primo strumento, chiamato Value-at-Risk (VaR), è come un idrometro che vi dice il livello dell'acqua che siete sicuri al 99% non verrà superato. È una popolare "linea nella sabbia". Il secondo strumento, l'Expected Shortfall (ES), è ancora più critico: chiede: "Ok, sappiamo che l'acqua potrebbe superare la linea, ma se accade, quanto sarà profonda l'acqua in realtà?". È la profondità media degli scenari peggiori.

Per decenni, i matematici hanno costruito modelli complessi per prevedere questi livelli. Tuttavia, questi modelli hanno un punto debole segreto: vanno in panico quando vedono un dato "strano". In finanza, un dato "strano" è un outlier — un improvviso e massiccia variazione di prezzo o un crollo che non si adatta al normale schema, come un meteorite che colpisce un lago calmo. I modelli standard trattano questi meteoriti come se fossero solo gocce di pioggia leggermente più grandi, lasciando che distorcano l'intera previsione per il futuro. Questo articolo, scritto da Jie Wang e Buyun Xu, introduce un nuovo modo per costruire questi modelli che agisce come un ammortizzatore. Invece di lasciare che un singolo meteorite faccia precipitare l'intero sistema, il loro nuovo modello impara a ignorare i picchi estremi, garantendo che l'idrometro rimanga accurato anche quando il tempo diventa caotico.

---

Il Probleo: Quando un brutto frutto guasta la previsione

I mercati finanziari sono raramente calmi. Sono pieni di sorprese. A volte, il prezzo di un'azione scende del 10% in un giorno a causa di uno scandalo improvviso, o sale del 15% per un rapporto sugli utili inaspettato. Nel linguaggio della statistica, questi sono outlier.

I modelli standard utilizzati per prevedere VaR ed ES sono come un termostato molto sensibile e tecnologicamente avanzato. Se ci versi sopra un secchio d'acqua ghiacciata, il termostato non si limita ad regolare la temperatura; impazzisce, pensa che tutta la casa sia gelida e spegne completamente il riscaldamento. Nel mondo reale, questo significa che un singolo shock di mercato massiccio può far reagire eccessivamente il modello, prevedendo un disastro che potrebbe non accadere mai, o peggio, non riuscire a vedere il prossimo vero pericolo perché è troppo impegnato a reagire all'ultimo.

Gli autori di questo articolo hanno notato che, sebbene questi modelli siano ottimi nel gestire il "meteo" normale del mercato, si rompono quando il "meteo" diventa estremo. Volevano costruire un modello che potesse dire: "Ok, quello è stato un enorme picco, ma non lasciamo che riscriva l'intera storia di come si comporta questo mercato".

La Soluzione: L'ammortizzatore "Bounded Innovation Propagation"

Per risolvere il problema, i ricercatori hanno introdotto un concetto chiamato Bounded Innovation Propagation (BIP). Pensate a questo come a un ammortizzatore per il cervello del modello.

Immaginate di guidare un'auto su una strada dissestata. Il modello standard è come un'auto senza sospensioni; ogni volta che colpite una buca (un outlier), l'intera auto scuote violentemente e il conducente perde il controllo. Il nuovo modello BIP è come un'auto con sospensioni pesanti. Quando colpite una buca enorme, la sospensione si comprime per assorbire l'impatto. L'auto avverte l'urto, ma non si ribalta.

In termini tecnici, il modello utilizza una "funzione limitata" (bounded function). Questa è una regola matematica che dice: "Non importa quanto sia grande lo shock, il suo effetto sulle nostre previsioni future non supererà mai un certo limite". Se il prezzo di un'azione scende del 50% (un outlier massiccio), il modello lo tratta come se fosse sceso solo del 10%, ad esempio, ai fini dell'aggiornamento delle sue previsioni future. Limita il danno.

Questo nuovo modello è chiamato BIP-CAViaR-FZ. Combina tre elementi:

1. CAViaR: Un modo flessibile per tracciare come il rischio cambia nel tempo.
2. FZ Loss: Un sistema di punteggio speciale che controlla se sia il VaR (la linea) che l'ES (la profondità) siano corretti contemporaneamente.
3. BIP: L'ammortizzatore che impedisce agli outlier di rovinare il punteggio.

Cosa hanno mostrato gli esperimenti

Gli autori non si sono limitati a ipotizzare che questo funzionasse; lo hanno sottoposto a test rigorosi utilizzando due metodi: simulazioni al computer e dati del mondo reale.

1. Il laboratorio di simulazione
Per prima cosa, hanno creato migliaia di mercati finanziari fittizi in un computer. Hanno programmato questi mercati per avere diversi tipi di "meteo": alcuni erano calmi (distribuzione normale), altri avevano code pesanti (shock massicci frequenti) e altri erano asimmetrici (più grandi cali che grandi rialzi). Hanno persino iniettato specifici "meteoriti" (outlier) nei dati.

I risultati sono stati chiari:

• In tempo calmo: Il nuovo modello ha performato bene quanto i vecchi modelli. Non ha rotto nulla.
• In tempo tempestoso: Quando i dati erano pieni di outlier, i vecchi modelli si confondevano e commettevano grossi errori. Il nuovo modello BIP, invece, ha mantenuto la calma. Ha previsto i livelli di rischio in modo molto più accurato.
• L'effetto "Coda Pesante" (Heavy Tail): Il vantaggio è stato più evidente quando il mercato presentava "code pesanti" (il che significa che gli eventi estremi accadono più spesso di quanto suggerirebbe una normale curva a campana) e quando si osservavano eventi molto rari (come un crollo con probabilità dell'1%). In questi scenari difficili, il nuovo modello era significativamente più accurato.

2. Il test del mondo reale
Successivamente, hanno testato il modello su dati azionari reali di cinque grandi giganti tecnologici statunitensi: Apple, Amazon, Alphabet (Google), Intel e Microsoft. Hanno esaminato i rendimenti giornalieri dal 2006 al 2025.

Hanno scoperto che i prezzi di queste azioni sono pieni di outlier. Ad esempio, la storia azionaria di Amazon mostra diversi picchi e cali massicci che sembrano meteoriti. Quando hanno confrontato il nuovo modello BIP con i modelli standard:

• Previsioni più fluide: I modelli standard reagivano violentemente a questi picchi, facendo sì che le loro previsioni di rischio saltassero su e giù selvaggiamente. Il modello BIP ha prodotto previsioni molto più fluide e stabili.
• Maggiore accuratezza: Quando hanno controllato quanto bene i modelli prevedevano il futuro, i modelli BIP commettevano meno errori. Erano più bravi a catturare i veri livelli di rischio senza farsi trarre in inganno dal rumore.
• I modelli quadratici: Il miglioramento è stato enorme soprattutto per le versioni "quadratiche" dei modelli (che sono più complesse). Questi modelli complessi erano i più sensibili agli outlier, e l'ammortizzatore BIP li ha salvati dal collasso.

Il Verdetto

L'articolo suggerisce che aggiungendo un "ammortizzatore" al modo in cui calcoliamo il rischio finanziario, possiamo rendere le nostre previsioni molto più affidabili durante i periodi di caos del mercato. Gli autori hanno scoperto che il nuovo modello BIP-CAViaR-FZ non si limita a sopravvivere agli outlier; prospera in loro presenza, offrendo un modo più robusto per prevedere sia la "linea nella sabbia" (VaR) che la "profondità dell'inondazione" (ES).

Sebbene i modelli standard siano ancora utili per i giorni calmi, gli autori sostengono che nel mondo reale — dove i mercati finanziari sono disordinati e pieni di sorprese — questo nuovo approccio è una scommessa più intelligente e sicura. Non ignora i giorni cattivi; assicura solo che un singolo giorno cattivo non rovini l'intera previsione.