Sintesi Tecnica: Recupero Analogico Consapevole del Periodo per la Previsione Probabilistica del Rischio Finanziario

1. Definizione del Problema

La sfida centrale affrontata è la previsione accurata dell'intera distribuzione dei rendimenti finanziari, in particolare il rischio di coda richiesto per il Value-at-Risk (VaR) e l'Expected Shortfall (ES) sotto quadri normativi come Basilea III. I metodi esistenti soffrono di un punto cieco fondamentale: tipicamente costruiscono le previsioni adattando modelli a dati storici aggregati globalmente senza verificare se le osservazioni passate siano strutturalmente comparabili con l'attuale ambiente di mercato.

Si identificano tre limitazioni primarie nella letteratura attuale:

1. Metodi Parametrici: Modelli come GARCH, CAViaR e la regressione quantilica impongono assunzioni di forma funzionale che spesso falliscono nelle code o non riescono a catturare i cambiamenti di regime (Engle e Manganelli 2004; Ghysels et al. 1996).
2. Metodi Analogici Naïve: Il recupero analogico tradizionale utilizza la distanza euclidea nello spazio delle caratteristiche grezze, portando al "mixing di regimi" (ad esempio, trattare un giorno di crisi del 2009 come simile a un giorno di bassa volatilità del 2017) e alla "cecità del calendario" (ignorare l'eterogeneità stagionale), con conseguenti errori di calibrazione delle stime di coda (Aït-Sahalia e Lo 1998; Brock et al. 1992).
3. Limitazioni del Deep Learning: Sebbene architetture come LSTM e Transformer apprendano rappresentazioni potenti, esse sono ottimizzate per l'errore di previsione puntuale piuttosto che per la preservazione della forma della distribuzione condizionale o della similarità strutturale tra episodi di mercato (Hochreiter e Schmidhuber 1997; Vaswani et al. 2017).

Il paper postula che la previsione distribuzionale debba essere riformulata come un problema di recupero (retrieval): identificare i giorni di mercato passati che somigliano allo stato attuale in termini di regime macroeconomico, tempo dell'anno e struttura delle caratteristiche, e utilizzare i loro esiti realizzati per costruire la distribuzione prevista.

2. Metodologia: Recupero Analogico Consapevole del Periodo (PAAR)

Il framework proposto, PAAR, tratta la previsione distribuzionale come un problema di ricerca vincolato da tre filtri per garantire che gli analoghi recuperati provengano da ambienti genuinamente comparabili.

2.1 Panoramica dell'Architettura

La pipeline consiste in quattro fasi: costruzione delle caratteristiche, identificazione del regime, addestramento dell'encoder e stima della distribuzione basata sul recupero.

2.2 Costruzione delle Caratteristiche

Un vettore di caratteristiche di mercato $x_t \in \mathbb{R}^{25}$ è costruito da indicatori che spaziano tra trend, inversione, volatilità, liquidità, momentum, segnali macroeconomici e ampiezza del mercato. Le caratteristiche sono normalizzate tramite uno z-score mobile sui precedenti 252 giorni per rimuovere i trend secolari. I metadati del calendario (giorno dell'anno, mese, ecc.) sono aggiunti come input ausiliari ma esclusi dalla metrica di similarità, fungendo invece da vincoli di recupero.

2.3 Identificazione del Regime (Filtro 1)

Per prevenire il mixing di regimi, l'archivio è partizionato utilizzando un modello di Markov a stati nascosti (HMM) gaussiano a quattro stati. L'HMM è adattato su un vettore macroeconomico a cinque dimensioni (volatilità realizzata a 10 giorni, pendenza della curva dei rendimenti, variazione del rendimento dei titoli a 10 anni, variazione FX e momentum a 60 giorni) per catturare lo scenario macroeconomico piuttosto che i pattern di prezzo superficiali.

• Vincolo: Solo le osservazioni dell'archivio assegnate allo stesso regime inferito come la data di query sono idonee.
• Adattamento: Se il regime corrente è scarsamente rappresentato, la ricerca si espande verso regimi adiacenti classificati per probabilità di transizione HMM.

2.4 Addestramento dell'Encoder

Per affrontare l'inadeguatezza della metrica (dove la distanza euclidea fallisce nel catturare la similarità strutturale), un encoder MLP compatto a tre strati mappa $x_t$ in un embedding a 32 dimensioni $e_t$. L'encoder è addestrato con una perdita composita:

• Perdita di Allineamento degli Esiti (Outcome Alignment Loss): Avvicina i giorni con quintili di rendimento realizzato simili e allontana quelli con quintili differenti all'interno dello stesso regime.
• Perdita di Separazione dei Regimi (Regime Separation Loss): Assicura che gli embedding di diversi regimi rimangano ad almeno un margine di 2.0 l'uno dall'altro.

2.5 Cascata di Recupero a Tre Filtri

Data una data di query $t$, il processo di recupero applica tre filtri successivi:

1. Gate del Regime: Restringe i candidati allo stesso regime HMM.
2. Finestra Consapevole del Periodo (Period-Aware Window): All'interno del pool filtrato per regime, mantiene solo le osservazioni in cui $|\ell_s - \ell_t| \le \delta$ (default $\delta=30$ giorni), garantendo la comparabilità stagionale (ad esempio, far corrispondere la fine di ottobre con la fine di ottobre).
3. Similarità Multi-Faccetta: I candidati rimanenti sono classificati tramite un punteggio pesato $\phi(x_t, x_s)$ che combina:
   • Forma del pattern di prezzo (trend/inversione).
   • Allineamento macroeconomico.
   • Profilo di volatilità.
   • Distanza dell'embedding appresa ($\phi_{embed}$).
   • Nota: Il numero di vicini $k$ si contrae nei regimi ad alta volatilità per preservare la nitidezza distributiva.

2.6 Stima della Distribuzione

La distribuzione prevista $\hat{F}_{t+h}(y)$ è costruita come una CDF empirica pesata dei rendimenti futuri realizzati dei top-$k$ analoghi.

• Smoothing: Viene applicata una stima della densità del kernel Gaussiano (KDE).
• Fallback: In regimi stressati con pool di analoghi ridotti, la distribuzione ricorre a un fit Student-t tramite massima verosimiglianza per accomodare le code pesanti.
• Calibrazione: Un ricalibratore di quantili rotante (regressione isotonica) corregge gli errori sistematici di copertura su una finestra di 252 giorni, mirando specificamente ai quantili di coda.

3. Contributi Chiave

Il paper apporta tre contributi specifici:

1. Un Framework Consapevole di Regime e Periodo: Un sistema di recupero strutturato che affronta congiuntamente il mixing di regimi, il confondimento stagionale e l'inadeguatezza della metrica, spostando il fulcro dell'errore del modello dalla forma parametrica alla qualità del set di vicini recuperati.
2. Una Metrica di Similarità Appresa: Uno spazio di embedding addestrato specificamente per allineare la geometria con gli esiti distribuzionali (quintili di rendimento) piuttosto che con l'errore di previsione puntuale.
3. Un Protocollo di Valutazione: Una valutazione completa utilizzando regole di punteggio appropriato (WQL, CRPS), calibrazione del rischio di coda (VaR/ES) e performance economica (Sharere ratio).

4. Risultati Sperimentali

Il framework è stato valutato su dati giornalieri dell'S&P 500 da gennaio 1995 a marzo 2026 (6.430 giorni di test), utilizzando un backtest walk-forward contro dieci baseline (classiche, ML, deep learning e modelli di fondazione).

4.1 Accuratezza Distribuzionale

• PAAR-RAF (che incorpora un embedding di un modello di fondazione come faccetta di similarità) e PAAR-KDE hanno ottenuto i migliori risultati in termini di Weighted Quantile Loss (WQL) e Continuous Ranked Probability Score (CRPS).
• Entrambe le varianti PAAR sono stati gli unici modelli a ottenere un Mean Absolute Scaled Error (MASE) inferiore a 1.0, indicando un miglioramento costante rispetto a un benchmark ingenuo.
• I test di significatività statistica (Diebold-Mariano) hanno confermato che PAAR-RAF ha superato significativamente tutte le baseline, inclusi i modelli classici ARMA/ARIMA.

4.2 Calibrazione della Coda e Gestione del Rischio

• Copertura VaR: PAAR-KDE è rimasto vicino al tasso di eccedenza VaR target del 10% e non è stato rifiutato dal test di Kupiec, mentre molte baseline di ML e deep learning hanno mostrato gravi problemi di sotto-copertura (ad esempio, Random Forest al 24%, Chronos al 25.1%).
• Performance Economica: Le varianti PAAR hanno ottenuto Sharpe ratio superiori rispetto alle baseline di deep learning. PAAR-KDE ha accumulato il rendimento terminale più elevato nell'arco dei 26 anni e ha mantenuto traiettorie positive attraverso le crisi del 2008 e del 2020.
• Modelli di Fondazione: L'impiego zero-shot del modello di fondazione Chronos ha prodotto una grave miscalibrazione della coda. Tuttavia, l'uso dei suoi embedding come faccetta di recupero (PAAR-RAF) ha prodotto le migliori performance complessive, suggerendo che i modelli di fondazione sono utili come apprenditori di rappresentazione ma non come diretti previsori probabilistici in questo contesto.

4.3 Studio di Ablazione

La rimozione di qualsiasi componente della cascata a tre filtri ha degradato le performance:

• Senza Similarità Multi-Faccetta: Il maggior degrado in WQL/CRPS, confermando che la qualità della rappresentazione è il driver primario dell'accuratezza.
• Senza Gate del Regime: Riduzione dello Sharpe ratio, indicando che il recupero non vincolato introduce rumore da stati strutturalmente incompatibili.
• Senza Filtro del Periodo: Miglioramento lieve del WQL ma riduzione significativa dello Sharpe, mostrando che l'allineamento stagionale è critico per il comportamento di coda e i rendimenti corretti per il rischio, anche se le metriche aggregate potrebbero non rilevarlo.

5. Significato e Rivendicazioni

Il paper sostiene che riformulare la previsione finanziaria dalla approssimazione di funzioni al recupero della distribuzione condizionale offra due vantaggi pratici:

1. Evitare la Misspecificazione: Costruendo le previsioni direttamente dagli esiti realizzati in condizioni comparabili, il metodo evita di imporre famiglie parametriche sulle distribuzioni dei rendimenti ed evita la necessità di modelli globali per estrapolare attraverso regimi eterogenei.
2. Utilità Regolatoria e Azionabile: L'approccio produce previsioni interpretabili (supportate da analoghi storici nominati) e mantiene la copertura di coda vicina ai target nominali attraverso molteplici crisi. Ciò risponde direttamente ai requisiti regolamentari per l'adeguatezza del capitale (Basilea III), dove la calibrazione accurata della coda è fondamentale.

Gli autori segnalano limitazioni, tra cui la restrizione a un singolo indice azionario (S&P 500), la potenziale circolarità nella stima del regime HMM e l'assunzione che l'archivio storico contenga analoghi sufficienti per ogni combinazione regime-calendario. Suggeriscono come lavoro futuro l'estensione dell'archivio di recupero a più classi di attività e l'esplorazione di aggiornamenti di recupero online.