Machine Learning for Stress Testing: Uncertainty Decomposition in Causal Panel Prediction

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é o capitão de um grande navio (um banco) e precisa prever o que acontecerá com sua carga (dinheiro dos clientes) se uma tempestade gigantesca (uma crise econômica) atingir o mar.

O problema é que, na vida real, o tempo não é apenas "previsível"; ele é causado por coisas que não vemos. Se o vento (desemprego) aumenta, o navio balança (perdas de crédito). Mas o que causa o vento? Talvez uma mudança na pressão atmosférica (condições financeiras) que também faz o navio balançar. Se você apenas olhar para o histórico de tempestades passadas e tentar adivinhar o futuro, pode se enganar, porque não sabe separar o que é o vento em si do que é a pressão que o criou.

Este artigo propõe um novo "sistema de navegação" para bancos, chamado Machine Learning para Testes de Estresse com Decomposição de Incerteza. Em vez de apenas dar uma única previsão (que pode estar errada), ele oferece um mapa de três camadas de incerteza.

Aqui está a explicação simples, usando analogias:

1. O Problema: A "Adivinhação Cega"

Atualmente, os bancos tentam prever perdas futuras baseando-se apenas em dados passados. É como tentar prever o futuro do seu filho olhando apenas para fotos dele quando era bebê, sem saber se ele vai crescer, adoecer ou mudar de escola.

O erro: Eles assumem que a relação entre "desemprego sobe" e "perdas aumentam" é simples e direta. Mas, na realidade, fatores ocultos (como o humor do mercado ou políticas do governo) afetam ambos ao mesmo tempo. Isso é chamado de confusão (ou confounding).

2. A Solução: O "Mapa de Três Camadas"

Os autores criaram um método que não tenta adivinhar a resposta exata, mas sim desenhar um círculo de segurança ao redor da resposta. Eles dividem a incerteza em três partes, como se fossem camadas de uma cebola:

Camada 1: O "Onde estamos?" (Incerteza de Estimativa)

Analogia: Imagine que você está medindo a altura de uma montanha com uma régua velha. Mesmo que a montanha seja real, sua régua tem erros de leitura.
No papel: Isso é o erro que vem de não ter dados suficientes ou de o modelo não ser perfeito. O sistema calcula um intervalo (uma faixa azul no gráfico) que diz: "Com base nos dados que temos, a resposta provavelmente está aqui".

Camada 2: O "O que não vemos?" (Incerteza de Confusão)

Analogia: Imagine que você está dirigindo em uma neblina densa. Você vê a estrada, mas não vê os buracos ocultos pela neblina. O sistema pergunta: "Quão grande pode ser o buraco escondido que não estamos vendo?"
No papel: Em vez de fingir que não existem fatores ocultos, o sistema diz: "Se existirem fatores ocultos até um certo tamanho, nossa previsão ainda é válida. Se forem maiores que isso, a previsão quebra."
O "Número de Quebra" (Breakdown Value): É como um botão de emergência. O sistema te diz: "Só confie nessa previsão se a força dos fatores ocultos for menor que X". Se for maior, o sistema avisa: "Pare! Não sabemos o suficiente".

Camada 3: O "Quão longe podemos olhar?" (Incerteza de Tempo)

Analogia: Imagine jogar uma bola de boliche em um corredor com paredes elásticas. Se você empurrar a bola, ela quica. Se as paredes forem muito elásticas (sistema instável), a bola quica cada vez mais forte e sai do controle após alguns segundos.
No papel: Prever o futuro é difícil porque os erros se acumulam. Se você prevê o mês 1, usa essa previsão para o mês 2, e assim por diante, um pequeno erro no mês 1 vira um erro gigante no mês 12.
A descoberta: O artigo prova matematicamente que, dependendo de quão "elásticas" são as regras do sistema econômico, existe um ponto de virada. Antes desse ponto, a previsão é segura. Depois dele, a previsão explode em erro. O sistema avisa: "Não tente prever 12 meses à frente se o sistema for instável; pare em 6 meses".

3. A Ferramenta Mágica: "Faixas de Conformidade"

Para garantir que essas previsões não sejam apenas "achismos", eles usam uma técnica chamada Calibração Conformal.

Analogia: É como um teste de estresse para o próprio modelo. O sistema simula milhares de tempestades passadas e verifica: "Quantas vezes nossa previsão estava errada?"
Se o modelo diz "95% de chance de estar certo", ele realmente está certo 95% das vezes nas simulações.
O Alerta de Extrapolção: Se a tempestade futura for muito diferente de qualquer coisa que já vimos (como a pandemia de COVID), o sistema detecta que está "fora do mapa". Ele então aumenta o tamanho da faixa de segurança ou diz: "Não posso garantir nada aqui, é muito arriscado".

Por que isso é importante para o mundo real?

Honestidade Radical: Em vez de dar um número falso de precisão (ex: "A perda será de 5,2%"), o sistema diz: "A perda está entre 4% e 7%, mas só se os fatores ocultos não forem maiores que X".
Segurança Regulatória: Para os bancos e reguladores (como o Banco Central), isso é vital. Eles podem tomar decisões sabendo exatamente onde estão os riscos.
Teste de Pandemia: O artigo testou isso com dados reais do desemprego durante a COVID. O sistema percebeu que a situação era tão extrema que os erros de previsão aumentaram drasticamente e avisou: "Cuidado, estamos em um território desconhecido".

Resumo Final

Este trabalho transforma a previsão econômica de uma "bola de cristal mágica" (que muitas vezes falha) em um sistema de navegação por radar. Ele não diz exatamente onde o navio vai bater, mas mostra exatamente onde estão os bancos de areia, quão densa é a neblina e até onde o radar consegue ver com segurança.

É uma forma de dizer: "Não sabemos o futuro com certeza, mas sabemos exatamente o quanto não sabemos."

Each language version is independently generated for its own context, not a direct translation.

Título: Aprendizado de Máquina para Testes de Estresse: Decomposição de Incerteza em Previsão Causal de Painéis

1. O Problema

Os testes de estresse regulatórios (como o CCAR e DFAST do Federal Reserve dos EUA) exigem projetar perdas de crédito sob cenários macroeconômicos hipotéticos. Atualmente, essa prática trata a questão como um problema puramente de previsão: ajusta-se modelos a dados históricos e extrapola-se sob cenários de estresse.

No entanto, há uma lacuna fundamental:

Natureza Causal vs. Preditiva: A pergunta é causal ("quais seriam as perdas se o desemprego seguisse um caminho específico?"), mas os métodos são preditivos.
Endogeneidade: Variáveis macroeconômicas (como o desemprego) são endógenas. Fatores não observados (condições financeiras, sentimentos de mercado) dirigem simultaneamente o desemprego e as perdas de crédito. Ignorar esse confundimento (confounding) gera estimativas pontuais sem garantias formais de robustez.
Limitações Atuais: Métodos existentes de painéis causais (como Controles Sintéticos) exigem unidades de controle não afetadas, o que não existe em testes de estresse macroeconômico (todas as unidades sofrem o mesmo choque). Além disso, a prática atual usa verificações de sensibilidade ad hoc, sem decomposição formal da incerteza.

2. Metodologia Proposta

Os autores propõem um framework para inferência contrafactual de caminhos de política em painéis, que separa honestamente o que pode ser aprendido dos dados do que requer suposições sobre confundimento. O framework possui quatro componentes principais:

A. Identificação Observacional de Médias Condicionais ao Caminho

Utiliza regressão iterada para identificar a média condicional observacional ( $\mu^{obs}_h$ ) a partir de dados do período pré-intervenção.
Não assume exogeneidade condicional. Em vez disso, trata a projeção como um problema de previsão condicional sob suposições de estacionariedade e suficiência de estado.
Permite contrastes de caminhos macroeconômicos contínuos sem a necessidade de um grupo de controle.

B. Identificação de Conjuntos Causais sob Confundimento Limitado

Adota a tradição de identificação parcial (Manski, 1990). Em vez de assumir que o confundimento é zero, ele é limitado por um parâmetro de sensibilidade ( $c_h$ ).
Teorema 1: Estabelece que o contraste causal verdadeiro ( $\tau^{do}_h$ ) pertence a um intervalo identificado:
$\tau^{do}_h \in [\tau^{obs}_h - 2c_h, \tau^{obs}_h + 2c_h]$
Introduz o Valor de Quebra (Breakdown Value, $c^*_h$ ): o nível mínimo de confundimento não observado necessário para anular a conclusão causal. Isso comunica a robustez em um único número.

C. Desigualdade Oráculo com Limites de Erro Dependentes do Horizonte

Analisa o erro de rolagem recursiva (recursive rollout), onde erros de previsão de um passo se acumulam ao longo do tempo.
Teorema 2 (Desigualdade Oráculo): Demonstra que o erro total é governado por um fator de amplificação ( $\Gamma_h$ $Γ_{h}$ ) que depende da taxa de amplificação do sistema dinâmico subjacente ( $\rho$ $ρ$ ).
- Se $\rho < 1$ (contratante): O erro é limitado.
- Se $\rho > 1$ (expansivo): O erro cresce exponencialmente.
Isso fornece uma resposta quantitativa: "Até onde podemos prever com confiança sob estresse?". Se o horizonte for muito longo em sistemas expansivos, recomenda-se trocar para um estimador direto multi-horizonte.

D. Bandas de Calibração Conformal Ponderadas por Importância

Utiliza Previsão Conformal (Conformal Prediction) para gerar intervalos de confiança com garantias de cobertura, mesmo sob distribuição não estacionária.
Aplica ponderação por importância para corrigir a mudança de distribuição entre os caminhos históricos e os caminhos de estresse (extrapolação).
Inclui diagnósticos que quantificam o custo de extrapolação ( $R_{weight}$ ) e o tamanho efetivo da amostra ( $B_{eff}$ ). Se a cobertura degradar, o modelo entra em um mecanismo de "abstenção" (flagging), alertando que a previsão não é confiável.

3. Saída Final: Decomposição de Incerteza em Três Camadas

O resultado do framework é uma decomposição transparente da incerteza total:
$\tau^{do}_h \in \left[ \hat{\tau}^{obs}_h \pm \underbrace{\Delta^{est}_h}_{\text{Incerteza de Estimação}} \pm \underbrace{\Delta^{conf}_h}_{\text{Incerteza de Confundimento}} \right]$

$\Delta^{est}_h$ : Largura da banda de calibração conformal (devido a dados finitos e ruído).
$\Delta^{conf}_h$ : Envelope de confundimento (devido à endogeneidade não observada, definido por $2c_h$).

4. Resultados Experimentais

Os autores validaram o framework através de duas camadas de experimentos:

Camada 1 (Simulação Sintética):
- Validou a desigualdade oráculo: os limites teóricos de erro seguraram em regimes contratantes, críticos e expansivos.
- Demonstrou que o viés de estado médio (Jensen gap) é negligenciável em DGPs lineares, mas cresce em não-lineares.
- Confirmou que as bandas de calibração ponderada funcionam, com os diagnósticos ( $R_{weight}$ , $B_{eff}$ ) sinalizando corretamente a severidade da extrapolação.
- Verificou a identificação do conjunto: o valor causal verdadeiro caiu dentro do intervalo identificado em todos os níveis de confundimento testados.
Camada 2 (Semi-Sintético com Dados Reais):
- Utilizou dados reais de desemprego (FRED UNRATE, 2000–2023) para simular cenários de estresse (CCAR 2024 e trajetória real do COVID-19).
- Retrospectiva do COVID: O framework detectou corretamente que o erro de previsão explodiu durante o pico do COVID (evento "Black Swan"), acionando o mecanismo de abstenção e indicando que as garantias de cobertura não se aplicavam a eventos extremos não vistos no período de calibração.
- Mostrou que a calibração contra eventos extremos históricos (2008, 2020) produz bandas conservadoras, mas confiáveis.

5. Contribuições Principais

Identificação de Conjuntos para Caminhos Contínuos: Adapta a identificação parcial para contrastes de políticas em painéis com tratamentos contínuos, fornecendo um valor de quebra interpretável.
Teoria de Erro Não-Assintótica: Prova limites de erro para rolagem recursiva que dependem explicitamente do horizonte e da dinâmica do sistema, respondendo à questão da confiabilidade da previsão de longo prazo.
Calibração Conformal Ponderada: Adapta a previsão conformal para testes de estresse, quantificando o custo da extrapolação e fornecendo diagnósticos de falha.
Decomposição Transparente: Separa formalmente a incerteza de estimação da incerteza de confundimento, substituindo a prática atual de "estimativa pontual + verificação ad hoc".

6. Significado e Relevância Prática

Para Reguladores e Gestores de Risco: O framework oferece uma linguagem concreta para comunicar riscos. Em vez de apenas um número, eles recebem um intervalo com uma explicação clara de quanto o resultado depende de suposições sobre fatores não observados (através do valor de quebra).
Superioridade sobre Métodos Atuais: Diferente de árvores de decisão ou redes neurais padrão que extrapolam cegamente, este método avisa quando a extrapolação é perigosa (via diagnósticos de $B_{eff}$ e $\rho$ ) e quantifica a incerteza causal.
Aplicabilidade Geral: Embora focado em testes de estresse bancário, o método é aplicável a qualquer cenário de painel com variáveis de tratamento contínuas comuns e confundimento potencial, como avaliação de políticas macroeconômicas ou regimes dinâmicos de tratamento em saúde.

Em resumo, o artigo propõe uma mudança de paradigma: de uma abordagem puramente preditiva para uma abordagem causal e honesta sobre a incerteza, essencial para a tomada de decisão regulatória em cenários de estresse extremo.