Climate Volatility and Inward Spillover Exposure: Topology, Sector Heterogeneity, and Persistence

Resumo Técnico: Volatilidade Climática e Exposição ao Transbordamento de Entrada

Problema e Lacuna de Pesquisa
Este artigo investiga se a incerteza relacionada ao clima intensifica sistematicamente a exposição ao transbordamento de entrada (inward spillover exposure) — a vulnerabilidade de nós financeiros a choques transmitidos de outras partes de uma rede interconectada. Enquanto a literatura existente documenta extensivamente como o risco climático afeta os preços dos ativos, a volatilidade e o risco sistêmico total, permanece uma lacuna crítica em relação à natureza direcional desses riscos. Grande parte da literatura de conectividade foca na transmissão externa (quem transmite o estresse) ou em transbordamentos totais, dedicando menos atenção à exposição de entrada (quem absorve o estresse). Além disso, estudos anteriores frequentemente tratam o risco climático como um correlato uniforme em todo o sistema ou focam em níveis climáticos de longo prazo e incerteza política, em vez da volatilidade climática de curto prazo como um motor de instabilidade.

A questão central de pesquisa é condicional: Sob quais condições específicas de rede e setor a volatilidade climática torna-se financeiramente relevante para a exposição ao transbordamento de entrada? O artigo postula que o risco climático pode não operar através de um efeito agrupado uniforme, mas sim através de interações com a topologia da rede, heterogeneidade setorial e a persistência de estados prévios de transbordamento.

Metodologia
O estudo utiliza um conjunto de dados em painel mensal de 2011 a 2025, abrangendo oito nós setor-região: Bancos, Seguros, Energia e Utilidades, tanto na América do Norte quanto na Europa.

• Fontes de Dados: Os dados financeiros compreendem os preços de fechamento ajustados diários de ETFs (convertidos para séries mensais) do Yahoo Finance. Os dados climáticos consistem em anomalias mensais de temperatura global da NASA GISTEMP. Controles macrofinanceiros incluem taxas de política monetária, desemprego, produção industrial, o VIX e preços de petróleo do Federal Reserve Bank of St. Louis (FRED).
• Variável Dependente: A medida primária é a exposição ao transbordamento de entrada baseada em GARCH (SpilloverIN), construída a partir de decomposições de variância de erro de previsão (forecast-error variance decompositions - FEVD) de VARs de rolagem aplicadas aos logaritmos das variâncias condicionais dos retornos setoriais-regionais. Uma medida de transbordamento de retornos realizados serve como teste de robustez.
• Variável Independente Principal: O principal regressor climático é o temp_vol12_z, a volatilidade de 12 meses da anomalia de temperatura global padronizada. Indicadores alternativos incluem surpresa de temperatura e um índice climático ponderado por entropia.
• Métrica de Rede: O estudo constrói uma variável de condicionamento, Net_sd_centrality_L1, que representa o defasamento de um período do desvio padrão transversal da centralidade líquida direcional dos nós. Isso mede a irregularidade da estrutura da rede (ou seja, a dispersão entre transmissores líquidos e receptores líquidos).
• Estratégia Empírica:
  • Baseline: Modelos de painel de efeitos fixos com interceptos específicos por nó.
  • Tratamento Climático: A volatilidade climática é modelada usando uma estrutura de atraso distribuído ortogonalizado (ODL) (estrutura de lag Almon) para capturar ajustes dinâmicos ao longo de um horizonte de 12 meses, mitigando a multicolinearidade.
  • Inferência: Os erros padrão são calculados pelo método Driscoll–Kraay para contabilizar a dependência transversal e a correlação serial.
  • Extensões: A análise inclui estimativas específicas por setor, termos de interação entre a volatilidade climática e a dispersão da rede, divisões de regime (alta vs. baixa volatilidade climática), testes de placebo (usando transbordamentos externos), modelos aumentados por persistência (incluindo SpilloverIN defasado) e um benchmark não linear XGBoost.

Principais Resultados

1. Associação Agrupada Fraca: Nos modelos agrupados de baseline, o bloco de defasagem distribuída para a volatilidade climática é apenas fracamente significativo. A associação cumulativa implícita é pequena e positiva, sugerindo que a volatilidade climática não é um motor uniforme e isolado para a exposição ao transbordamento de entrada em todos os nós e períodos.
2. Heterogeneidade Setorial (H1): Existe heterogeneidade significativa entre os setores.
   • Bancos e Seguros: Mostram associações conjuntas positivas e significativas com a volatilidade climática.
   • Energia: Exibe um teste conjunto mais fraco, porém ainda significativo (F=2,82, p=0,03), com uma associação cumulativa implícita negativa (-0,02). No entanto, sob a inferência de Driscoll–Kraay, nenhum dos coeficientes climáticos individuais para Energia é estatisticamente significativo, indicando que, embora o bloco setorial seja conjuntamente significativo, o tempo específico e o sinal da associação climática diferem dos setores financeiros.
3. Condicionamento pela Topologia da Rede (H2): A associação entre a volatilidade climática e a exposição ao transbordamento de entrada é mais forte quando a dispersão da rede é maior. O termo de interação entre a volatilidade climática defasada e a Net_sd_centrality é positivo e altamente significativo. Isso implica que a incerteza climática se traduz em maior vulnerabilidade especificamente quando as posições de transbordamento estão distribuídas de forma desigual (ou seja, quando a rede está mais fragmentada ou concentrada).
4. Volatilidade vs. Níveis (H4): O proxy climático baseado em volatilidade (temp_vol12_z) demonstra maior poder explicativo do que indicadores alternativos (surpresa de temperatura ou índices compostos), que são amplamente insignificantes em especificações agrupadas.
5. Dependência de Regime (H5): A relação é dependente do estado. A volatilidade climática é positivamente significativa em regimes de baixa volatilidade, mas torna-se insignificante em regimes de alta volatilidade, sugerindo que seu sinal é absorvido pelo estresse de mercado mais amplo durante períodos turbulentos.
6. Dominância da Persistência e Estrutura: Quando os modelos controlam explicitamente a persistência (transbordamento de entrada defasado), a associação climática direta desaparece em grande parte. O termo de transbordamento de entrada defasado é esmagadoramente dominante (coeficiente ~0,88–0,91), seguido pela dispersão da rede. A análise XGBoost confirma essa ordem, com o transbordamento de entrada defasado sendo o principal preditor, seguido pela estrutura da rede, enquanto os defasados climáticos adicionam apenas valor preditivo marginal.

Principais Contribuições

• Mudança para a Exposição de Entrada: O artigo estende a literatura de conectividade ao focar na exposição ao transbordamento de entrada como uma dimensão distinta de vulnerabilidade sistêmica, em vez de focar apenas na transmissão externa ou no transbordamento total.
• Mecanismo Condicional: Fornece evidências de que a vulnerabilidade financeira relacionada ao clima é condicional e não uniforme. A relevância da volatilidade climática depende da configuração da rede financeira (topologia) e das sensibilidades específicas do setor.
• Volatilidade como Sinal: Argumenta que a volatilidade climática (instabilidade) é um indicador mais informativo para a dinâmica de transbordamento do que os níveis climáticos ou a incerteza política, particularmente para capturar o repricing de curto prazo e revisões de expectativas.
• Persistência como Motor: O estudo destaca que a persistência dos estados prévios de transbordamento é um determinante mais estável da vulnerabilidade atual do que choques climáticos contemporâneos.

Significância e Alegações
O artigo alega que o risco financeiro relacionado ao clima não deve ser interpretado como um sinal de alerta isolado. Em vez disso, sua relevância é condicionada pela rede. Os achados sugerem que a volatilidade climática torna-se financeiramente consequente principalmente quando interage com:

1. Estruturas de rede desiguais (alta dispersão nas posições de transbordamento).
2. Canais de exposição específicos do setor (ex: qualidade do tomador de empréstimo para bancos, subscrição para seguradoras).
3. Estados prévios de vulnerabilidade (persistência dos transbordamentos de entrada).

Para políticas e prática, o artigo argumenta que o monitoramento de supervisão e os testes de estresse devem integrar indicadores climáticos com medidas de conectividade e dispersão da posição de transbordamento. Uma abordagem "consciente da rede" é necessária para identificar onde a incerteza climática tem maior probabilidade de se traduzir em vulnerabilidade de entrada, em vez de depender de sinais climáticos agregados e agrupados. O estudo conclui que o risco climático é melhor compreendido como um processo de como a vulnerabilidade é distribuída entre setores interconectados, e não como um choque homogêneo em todo o sistema.