I modelli di crollo del mercato stanno passando dalla previsione alla spiegazione

Fin dall’inizio dei mercati finanziari moderni nei Paesi Bassi nel XVII secolo, le crisi finanziarie e le bolle sono state un evento ricorrente, a partire dalla famosa Tulip Mania. Una conseguenza diretta è stata il riconoscimento che comprendere le condizioni che possono causare tali crisi è importante, sia per lo Stato e i regolatori per ridurre la frequenza e/o la gravità delle crisi, sia per gli attori del sistema finanziario per evitare di subire perdite massicce.

Tuttavia, fino ad ora, il metodo principale è stato la previsione basata sulla correlazione, come l’analisi di metriche quali il rapporto debito/PIL, metriche di sovravalutazione o il sentiment degli investitori. Tutti questi dati possono effettivamente correlarsi a condizioni che possono causare una crisi, così come il legno secco in una foresta può provocare un incendio.

Questo non fornisce ancora informazioni su cosa causi una determinata crisi, allo stesso modo in cui un incendio forestale inizia a causa di una scintilla iniziale, non per via del legno secco.

Un nuovo studio di un ricercatore dell’Università di Szczecin in Polonia sostiene che l’analisi delle crisi dovrebbe spostarsi verso modelli che spiegano quali canali strutturali guidano i crolli di mercato. In questo documento, lo studio esamina il ruolo degli shock di volatilità e degli shock dei rendimenti dei Treasury nel causare crisi finanziarie.

È stato pubblicato su Expert Systems with Applications^1, con il titolo “Prevedere l’imprevedibile: un quadro di inferenza causale controfattuale per il crollo del mercato finanziario durante eventi cigno nero“.

Questo può rappresentare dati importanti per investitori e risk manager, poiché i consueti stress test basati su assunzioni di mercato medio possono sottostimare le perdite quando i regimi di volatilità cambiano.

Prevedere le crisi finanziarie

Passare dalla correlazione alla previsione

Gran parte del sistema finanziario moderno si basa su modelli matematici che cercano di comprendere e prevedere i rischi. Tuttavia, sono anche basati su assunzioni matematiche, e le statistiche astratte raramente corrispondono a situazioni reali, portando a cosiddetti eventi cigno nero, termine coniato da Nassim Taleb, che descrive un evento imprevedibile e raro che ha un impatto enorme sulla società, le economie o i mercati finanziari.

“I modelli predittivi convenzionali sono efficaci nell’individuare tendenze nei big data, ma spesso falliscono nel spiegare perché si verificano certi eventi rari o come il risultato cambierebbe in condizioni alternative.

Questo è anche il motivo per cui le crisi o i movimenti di mercato brutali sono spesso descritti come “statisticamente impossibili”. Ovviamente, ciò significa solo che l’approccio basato sulla correlazione è inadeguato per corrispondere correttamente alle condizioni reali.

Questo è un problema, poiché i risk manager hanno bisogno di sapere non solo che il mercato è caduto, ma quale canale strutturale ha guidato il crollo.

Allo stesso modo, le banche centrali devono valutare se i loro strumenti affrontano il meccanismo di trasmissione dominante per ridurre tali rischi.

Quindi, in generale, i progettisti di stress test devono parametrizzare le sensibilità appropriate per scenari estremi, non per medie a lungo termine.

Ecco perché questo studio propone un approccio diverso, chiamato “inferenza causale controfattuale”, ovvero il processo di stimare cosa si sarebbe verificato in una realtà ipotetica alternativa.

Per farlo, il documento di ricerca ha utilizzato tre principi di progettazione:

In primo luogo, il modello deve essere in grado di rispondere a una domanda interventistica anziché solo a una predittiva:

“Come sarebbe evoluta la traiettoria cumulativa del crollo in assenza di un canale di shock specifico?”

In secondo luogo, ogni affermazione strutturale deve essere supportata da almeno un test empirico formale.
In terzo luogo, il risultato deve essere verificabile, ad esempio mediante test placebo su periodi non di crisi.

Raccolta dei dati

Lo studio ha utilizzato due principali eventi di crisi finanziaria per dimostrare: la crisi finanziaria globale del 2007-2009 (GFC) e la pandemia di COVID-19.

È stata raccolta una vasta gamma di dati per analizzare queste due crisi:

• La serie giornaliera dell’indice S&P 500.
• L’indice dei prezzi al consumo mensile (CPIAUCSL) come misura dell’inflazione
• Il tasso di disoccupazione (UNRATE).
• L’indice di volatilità implicita CBOE (VIX).
• Il rendimento a scadenza costante del Treasury USA a 10 anni.
• Lo spread di credito Moody’s Baa (rendimento corporate meno Treasury a 10 anni) (BAA10Y).
• Lo spread TED (TEDRATE).

Cosa causa le crisi finanziarie?

Shock di rendimento come cause dei crolli

La prima parte dell’analisi esamina gli shock di rendimento, ovvero un improvviso e inatteso spostamento dei tassi d’interesse o dei rendimenti obbligazionari nei mercati finanziari.

In un grafico che osserva come sarebbero stati i rendimenti di mercato se gli shock di rendimento fossero assenti (linea blu) e cosa è realmente accaduto con gli shock di rendimento inclusi (linea rossa), i due set di dati sembravano molto simili.

La divergenza delle traiettorie rosse e blu indica un aspetto cruciale della direzione–rendimento: essi influenzano attivamente i rendimenti azionari piuttosto che limitarsi a reagire.

“Al contrario, si osserva che la traiettoria blu è sopra la rossa, specialmente durante la crisi COVID e più sottilmente durante la crisi GFC. Questo dimostra che le variazioni del rendimento non sono il risultato del crollo, ma il predittore.”

Tuttavia, ciò che determina la gravità delle perdite è guidato da un’altra causa.

Volatilità come amplificatore di perdite

L’altra causa di crisi finanziaria, secondo questo studio, sono i picchi di volatilità.

Questo forse non è una sorpresa, poiché rientra nella spiegazione dominante dei fattori scatenanti delle crisi finanziarie: l’Ipotesi di Instabilità Finanziaria di Minsky del 1992.

La sua idea centrale è che un falso senso di sicurezza induce gli attori finanziari a contrarre livelli eccessivi e pericolosi di debito. In definitiva, “la stabilità è destabilizzante”.

È stato determinato che questa è stata la causa principale del crollo dei prezzi azionari sia durante la GFC sia durante la pandemia di COVID.

“In COVID e GFC, il canale di volatilità rappresenta il 58,7 % e il 28,3 % del drawdown cumulativo totale, rispettivamente, mentre il canale di rendimento rappresenta l’8,4 % e il 12,6 %.”

I risultati dello studio suggeriscono inoltre che la sensibilità al rendimento aumenta nei mercati turbolenti, quindi più volatilità è già presente, più gli shock di rendimento diventano impattanti.

Prevedere le crisi con maggiore precisione

Affinare ulteriormente le previsioni

Ciò non significa che il quadro dello studio sia un predittore perfetto. Per cominciare, utilizza un modello lineare, che potrebbe non essere ideale per circostanze estreme come le crisi finanziarie.

“Ricerche future dovrebbero testare un modello strutturalmente non lineare (come un SVAR a regime variabile o un modello di equazioni strutturali neurali).

L’utilizzo di dati aggiuntivi potrebbe anche migliorare le capacità predittive, come le dinamiche dei tassi di repo, le restrizioni sul bilancio dei dealer e le variabili microstrutturali delle opzioni.

Implicazioni per investitori e responsabili politici

Per i risk manager e i progettisti di stress test, questa dimostrazione di causalità e non solo correlazione dovrebbe essere un input fondamentale per le decisioni di copertura.

Pertanto i modelli dovrebbero utilizzare un programma di sensibilità a due regimi: il coefficiente del regime a basso VIX per situazioni moderate e il coefficiente del regime ad alto VIX (3–5 × superiore) per scenari estremi.

Significa anche che, in condizioni diverse, l’attenzione dovrebbe essere rivolta a metriche diverse:

• Quando le perdite guidate dal rendimento aumentano in importanza relativa, la gestione della durata (monitoraggio e aggiustamento della sensibilità temporale di un’attività o di una passività) diventa progressivamente più significativa.
• Quando le perdite guidate dal VIX predominano, le strategie di overlay di volatilità sono la priorità principale.

Per le banche centrali, ciò significa che possono misurare il beneficio di ulteriori strumenti di gestione dei tassi per stabilizzare l’equità, a seconda del grado di panico di mercato già presente.

Per i responsabili politici, comprendere che tipo di crisi stanno affrontando è la cosa più importante.

“COVID è stata una crisi volatilità/rendimento 7:1, mentre la GFC è stata una crisi 2,3:1. Come strumento diagnostico per determinare quale canale è più probabile prevalere in tempo reale, questi rapporti potrebbero essere usati per future occorrenze di Black Swan.”

Studio citato

^{1. Guru Ashish Singh. Prevedere l’imprevedibile: un quadro di inferenza causale controfattuale per il crollo del mercato finanziario durante eventi cigno nero events. Expert Systems with Applications. 15 dicembre 2026. Article: 133342. Volume: Volume 331, Part C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}