Il fisico danese Neils Bohr una volta ha scherzato sul fatto che la previsione è difficile, soprattutto quando si tratta del futuro. Ma questo è esattamente ciò che devono fare i regolatori finanziari:prevedere il probabile stato dell'economia in futuro è fondamentale quando si decide su leve politiche come tagliare o aumentare i tassi di interesse.

Però, mentre il mondo continua a diventare più imprevedibile, fare previsioni è diventato sempre più difficile. Questa sfida è stata illustrata in modo commovente dopo l'inizio della crisi finanziaria del 2008, quando la regina Elisabetta ha posto una domanda apparentemente semplice ma mirata a una stanza di ricercatori ed economisti della London School of Economics:perché nessuno se lo aspettava?

Di fronte alla grande complessità, forse l'econometria potrebbe fare di più. Prendiamo ad esempio l'apprendimento automatico. Con la sua capacità di analizzare i big data, potrebbe migliorare i metodi econometrici esistenti e portare a previsioni migliori. Questa è la ricerca che il Professor Yu Jun della Singapore Management University (SMU) ha presentato insieme al Professore Associato Xie Tian della Shanghai University of Finance and Economics, a un webinar organizzato da SMU e dalla Monetary Authority of Singapore (MAS) il 26 giugno 2020.

Nel loro intervento intitolato "Metodi econometrici e tecniche di scienza dei dati, " I professori Yu e Xie hanno esaminato i metodi econometrici esistenti e le tecniche di apprendimento automatico prima di discutere un ibrido di entrambi i metodi. Utilizzando dati ed esempi reali, hanno mostrato che il metodo ibrido può preannunciare una migliore previsione delle variabili economiche e finanziarie.

"Sappiamo tutti che siamo nell'era dei big data e delle tecniche di data science di machine learning, " ha affermato il professor Yu. "Alcune persone potrebbero pensare che l'apprendimento automatico rappresenti una minaccia per i metodi econometrici convenzionali. È davvero così?"

Un mix di tradizione e cambiamento

Parlando prima, Il professor Yu ha introdotto una selezione di metodi econometrici tradizionali. Mescolando l'economia con le statistiche, l'econometria adotta un approccio statistico quantitativo strutturato alle analisi economiche. Con l'econometria Il professor Yu ha spiegato, il metodo consiste nell'utilizzare i dati passati per stabilire relazioni statistiche che a loro volta possono essere utilizzate per prevedere possibili futuri.

"La maggior parte dei metodi econometrici spera di facilitare l'interpretazione e l'inferenza statistica, " Egli ha detto, spiegando che i metodi econometrici convenzionali si basano su ipotesi e relazioni lineari, come la famosa ipotesi di linearità. "Vuoi tracciare una mappa dal passato al futuro."

Questo approccio funziona bene in alcuni casi, Il professor Yu ha detto, ma si rivela anche un limite:la maggior parte dei modelli econometrici convenzionali non è in grado di gestire big data o relazioni complicate. "Se hai molti predittori o una relazione complicata, i metodi econometrici falliranno. E questa è una grave limitazione nell'era dei big data e in molti casi importanti, " Egli ha detto.

D'altra parte, Professor Xi, che è anche professore a contratto presso SMU, ha spiegato che gli algoritmi di apprendimento automatico sono guidati dai dati. "Invece di basarsi su ipotesi, molti algoritmi di machine learning lasciano semplicemente parlare i dati:non impongono presupposti o restrizioni molto forti sul processo di generazione dei dati, " Egli ha detto.

Questo è ciò che rende le tecniche di apprendimento automatico così flessibili, ha sottolineato il professor Xie. Però, ha anche aggiunto che molti metodi di apprendimento automatico non sono veramente su misura per i dati economici e finanziari in primo luogo.

Quindi, quando si tratta di cercare di prevedere il futuro, un approccio è migliore dell'altro? Come molte cose in questo mondo, non è così semplice.

Pesare i loro punti di forza e di debolezza

I professori Yu e Xie hanno utilizzato due esempi del mondo reale per illustrare come i due diversi approcci possono sovraperformarsi in termini di precisione a seconda dei dati e del caso in questione.

Nella previsione dell'Indice di Volatilità, o VIX, un indice di volatilità del mercato finanziario creato dal Chicago Board Options Exchange, hanno dimostrato che la modellazione econometrica lineare più tradizionale produce una previsione più accurata rispetto ai metodi di apprendimento automatico più complessi.

Però, nel secondo caso di previsione dell'inflazione dei prezzi al consumo della zona euro, i metodi di apprendimento automatico hanno superato i metodi econometrici tradizionali.

"I metodi di apprendimento automatico sono molto popolari, ma non sempre superano i metodi econometrici convenzionali. La domanda è, possiamo modificare gli algoritmi di machine learning per adottare tecniche econometriche avanzate e utilizzare meglio i dati economici?"

In questo filone, I professori Yu e Xie discutono dell'idea che l'applicazione di metodi di apprendimento automatico agli approcci econometrici esistenti, invece di utilizzare entrambi gli approcci separatamente, potrebbe migliorare la modellizzazione econometrica. Suggeriscono un algoritmo ibrido, un albero di regressione della media del modello (MART), che è stato proposto per la prima volta dal professor Xie e dal professor Steven F. Lehrer della Queen's University in un documento di lavoro NBER del 2018.

Mettere alla prova il MART

Per testare l'efficacia di questo metodo ibrido, lo hanno usato per prevedere le variabili economiche e finanziarie reali applicandolo agli stessi esempi di VIX e tassi di inflazione dell'eurozona discussi in precedenza.

I modelli econometrici avevano ancora la migliore accuratezza previsionale nella previsione VIX, prestazioni migliori rispetto al loro approccio MART ibrido. I professori Yu e Xie suggeriscono che ciò è dovuto al fatto che i dati VIX mostrano una linearità molto forte e quindi sono più adatti per un approccio econometrico.

Ma quando si trattava di prevedere i tassi di inflazione della zona euro, i risultati hanno mostrato che l'approccio ibrido del duo ha funzionato meglio, generando un'accuratezza delle previsioni superiore rispetto ai soli metodi di econometria o di apprendimento automatico.

Quindi, anche se un modello ibrido non è sempre il migliore in tutti i casi, elementi di apprendimento automatico possono ancora migliorare le previsioni cogliendo tendenze che i modelli econometrici tradizionali potrebbero non rilevare. Per ora, dicono che la chiave è comprendere i fondamenti di ciascun metodo e applicarli nelle circostanze più appropriate.

"La strategia ibrida combina misure econometriche con strategie di apprendimento automatico per portare a guadagni significativi nell'accuratezza delle previsioni, " disse il professor Xie. "Naturalmente, questa è solo un'idea. Il lavoro futuro è sicuramente necessario per comprendere le proprietà di questa strategia ibrida proposta al fine di aiutare a guidare i professionisti".