Crisi finanziarie: chi e come puo' prevederle
Durante una visita alla London School of Economics avvenuta al picco della crisi finanziaria del 2008, mentre i ricercatori di uno dei dipartimenti più prestigiosi del mondo le spiegavano quanto terribile fosse la situazione, la Regina d'Inghilterra chiese in maniera diretta «Why did nobody notice it?».
Diversi mesi dopo che fu posta questa domanda («perche nessuno lo ha previsto?») la sezione di Economia della British Academy scrisse una lettera di tre pagine indirizzata a Her Majesty ammettendo che la mancata previsione di una crisi così grave era ascrivibile al fallimento dell'immaginazione collettiva di molte persone brillanti: «The failure of the collective imagination of many bright people».
Questa frase sintetizza il fatto che i modelli previsivi, basati sulla teoria e portati sui dati attraverso la stima di un numero contenuto di parametri, sono versioni semplificate della realtà economica. I modelli vengono validati assicurandosi che siano in grado di spiegare le fluttuazioni passate dell'economia. Per loro natura vanno in difficoltà quando omettono delle dimensioni della realtà che non hanno rilevanza nel periodo storico utilizzato per stimare il modello ma che la acquistano durante un periodo differente dal passato, come quello di crisi.
La mancanza di immaginazione collettiva si riferisce alla non inclusione nei modelli di aspetti che si sono rivelati molto rilevanti come il mercato dei mutui immobiliari e della loro cartolarizzazione per la crisi subprime o l'importanza dei titoli del debito pubblico nei bilanci delle banche nel caso della crisi del debito europeo.
Inoltre ogni previsore utilizza tipicamente un modello unico che riflette le sue posizioni teoriche e le sue strategie di identificazioni dei parametri rilevanti per descrivere la dinamica dell'economia.
Un computer non ha immaginazione ma ha la capacità di utilizzare i dati per combinare in maniera ottimale, con pesi che variano nel tempo, un numero elevato di previsioni basate su diversi modelli. Combinando un numero elevato di previsioni si minimizza la probabilità di omettere dall'insieme informativo utilizzato per la previsione aspetti rilevanti della realtà.
Un sistema di online machine learning consente di combinare in maniera ottimale previsioni. Data una sequenza di periodi in cui in ogni momento nel tempo sono disponibili previsioni basate su diversi modelli il previsore riceve le informazioni, le combina per fare una previsione, e subisce un danno che è funzione dell'errore di previsione. L'algoritmo sceglie il peso da dare ad ogni previsione al tempo t sulla base dello scostamento tra la perdita realizzata effettivamente e la minima perdita possibile utilizzando l'insieme informativo disponibile in tutti i periodi osservabili prima del tempo t (minimal regret principle).
In questo modo si possono costruire previsioni ottimali partendo da un numero elevato di indicatori di crisi (che possono essere macroeconomici, di credito, di tassi di interesse, di mercati immobiliari o di mercati finanziari) e da diverse modelli che utilizzano in maniera diversa questi indicatori.
Il risultato è la selezione di pesi ottimali da attribuire ai diversi modelli in diversi periodi nel tempo. Il modello combinato che dà previsioni ottimali nei periodi di calma è molto diverso dal modello che dà previsioni ottimali nel periodo di crisi.
L'evidenza è che l'utilizzo di online machine learning avrebbe previsto la crisi, con una bassa probabilità di produrre un falso allarme.
Sembrerebbe quindi che la capacità di calcolo possa sopperire alla mancanza di immaginazione collettiva. Sembrerebbe, perché il test utilizzato riguarda la capacità di prevedere crisi già accadute mentre la verifica rilevante del nuovo approccio riguarda la capacità di prevedere crisi future, sulle quali non esistono ancora dati.
Per approfondire
Come le imprese superano le crisi
Quel rapporto che crea incertezza
L'algoritmo della luna che prevede il futuro
I controllori che anticipano il rischio di crisi