Servizio Comunitario di Informazione in materia di Ricerca e Sviluppo - CORDIS

H2020

Post-GFC Monetary Policy — Risultato in breve

Project ID: 657182
Finanziato nell'ambito di: H2020-EU.1.3.2.
Paese: Spagna
Dominio: Società

Modelli più sensibili per previsioni economiche migliori

In quale modo i responsabili delle politiche possono evitare di essere fuorviati da «eventi del cigno nero» quali la crisi finanziaria globale, quando la loro modellizzazione si dimostra limitata e rigida? Un progetto impiega algoritmi sofisticati che utilizzano dati localizzati per previsioni migliori.
Modelli più sensibili per previsioni economiche migliori
La crisi finanziaria globale (CFG) iniziata nel 2008 ha sollecitato un ripensamento delle previsioni economiche. La modellizzazione è stata a lungo uno strumento di gestione standard per le banche centrali per effettuare valutazioni delle prospettive economiche mondiali e nazionali, che sono alla base delle politiche monetarie.

Tuttavia, con le economie in continua evoluzione, se i modelli non incorporano la capacità di riflettere tali cambiamenti, le politiche che ne derivano, seppure adeguate al passato, potrebbero non essere più praticabili. Gran parte della sfida per le previsioni economiche risiede nella difficoltà di identificare questi cambiamenti, i singoli fattori scatenanti che contribuiscono a modellare la macroeconomia, richiedendo politiche correttive per compensare le conseguenze negative.

Il progetto Post-GFC Monetary Policy finanziato dall’UE ha proposto una nuova metodologia che, incorporando dati locali, ha cercato una reazione più rapida ai cambiamenti macroeconomici rispetto a quella consentita dalle metodologie esistenti. Il progetto ha rilevato che essa dava i suoi frutti quando prendeva i prezzi della sanità come indicatore del successo della politica, ma era meno applicabile alla politica monetaria, quando si consideravano i dati finanziari.

Utilizzo dei dati locali come predittori di cambiamento

Uno dei problemi con i modelli economici tradizionali è che molti operano secondo principi di regressione lineare, con coefficienti costanti. Qui, gli effetti vengono considerati costanti nel tempo. Tuttavia, come dice la borsista Marie Curie, la dott.ssa Isabel Casas, «Effettivamente, nel mondo reale, gli effetti cambiano nel tempo in quanto rispondono al più ampio clima economico o a improvvisi shock economici o finanziari imprevisti». Di conseguenza, questi modelli in realtà possono solo riflettere tendenze molto generali, creando qualcosa di simile a un valore medio degli effetti mutevoli.

Un metodo per contrastare questa limitazione consiste nell’applicare una regressione non parametrica, per cui il modello stesso è effettivamente realizzato dai dati, piuttosto che costruito da predittori predeterminati. Spiegando l’efficacia della metodologia, la dott.ssa Casas afferma: «La relazione tra due qualsiasi variabili cambia nel tempo, che si tratti di giorni, settimane o anni. Le metodologie utilizzate sono in grado di rilevare automaticamente tali modifiche, fornendo un’immagine meno distorta della realtà».

Le informazioni del progetto provenivano da dati localizzati come un modo per rappresentare effetti variabili nel tempo. I ricercatori hanno creato un pacchetto statistico denominato tvReg, utilizzando il linguaggio di programmazione R, che applicava algoritmi di coefficienti variabili nel tempo ai dati. A causa della loro complessità di programmazione, questi algoritmi sono stati, fino ad oggi, per lo più riservati agli specialisti.

L’applicazione di politica monetaria della metodologia ha utilizzato dati finanziari, comprese le variabili che misurano la produzione industriale, i tassi di interesse a breve e lungo termine, l’inflazione, i dati sui cambi e i Credit Default Swap. Tuttavia, i ricercatori hanno scoperto che la modellizzazione non ha generato risultati predittivi diversi da quelli generati dalla modellizzazione tradizionale, concludendo che questa tecnica variabile nel tempo non offriva un vantaggio significativo per questi dati.

D’altra parte, quando si è trattato dell’applicazione di politica sanitaria, un approccio che hanno preso è stato quello di valutare in quale misura l’assistenza sanitaria potesse essere considerata un bene di lusso all’interno dell’UE e dei paesi dell’OCSE.

I loro risultati differiscono dai precedenti risultati in letteratura in cui l’assistenza sanitaria era sempre posizionata (in base al prezzo) come bene di lusso nell’UE. La dott.ssa Casas conclude: «Chiaramente i paesi dell’UE stanno convergendo verso politiche comuni, con il prezzo dell’assistenza sanitaria piuttosto stabile nel corso degli anni e più economico rispetto a tutti i paesi dell’OCSE, per cui possiamo vedere che le politiche sanitarie dopo il 2008 nell’UE si stanno muovendo nella giusta direzione».

Il passo successivo nella ricerca sarà quello di concentrarsi su una modellizzazione che preveda il comportamento di processi in altri contesti, quali quelli per la produzione di energia rinnovabile basata sui dati oceanici, comprendenti informazioni su onde, maree, vento o altezza delle onde. Ciò si rivelerà vantaggioso sia per i produttori che per i consumatori nel mercato dell’elettricità dell’UE.

Informazioni correlate

Keywords

Post-GFC Monetary Policy, modellizzazione, previsione, economia, locale, dati, algoritmi, assistenza sanitaria, regressione lineare, coefficienti, non parametrici, beni di lusso