Arhitectura unui model cu schimbare de regim: stări, tranziții și probabilități filtrate
Modelele cu schimbare de regim Markov au apărut în economia financiară prin lucrările lui James Hamilton din 1989, care le-a aplicat pentru prima dată seriei PIB american pentru a identifica fazele de expansiune și recesiune. Intuiția de bază este că o serie macroeconomică se comportă diferit în funcție de starea latentă — neobservabilă — în care se află economia. Parametrii modelului — medie, varianță, dinamică autoregresivă — se schimbă odată cu starea. Filtrul Hamilton calculează, la fiecare moment de timp, probabilitatea ca economia să se afle în fiecare stare posibilă, condiționat de toate datele disponibile până în acel moment. Această probabilitate filtrată este produsul central al modelului: nu o predicție a viitorului, ci o estimare a prezentului bazată pe tot ce știm până acum. Ceea ce distinge modelele Markov de simpla segmentare a seriei în regimuri definite ad-hoc este că tranzițiile sunt guvernate de o matrice de probabilitate estimată din date. Probabilitatea de a rămâne în regimul curent și probabilitatea de a trece în celălalt regim sunt parametri ai modelului, nu ipoteze externe. Aceasta înseamnă că modelul poate învăța din date cât de persistente sunt regimurile istorice și poate folosi această informație pentru a calibra viteza de reacție la semnalele noi.
Probabilitățile filtrate vs. probabilitățile netezite: o distincție critică
Analiștii care lucrează pentru prima dată cu modele Markov confundă frecvent două seturi de probabilități: cele filtrate și cele netezite. Probabilitățile filtrate sunt estimate folosind doar datele disponibile până la momentul curent — acestea sunt relevante pentru analiza în timp real. Probabilitățile netezite folosesc întreaga serie istorică și sunt mai precise retrospectiv, dar nu pot fi calculate în timp real. Utilizarea probabilităților netezite pentru a evalua performanța unui model în timp real produce o iluzie de acuratețe care nu se va replica în practică. Orice evaluare riguroasă a unui model de regim Markov trebuie să fie construită exclusiv pe probabilitățile filtrate.
Numărul de stări: de ce mai mult nu înseamnă mai bine
Extensia naturală a modelului cu două stări este adăugarea unei a treia sau a patra stări — de exemplu, separarea unui regim de creștere moderată de unul de expansiune accelerată. În teorie, mai multe stări capturează nuanțe reale ale ciclului economic. În practică, fiecare stare adăugată înmulțește numărul de parametri de estimat și reduce stabilitatea numerică a algoritmului de estimare. Studiile comparative documentate pe date macroeconomice americane și europene arată că modelele cu două sau trei stări depășesc consistent modelele cu patru sau mai multe stări în evaluările din afara eșantionului, măsurate prin acuratețea clasificării regimului și prin eroarea de predicție pe orizonturi scurte.
Persistența regimului și implicațiile sale pentru analiza de risc
Matricea de tranziție estimată pe date istorice oferă o informație directă și adesea subestimată: cât de persistente sunt regimurile macroeconomice. Datele americane pe perioade lungi arată că regimurile de expansiune sunt semnificativ mai persistente decât cele de contracție — probabilitatea de a rămâne în expansiune de la o lună la alta este substanțial mai mare decât probabilitatea de a rămâne în recesiune. Această asimetrie are implicații directe pentru construcția oricărui cadru de alocare a riscului: semnalele de intrare în recesiune merită o reacție mai rapidă decât sugerează intuiția, tocmai pentru că regimurile de contracție sunt scurte dar severe.
Limitele documentate și eșecurile modelelor Markov în perioadele de ruptură structurală
Orice instrument analitic este definit la fel de mult de limitele sale ca și de capabilitățile sale. Modelele cu schimbare de regim Markov au fost testate riguros în câteva perioade de ruptură structurală și rezultatele merită o lectură atentă. Cel mai bine documentat caz de eșec parțial este criza financiară din 2008-2009. Modelele Markov calibrate pe date din 1960-2007 au identificat corect intrarea în recesiune, dar au subestimat semnificativ severitatea contracției și au generat semnale de ieșire din recesiune premature în trimestrul al doilea din 2009, cu câteva luni înainte de confirmarea oficială a recuperării. Cauza identificată în studiile post-factum este că parametrii modelului — estimați pe cicluri anterioare mai puțin severe — nu au putut captura amplitudinea șocului financiar din 2008. Aceasta este o limitare structurală, nu o eroare de implementare: un model Markov standard presupune că parametrii fiecărui regim sunt stabili în timp. Dacă regimul de recesiune din 2008-2009 a fost structural diferit de recesiunile anterioare, modelul nu îl putea captura cu acuratețe fără respecificare. Soluțiile propuse în literatura ulterioară includ modele cu parametri variabili în timp și specificații care permit ca matricea de tranziție însăși să depindă de variabile macroeconomice sau financiare observabile.
Sensibilitatea la specificarea distribuției erorilor
Modelele Markov standard presupun că erorile sunt distribuite normal în fiecare regim. Această ipoteză este convenabilă matematic, dar rareori corectă pentru seriile financiare, care prezintă cozi groase și asimetrie. Studiile comparative arată că specificațiile cu distribuții Student sau cu amestecuri de normale reduc semnificativ erorile de clasificare a regimului în perioadele de volatilitate extremă. Alegerea distribuției nu este un detaliu tehnic minor — poate face diferența dintre un semnal corect și unul fals în momentele în care informația contează cel mai mult pentru decizia de risc.
Problema datelor revizuite în estimarea în timp real
Seriile macroeconomice sunt revizuite periodic de institutele statistice. PIB-ul, producția industrială și alte variabile cheie folosite în modele Markov pot fi revizuite semnificativ față de estimările inițiale. Un model estimat pe date finale revizuite va produce rezultate mai bune în backtesting decât în timp real — o formă subtilă de supraoptimizare retrospectivă. Singura metodă corectă de evaluare a unui model Markov pentru uz în timp real este estimarea și testarea exclusiv pe date vintaj — adică datele disponibile efectiv la fiecare moment de timp, înainte de revizuiri.
Instabilitatea estimărilor în ferestre scurte de date
Estimarea unui model Markov necesită suficiente date pentru a identifica stabil parametrii fiecărui regim. Pe ferestre scurte — sub zece ani de date lunare — probabilitățile filtrate devin sensibile la observațiile individuale și pot produce tranziții false de regim generate de zgomot statistic, nu de schimbări reale ale stării economiei. Această limitare este deosebit de relevantă pentru economiile emergente, unde seriile de date de calitate sunt adesea scurte. O practică documentată pentru atenuarea acestei probleme este augmentarea cu serii de date din economii cu structuri similare, acceptând ipoteza că parametrii de regim sunt parțial transferabili între economii comparabile.