Regressione di Mincer–Zarnowitz: testare bias e calibrazione delle previsioni

Supponiamo che un modello preveda il rendimento del periodo successivo o che un’economista stimi la crescita del prossimo trimestre. Nella serie di valutazione la media degli errori può essere zero. Ciò depone contro una sovrastima o sottostima media persistente, ma non dimostra che le previsioni si muovano uno a uno con i risultati successivi. Possono essere troppo estreme, troppo compresse o spostate linearmente, mentre errori positivi e negativi si annullano.

La regressione MZ rende visibile la seconda domanda regredendo il risultato realizzato sulla previsione. Mincer e Zarnowitz introdussero questo quadro valutando le previsioni economiche (capitolo del 1969). È una diagnostica per previsioni puntuali di un obiettivo numerico, soprattutto quando si mira alla media condizionata con perdita quadratica. Non confronta quale di due modelli abbia la perdita media più bassa; per quella domanda consulta la guida Diebold–Mariano.

La distinzione è importante anche nella ricerca sul trading. Una previsione dei rendimenti può avere bias medio contenuto ma scala errata; una previsione della volatilità può sovrastimare in un intervallo e sottostimare in un altro. La regressione può segnalare uno scostamento lineare, ma il risultato dipende dal campione, dalla definizione dell’obiettivo, dai tempi delle informazioni e dal metodo inferenziale. Non dimostra che dalla previsione si possa ricavare una regola di trading redditizia.

Per ogni origine t abbina una previsione (fₜ) al successivo valore realizzato (yₜ) che doveva anticipare. Ogni coppia ha un orizzonte fisso: (fₜ) è stata emessa a un’origine precedente per il successivo obiettivo (yₜ); nelle equazioni che seguono, l’indice t è una notazione compatta per queste coppie. Variabile, orizzonte, unità e convenzione temporale devono coincidere. Abbinare una previsione del rendimento a cinque giorni al rendimento realizzato in un giorno non verifica la calibrazione rispetto all’obiettivo previsto.

Usa previsioni effettivamente disponibili a ogni origine e conserva il valore, la versione del modello, la vintage dei dati e il limite temporale delle informazioni. Le prime pubblicazioni macroeconomiche possono essere riviste. Decidi se valutare contro il dato iniziale o quello finale rivisto e mantieni la scelta: sostituire i dati storici con valori rivisti può fornire alla valutazione informazioni allora ignote al previsore.

Nelle serie di trading allinea in modo coerente componenti close-to-close, intraday e overnight. Gli obiettivi pluriperiodali sovrapposti creano inoltre dipendenza tra errori adiacenti. Serve un campione comune: se manca un modello proprio nelle date più volatili, la diversa composizione può sembrare un difetto di calibrazione. Usa gli stessi obiettivi e lo stesso calendario delle origini per tutte le serie esaminate.

Distingui le previsioni generate dai valori stimati. Se il modello viene stimato sulle stesse osservazioni inserite nella regressione MZ, l’adattamento in-sample può dare un’impressione di calibrazione. Per affermazioni sul futuro crea una sequenza cronologica out-of-sample, ristima usando solo ciò che era noto a ogni origine e lascia un periodo finale di conferma fuori dalla selezione di modelli o soglie.

La regressione standard in livelli è

yₜ = α + β fₜ + uₜ

dove (yₜ) è l’obiettivo realizzato, (fₜ) la previsione e (uₜ) il residuo. Il consueto vincolo congiunto di calibrazione è

H₀: α = 0 e β = 1

Se entrambi i vincoli valgono, la relazione lineare stimata tra risultato e previsione è la retta d’identità: non serve un offset costante e un aumento unitario della previsione corrisponde a un aumento unitario del risultato stimato. Stima la regressione e verifica congiuntamente i due vincoli mediante Wald o un test F equivalente, usando una covarianza adatta al disegno campionario. Testare intercetta e coefficiente separatamente non equivale al test congiunto.

Il residuo (uₜ) non è automaticamente l’errore grezzo (yₜ − fₜ). Coincidono sotto la nulla congiunta; altrimenti, intercetta e coefficiente stimati assorbono uno spostamento e una riscalatura lineari. Riporta anche il vero errore di previsione, così da mostrare sia lo scarto medio sia la relazione di calibrazione.

Il vincolo MZ viene talvolta chiamato test di imparzialità o razionalità della previsione. Definisci il termine. Errore incondizionato medio nullo significa (E[yₜ − fₜ] = 0); i vincoli (α = 0, β = 1) impongono una specifica relazione lineare e in genere sono più forti. Holden e Peel mostrano che, nella loro formulazione, il vincolo congiunto convenzionale è sufficiente ma non necessario per l’imparzialità (1990). Non trattare «imparziale» e «calibrato MZ» come sinonimi senza specificare il vincolo verificato.

<!-- learn:illustration -->

Consideriamo tre previsioni ipotetiche e i risultati successivi:

La media delle previsioni e quella dei risultati valgono entrambe 2, e l’errore medio è zero. Eppure i dati seguono (yₜ = 1 + 0.5 fₜ), quindi la regressione MZ ha intercetta (α = 1) e coefficiente (β = 0.5), non (0, 1). Gli errori si annullano in media, ma il vincolo lineare fallisce: in questo esempio costruito il risultato varia solo la metà della previsione.

È un’illustrazione aritmetica costruita, non un campione di mercato o per inferenza. Tre punti privi di rumore non giustificano un p-value significativo né l’affermazione che un sistema reale sia fallito. In un campione effettivo il test congiunto tiene conto dell’incertezza di stima: una deviazione grande può essere imprecisa, una piccola può essere stimata con precisione con abbastanza dati. L’esempio mostra soltanto che errore medio e vincoli MZ rispondono a domande diverse.

Un ricalibraggio del tipo (1 + 0.5 fₜ) riprodurrebbe esattamente questi risultati perché è stato costruito a partire da essi. Non prova che funzionerà dopo. Se ricalibrare fa parte del metodo, stima l’aggiustamento su un precedente segmento di training e valuta le previsioni corrette su dati successivi non usati per determinare i coefficienti.

L’intercetta (α) è il risultato stimato quando la previsione è zero; il suo significato pratico dipende dal fatto che zero sia vicino o meno all’intervallo delle previsioni. Il coefficiente (β) descrive quanto varia il risultato stimato al variare della previsione. Tenendo conto dell’intercetta, un coefficiente sotto uno indica che la previsione cambia più del risultato stimato per unità; sopra uno indica il contrario. Se anche l’altro coefficiente è libero, nessuno dei due descrive da solo tutta la relazione.

Un (R²) elevato non dimostra la calibrazione. La relazione senza rumore (yₜ = 2 + 1.1 fₜ), per esempio, ha (R² = 1), ma non soddisfa la nulla MZ. (R²) riassume la variazione spiegata dal fit lineare; il test congiunto chiede se la retta è quella d’identità. Al contrario, una previsione rumorosa può avere (R²) basso anche se il vincolo congiunto non viene respinto. Calibrazione e precisione sono collegate ma distinte.

Non dedurre il risultato dai due t-test separati. Intercetta e coefficiente possono essere correlati e il Wald/F congiunto usa la loro covarianza. Riporta α, β e incertezza, statistica congiunta e p-value, numerosità e errore grezzo medio. Se utile, mostra un grafico a dispersione o un confronto per gruppi con la retta d’identità; dichiara se i gruppi sono stati scelti dopo aver visto i dati. Un test lineare può non rilevare curvature, cambi di regime o errori concentrati nelle code.

Con perdita quadratica, la previsione puntuale ottimale è l’aspettativa condizionata dell’obiettivo dato l’insieme informativo del previsore. Ne segue che le informazioni disponibili all’origine non dovrebbero prevedere gli errori futuri. La regressione MZ verifica però solo una relazione lineare che include la previsione stessa e una costante, non ogni altra variabile dell’insieme informativo.

Una diagnostica più forte può aggiungere variabili informative (zₜ) prespecificate alla regressione degli errori, per esempio:

yₜ − fₜ = δ₀ + δ₁ zₜ + vₜ

Se una variabile nota all’origine prevede errori successivi, potrebbe essere stata trascurata informazione utile. Timing e scelta delle variabili devono essere corretti: provare molti ritardi, stati di mercato e trasformazioni crea un altro problema di ricerca multipla. Non trovare prevedibilità in un elenco breve non prova l’efficienza rispetto all’intero insieme informativo.

Zarnowitz discute bias, correlazione seriale, numerosità campionaria e potenza dei test per le previsioni di indagine (NBER Working Paper 1070, 1983). Descrivi quindi MZ come diagnostica di calibrazione lineare o controllo debole di efficienza, non come prova dell’uso ottimale di tutte le informazioni rilevanti. La guida Giacomini–White esamina un confronto condizionale diverso, basato su momenti di perdita selezionati.

Gli errori possono essere eteroschedastici, autocorrelati o sovrapposti, soprattutto con previsioni mobili a più passi. Le formule OLS usuali non garantiscono da sole errori standard validi per il vincolo congiunto. Scegli e dichiara un’inferenza giustificata da orizzonte, dipendenza e schema di stima; non dare per indipendenti gli errori. Non esiste una bandwidth o correzione universale.

Se nello stesso breve campione stimi parametri, costruisci un ricalibraggio e lo testi, l’incertezza standard della regressione può non coprire l’intera procedura. Anche i confronti di accuratezza tra previsioni annidate possono avere distribuzioni nulle non standard. Usa un metodo derivato per la costruzione effettiva della previsione oppure valuta un passaggio di calibrazione interamente specificato su un holdout successivo. Non provare molte equazioni, obiettivi e campioni per poi considerare confermativo l’ultimo p-value.

La mancata reiezione non prova la calibrazione: la potenza può essere bassa o l’intervallo ampio. Anche il rifiuto dipende dall’obiettivo, dal campione, dalla forma lineare e dalla covarianza. Verifica la sensibilità a scelte di valutazione ragionevoli, dichiarando i controlli e separandoli dal test prespecificato. È importante con previsioni persistenti o pochi episodi indipendenti.

MZ verifica un vincolo lineare di calibrazione tra previsione e risultato realizzato. Il test Diebold–Mariano chiede invece se due procedure hanno la stessa perdita media secondo uno score scelto. Una previsione può essere calibrata ma peggiore secondo quello score, oppure più accurata in media e non superare il test MZ.

Se la domanda è se l’accuratezza cambia con informazioni note all’origine, il test Giacomini–White valuta momenti condizionali di perdita selezionati. Se sono state cercate molte previsioni o regole, il Model Confidence Set o il White Reality Check/Hansen SPA affronta un diverso problema di selezione. Nessuno sostituisce obiettivi chiari e origini di previsione corrette.

La regressione MZ standard in livelli riguarda previsioni puntuali di obiettivi numerici. Previsioni quantiliche, probabilistiche, intervallari e di densità richiedono test di calibrazione e score specifici per quell’oggetto. Un buon risultato sulla media non si trasferisce automaticamente al rischio di coda o a una distribuzione di volatilità.

Indica obiettivo, orizzonte, unità, limite informativo, date di valutazione, vintage dei dati e se le previsioni sono davvero out-of-sample. Fornisci equazione, definizione di errore e vincoli verificati. Chiarisci se «imparziale» significa errore medio nullo oppure il vincolo congiunto MZ (α = 0, β = 1).

Riporta coefficienti, errori standard o intervalli, statistica Wald/F congiunta, gradi di libertà, p-value, numero di origini, errore medio e (R²) con un’interpretazione limitata. Spiega il metodo di covarianza o ricampionamento, soprattutto con orizzonti sovrapposti o dipendenza seriale. Dichiara stima, ricalibraggio, selezione e obiettivi, campioni o trasformazioni alternative provate.

Una descrizione trasparente distingue bias medio, calibrazione lineare, efficienza informativa e accuratezza comparativa. Sono affermazioni empiriche separate. Superare un vincolo di regressione non convalida ogni impiego della previsione, e la valutazione non prova la redditività del trading dopo i costi.