Se la finanza colpisce, l’economia non reagisce sempre allo stesso modo

Cosa succede all’economia americana quando il sistema finanziario viene scosso da uno shock? La risposta, oggi, non è né lineare né simmetrica. Gli shock negativi – quelli che restringono il credito o aumentano il rischio percepito – provocano reazioni macroeconomiche molto più forti rispetto a quelli positivi. Ma c’è di più: a cambiare non è tanto l’intensità dello shock, quanto il suo segno. Che lo shock sia piccolo o grande, se è avverso scatena comunque risposte forti e persistenti su inflazione, occupazione e produzione industriale.

Questi risultati emergono da uno studio pubblicato su Economics Letters (vol. 250, aprile 2025, articolo 112260), dal titolo Machine learning the macroeconomic effects of financial shocks. Gli autori – Niko Hauzenberger (University of Strathclyde), Florian Huber (University of Salzburg), Karin Klieber (Oesterreichische Nationalbank) e Massimiliano Marcellino (Bocconi) – propongono un approccio innovativo che unisce l’econometria strutturale alle Bayesian Neural Networks (BNN), uno strumento di intelligenza artificiale particolarmente adatto a cogliere le non linearità nei dati economici.

«La vera innovazione metodologica – spiega Marcellino, direttore del Centro Baffi della Bocconi – è che possiamo “machine learn” le risposte all’impulso senza specificare a priori una particolare forma funzionale. Questo ci permette di scoprire dinamiche nascoste, come le asimmetrie di segno, che spesso i modelli lineari tradizionali non riescono a catturare».

Nel dettaglio, il metodo utilizza le BNN per stimare proiezioni locali non lineari, calcolando l’effetto atteso di uno shock finanziario – misurato tramite l’excess bond premium – su tre variabili chiave: inflazione (CPI), produzione industriale (INDPRO) e occupazione (CE16OV). I risultati parlano chiaro: in caso di shock negativi, l’inflazione cala bruscamente (fino a un punto percentuale), la produzione industriale scende di quasi due punti, e l’occupazione si contrae per due anni. Gli stessi effetti non si osservano in presenza di shock positivi: le reazioni sono minime, talvolta nulle.

«Gli shock negativi hanno un impatto macroeconomico molto più pronunciato rispetto a shock positivi di simile entità», sottolinea Marcellino. «E questo vale sia per l’inflazione, sia per la produzione industriale e per l’occupazione».

Lo studio si distingue anche per un robusto esercizio di simulazione su dati generati artificialmente da processi altamente non lineari. Le reti neurali bayesiane, in questo contesto, riescono non solo a recuperare fedelmente le risposte attese, ma anche a distinguere tra asimmetrie di segno e di dimensione. Un risultato che conferma la capacità del modello di cogliere in modo accurato la complessità delle dinamiche macroeconomiche.

«Questo tipo di evidenza ha implicazioni cruciali per la politica monetaria e per la stabilità finanziaria», conclude Marcellino. «Se sappiamo che il sistema economico è molto più sensibile agli shock negativi, allora è fondamentale intervenire in anticipo con strumenti preventivi, anziché attendere che la crisi esploda».

In un mondo sempre più incerto, e in cui i modelli previsionali devono confrontarsi con dinamiche complesse e non lineari, strumenti come le Bayesian Neural Networks rappresentano una frontiera promettente: capaci non solo di prevedere, ma anche di spiegare.

Come funziona il modello: dentro le reti neurali bayesiane

L’approccio si basa su una Bayesian Neural Network (BNN) con uno strato nascosto composto da un numero di neuroni pari al numero di covariate macroeconomiche. Ogni neurone può utilizzare una diversa funzione di attivazione: leaky ReLU, sigmoid, ReLU e tanh. Le BNN combinano questi attivatori con pesi specifici per generare risposte flessibili ma interpretabili.

Per evitare l’overfitting dovuto all’elevato numero di parametri, gli autori utilizzano un sistema di regolarizzazione chiamato horseshoe prior, che “schiaccia” verso zero i coefficienti non rilevanti, mantenendo solo quelli essenziali per la spiegazione del fenomeno.

Un altro elemento distintivo è la gestione dell’incertezza sugli shock latenti. Invece di trattare gli errori come residui fissi, il modello adotta un approccio bayesiano sequenziale, stimando passo dopo passo la distribuzione degli shock a diversi orizzonti temporali.

Infine, le nonlinear local projections (NLP) sono calcolate non su un singolo scenario, ma come media su 400 traiettorie simulate di storia economica (per ogni estrazione MCMC), ottenendo così una stima non condizionata agli shock passati ma robusta e generalizzabile.