Consob ha pubblicato l’8 marzo l’intervento del proprio Presidente Paolo Savona presso il Centro Studi Alma Iura di Verona, “Errori di previsione e stabilità monetaria, finanziaria e reale: la lezione della normalizzazione”, relativo ai modelli predittivi per la stabilità finanziaria e monetaria.
L’intervento in questione si inserisce nella raccolta “Normalizzazione della politica monetaria. Cent’anni dopo il trattato sulla riforma monetaria di Keynes”, pubblicata nel 2023, e si concentra sull’importanza dei modelli predittivi nella gestione della stabilità finanziaria e monetaria.
L’autore evidenzia che la destabilizzazione della stabilità monetaria può generare problemi finanziari e influire sulla crescita reale, creando un circolo vizioso.
Prosegue ricordando che il dibattito sulla normalizzazione della politica monetaria si è concentrato sulle sfide legate agli errori e ai limiti dei modelli predittivi.
L’autore cita quindi il lavoro pubblicato nell’ECB Economic Bulletin (1/2023) di Chahad, Homann-Drahonsky, Page e Tirpàk, i quali attribuiscono gli errori alle variazioni dei prezzi dell’energia e dei beni alimentari.
Tuttavia, recenti dibattiti e analisi evidenziano che i modelli econometrici tradizionali non sono sufficienti a prevedere in modo accurato gli andamenti futuri.
Il Chairman della FED, Powell, suggerisce la necessità di superare i modelli tipici usati e l’intervento menziona quindi l’utilizzo di modelli di apprendimento automatico, sottolineando l’importanza della trasparenza nei risultati e nei modelli utilizzati per ristabilire la fiducia nelle previsioni utilizzate per le decisioni monetarie.
Il contributo propone una soluzione, ovvero lo sviluppo di “acceleratori econometrici” che integrino i modelli econometrici tradizionali con algoritmi capaci di prevedere l’arrivo o la cessazione di shock.
Si evidenziano i vantaggi di questa tecnica nella normalizzazione monetaria e nella politica economica in generale, sottolineando la necessità di equilibrio tra stabilità monetaria, finanziaria e reale.
Il contributo esplora la transizione dalla concezione tradizionale dei modelli econometrici all’uso dell’Intelligenza Artificiale (IA) e del machine learning, sostenendo che la ricerca di nuovi approcci predittivi sia essenziale per superare l’attuale impasse e mantenere l’Italia in una posizione di leadership.
