Modelli di simulazione ALM: Monte Carlo vs. basati su scenari

Nella gestione attivo‑passivo (ALM), i modelli di simulazione proiettano come i movimenti dei tassi d’interesse influenzino il valore economico di attività e passività nel tempo. Due approcci predominanti sono la simulazione Monte Carlo e la simulazione basata su scenari. La simulazione Monte Carlo utilizza tecniche di percorsi stocastici—anche chiamate simulazioni stocastiche—per generare centinaia o migliaia di possibili percorsi futuri dei tassi d’interesse basati su assunzioni probabilistiche (ad es. ritorno alla media, volatilità). La simulazione basata su scenari, al contrario, costruisce un insieme limitato di percorsi economicamente coerenti e prospettici—spesso ancorati a episodi storici, eventi di stress o previsioni macroeconomiche—per valutare alternative strategiche discrete o risultati di solvibilità.

La simulazione Monte Carlo nell’ALM si basa su un Generatore di Scenari Economici (ESG) per simulare un gran numero di percorsi stocastici dei tassi d’interesse, tipicamente utilizzando modelli dinamici della struttura a termine. Ogni percorso rappresenta una possibile evoluzione dei tassi a breve termine, della forma della curva dei rendimenti e delle volatilità lungo l’orizzonte di proiezione. Il modello ALM ricalcola quindi il valore di attività e passività per ciascun percorso, generando una distribuzione di risultati per metriche quali il valore economico del capitale proprio (EVE) o il reddito netto da interessi (NII). Questa distribuzione consente il calcolo di intervalli di confidenza, Value-at-Risk (VaR) o expected shortfall per il rischio di tasso d’interesse.

• Fondamento di modellazione stocastica: Utilizza ESG calibrati per simulare percorsi coerenti con i dati di mercato osservati e la teoria economica (ad es. modelli Cox‑Ingersoll‑Ross o Hull‑White).
• Distribuzione dei risultati: Produce un output probabilistico completo, supportando metriche di rischio che quantificano l’esposizione alle code e le perdite attese.
• Uso pratico: Applicata comunemente nella validazione interna dei modelli, nell’allocazione di capitale e nella modellazione dinamica EAR per il budgeting e la pianificazione strategica.

La simulazione basata su scenari costruisce un piccolo insieme—spesso da 3 a 10—di percorsi macroeconomici e dei tassi d’interesse plausibili e internamente coerenti. Questi scenari possono essere storici (ad es. inasprimento 1979‑1982), ipotetici (ad es. rapida ripresa dell’inflazione) o basati su previsioni (ad es. outlook macro consensuale). Ogni scenario viene applicato in modo deterministico al modello ALM, fornendo stime puntuali di EVE o NII per ciascun percorso. L’approccio privilegia l’interpretabilità e la coerenza narrativa rispetto alla precisione statistica.

• Design guidato dalla narrazione: Gli scenari sono selezionati per riflettere stress credibili o punti di inflessione strategici, spesso allineati alle aspettative di vigilanza o ai quadri di appetito al rischio interno.
• Supporto decisionale: Utilizzato per valutare trade‑off strategici—come il riposizionamento degli asset o le decisioni di copertura—in specifici regimi macroeconomici.
• Integrazione con la governance: Favorisce l’adozione da parte degli stakeholder non tecnici fondando l’analisi su assunzioni chiare e basate su una narrazione.

Le simulazioni Monte Carlo e basate su scenari svolgono ruoli complementari nell’ALM, ognuna con specifici punti di forza e limitazioni.

• Copertura vs. chiarezza: Monte Carlo offre una copertura probabilistica ampia, catturando il rischio di coda e l’incertezza statistica, ma i suoi risultati possono risultare astratti e difficili da tradurre in azioni concrete. La simulazione basata su scenari fornisce intuizioni chiare e operative, ma può sottostimare eventi a bassa probabilità e alto impatto non inclusi negli scenari selezionati.
• Rischio di modello: Monte Carlo è sensibile alla calibrazione dell’ESG e alle ipotesi di distribuzione; errori nella volatilità o nei parametri di mean-reversion possono distorcere le stime di rischio. La simulazione basata su scenari è vulnerabile al bias di selezione—escludendo percorsi plausibili o facendo eccessivo affidamento su analogie storiche che potrebbero non ripetersi.
• Allineamento normativo: I supervisori (ad es., l’OCC) riconoscono entrambi gli approcci, ma i metodi basati su scenari sono spesso preferiti per i test di stress di vigilanza e la rendicontazione strategica, mentre Monte Carlo supporta la validazione interna dei modelli e la misurazione dinamica del rischio.

Supponiamo che un’istituzione voglia valutare l’impatto di un aumento parallelo di 200 punti base dei tassi su un periodo di due anni. Nella simulazione Monte Carlo, l’ESG genera 5,000 percorsi in cui il tasso a breve termine segue un processo di mean-reversion con volatilità calibrata; la distribuzione risultante delle variazioni dell’EVE potrebbe mostrare una perdita al 5° percentile di $120 million e un guadagno al 95° percentile di $45 million. Nella simulazione basata su scenari, viene applicato un unico percorso deterministico—corrispondente al rialzo di 200‑bp e alla dinamica della curva dei rendimenti implicita—che fornisce una stima puntuale di una diminuzione dell’EVE di $90 million. I risultati Monte Carlo supportano i calcoli di capitale e VaR; i risultati dello scenario supportano la discussione a livello di consiglio di amministrazione sulle risposte strategiche, come l’accelerazione del ricalcolo dei prezzi degli attivi o la modifica degli obiettivi di durata.

• Utilizzare la simulazione Monte Carlo quando si stimano metriche di rischio che richiedono rigore statistico—ad es., capitale economico, VaR o expected shortfall—o quando si valuta l’impatto dell’incertezza su risultati strategici a lungo termine attraverso un ampio insieme di percorsi possibili.
• Utilizzare la simulazione basata su scenari quando si comunica il rischio agli organi di governance, si testano decisioni strategiche sotto regimi macroeconomici specifici, o ci si allinea ai quadri di stress testing di vigilanza dove la coerenza narrativa e l’operatività sono privilegiate rispetto alla completezza probabilistica.

Entrambi i metodi sono spesso impiegati in combinazione: Monte Carlo per la validazione interna dei modelli e la quantificazione del rischio, e l’analisi basata su scenari per le decisioni strategiche e la rendicontazione normativa.