Come fare previsioni economico-finanziarie. Parte 3

Abstract

- Definire gli approcci statistici alle previsioni economico-finanziarie

- Introdurre le Analisi per serie temporali

La famiglia degli approcci definiti statistical comprende un insieme di tecniche quantitative, utilizzate per apprezzare le ipotesi usate nello sviluppo di previsioni economico-finanziarie sugli andamenti futuri. Al loro interno troviamo metodi univariati, quali le analisi delle serie temporali, e modelli di analisi multivariata. I sotto paragrafi seguenti presentano le caratteristiche salienti di tali approcci.

Analisi delle serie temporali

Le analisi delle serie temporali (chiamate anche analisi delle serie storiche) sono analisi volte ad apprezzare l’andamento storico di un fenomeno per individuare elementi di trend, ciclicità, stagionalità e accidentalità, poi utilizzate per trarre previsioni sui possibili andamenti futuri (Armstrong, 2001).

In sostanza, le analisi delle serie temporali prevedono di osservare un fenomeno o una grandezza, quale ad esempio il fatturato, i tassi di consumo di una materia prima, etc., nel tempo con intervalli regolari (ogni settimana, mese, ogni trimestre, anno). Nelle analisi delle serie temporali si assume che i fenomeni temporali siano tra loro collegati e lo studio dell’inferenza sulla serie storica si configura, quindi, come un procedimento che tenta di riportare la serie storica al suo processo generatore. Normalmente nelle serie temporali assumono particolare rilievo le seguenti variabili:

• trend, inteso come una componente che varia lentamente nel tempo e che essenzialmente determina il livello della serie;

• stagionalità, intesa come una o più componenti periodiche, ovvero che si “ritrovano” uguali o quasi a distanza fissa nel tempo (ad esempio, in serie mensili ogni 12 mesi, in serie trimestrali ogni 4 trimestri, in serie giornaliere ogni 7 giorni);

• componente irregolare, una componente più erratica che determina nella serie delle oscillazioni tipicamente di breve periodo.

La figura sotto riportata evidenzia il trend storico del fatturato di una impresa e la sua scomposizione nelle tre dimensioni di trend, stagionalità e componente irregolare sopra descritte.

Il grafico evidenzia chiaramente un trend decrescente nel periodo che va dal 2010 al 2015. Analogamente si possono verificare curve di stagionalità abbastanza marcata collegate a metà e fine anno. Questi dati possono essere utilizzati per valutare e apprezzare le ipotesi alla base del piano. In questo contesto, infatti, un ipotetico piano con evidenti recuperi di fatturato sin dai primi mesi dell’anno andrebbe accuratamente valutato dato i valori manifesti di trend e stagionalità. Naturalmente, un piano di ristrutturazione prevede per sua natura una forte discontinuità e proprio per questo motivo i dati di analisi storica non possono essere replicati testualmente. Questi ultimi infatti servono per meglio comprendere le ipotesi alla base del piano. Dati in forte controtendenza debbono essere adeguatamente giustificati sulla base delle azioni previste nel piano.

Allo stesso modo, le analisi storiche presuppongono la disponibilità di dati informativi di partenza, comparabili rispetto alla variabile influenzata e buoni in quanto non influenzati da fenomeni esterni, quali ad esempio politiche di bilancio o altri elementi di disturbo. Le modalità tecniche attraverso cui effettuare tali analisi sono molteplici e una loro accurata descrizione andrebbe oltre gli obiettivi di questo scritto. A titolo puramente esemplificativo si richiamano modelli di media mobile, sistemi di autoregressione, sistemi di autoregressione variabile, sistemi di lisciamento esponenziale, etc.

Tra i vantaggi delle analisi delle serie temporali riscontriamo, certamente, da un lato la loro facilità di esecuzione una volta acquisite le competenze matematiche necessarie e dall’altro lato la difficoltà, in molti casi, al reperimento di corrette informazioni. Politiche di bilancio, eventi straordinari quali svalutazioni, etc. potrebbero inficiare l’utilizzo di questo strumento.

Variabile	Descrizione
FASI	Raccolta dei dati di partenza Analisi dei valori di trend, stagionalità e componente irregolare per apprezzare le stime alla base del piano
PUNTI DI FORZA	Facilità di elaborazione
PUNTI DI DEBOLEZZA	Difficoltà nell'acquisizione dei dati di partenza Elevate competenze statistiche per la sua elaborazione

Analisi multivariate

Le analisi di tipo multivariato sono analisi statistiche ove si analizzano più variabili contemporaneamente. Esistono molteplici tecniche statistiche multivariate che si possono applicare per valutare i dati storici e tentare di effettuare previsioni. Una loro descrizione puntuale andrebbe ben oltre gli obiettivi di questo scritto. Nello specifico, si intende qui presentare solo alcune modellizzazioni che, ad opinione dello scrivente, potrebbero essere validamente utilizzate per la valutazione delle assunzioni alla base del piano di ristrutturazione.

In particolare, all’interno delle analisi multivariate, la tecnica della clusterizzazione dei dati delle imprese competitors può essere utilizzata per creare raggruppamenti di variabili. La tecnica del clustering è un insieme di tecniche di analisi multivariata dei dati volte alla selezione e raggruppamento di elementi omogenei in un insieme di dati. Questo approccio si basa su misure relative alla somiglianza tra gli elementi. In molti approcci questa similarità, o meglio, dissimilarità, è concepita in termini di distanza in uno spazio multidimensionale. La bontà delle analisi ottenute dagli algoritmi di clustering dipende molto dalla scelta della metrica e quindi da come è calcolata la distanza. Gli algoritmi di clustering raggruppano gli elementi sulla base della loro distanza reciproca e, quindi, l'appartenenza o meno ad un insieme dipende da quanto l'elemento preso in esame è distante dall'insieme stesso.

Al riguardo De Lillo et al. (2014, p.225) [1] ricordano che “una procedura semplice ed efficace per realizzare delle buone partizioni è quella di tener sott’occhio il dendrogramma e fissare un taglio in corrispondenza di quelli che possiamo definire balzi evolutivi, ossia laddove le differenze tra i diversi livelli di fusione si fanno più consistenti.” L’analisi del dendrogramma porta ad identificare l’esistenza di 4 cluster rilevanti. L’analisi viene supportata dal calcolo della misura di Average Sillhouette With con valori nei 4 cluster compresi tra 0.25 e 0.50 che, secondo la letteratura, rappresenta una misura di accettabilità della classificazione solo se usata a titolo indicativo essendo il valore non particolarmente elevato. Ai fini di questa analisi (di supporto delle elaborazioni sopra effettuate) il dato viene considerato accettabile. Di seguito si ripropone il dendrogramma di analisi. Di seguito un esempio di Dendrogramma.

Tra i vantaggi delle analisi multivariate riscontriamo da un lato, certamente, la loro facilità di esecuzione una volta acquisite le competenze matematiche necessarie e dall’altro lato la difficoltà in molti casi al reperimento di corrette informazioni.

Variabile	Descrizione
FASI	Raccolta dei dati di partenza Analisi dei dati con metodologie adeguate: analisi di clustering, regressione multipla, etc. Valutazione dei risultati
PUNTI DI FORZA	Facilità di elaborazione
PUNTI DI DEBOLEZZA	Difficoltà nell'acquisizione dei dati di partenza Elevate competenze statistiche per la sua elaborazione