Gli economisti della BCE presentano un kit di strumenti quantitativi per misurare la rilevanza nel mondo reale di scenari previsivi alternativi

Gli economisti della Banca centrale europea stanno cercando di rispondere a un problema ricorrente di policy: gli scenari alternativi vengono pubblicati di routine accanto alle proiezioni di base (baseline) dello staff della BCE/Eurosistema, eppure esistono poche evidenze sistematiche su quanto tali scenari siano “rilevanti” se valutati alla luce del comportamento macroeconomico del mondo reale. In un riquadro predisposto da Niccolò Battistini, Mohammed Chahad e Luís Fonseca per l’ECB Economic Bulletin (Issue 7/2026), gli autori presentano una cassetta degli attrezzi quantitativa pensata per valutare gli scenari verificando se gli esiti economici da essi implicati appaiano empiricamente plausibili.

Negli esercizi di proiezione della BCE, la baseline è trattata come il percorso più probabile dell’economia, date le condizioni correnti e un insieme di ipotesi tecniche. Gli scenari alternativi vengono poi utilizzati per esplorare narrazioni rilevanti per la policy — come potenziali shock legati alle tensioni geopolitiche — includendo, in questa applicazione, narrazioni connesse al conflitto in Medio Oriente. Sebbene tali narrazioni possano essere utili per la comunicazione dei rischi, la ricerca che valuti formalmente la plausibilità degli scenari rimane limitata, come rilevato in lavori precedenti tra cui Cordova-Pozo e Rouwette (2023).

Gli autori della BCE propongono un quadro in due fasi. In primo luogo, costruiscono distribuzioni predittive congiunte (joint predictive distributions) per le principali variabili macroeconomiche, con l’obiettivo di catturare sia come tali variabili evolvono nel tempo sia come si muovono insieme. Nella loro applicazione, le variabili sono la crescita del PIL reale e l’inflazione HICP. L’obiettivo è ottenere un’unica densità congiunta per questi esiti, centrata sulla proiezione di base, consentendo al contempo di incorporare la correlazione storica tra crescita e inflazione — sia nel tempo sia tra variabili.

Per costruire tale distribuzione congiunta, il framework utilizza due approcci complementari che partono da distribuzioni predittive univariate (a singola variabile). Il primo è un percorso basato su modello: le regressioni quantiliche bayesiane (Bayesian quantile regressions) vengono impiegate per stimare le distribuzioni condizionali per ciascuna variabile, che vengono poi combinate in una densità congiunta usando la regola della catena delle probabilità. Il secondo è un percorso basato su copula: una copula viene usata per collegare distribuzioni marginali univariate in una distribuzione congiunta che riflette i pattern storici di dipendenza. Per tali marginali, gli autori attingono a due fonti — dati macroeconomici storici e una distribuzione basata su indagine proveniente dall’ECB Survey of Professional Forecasters — in modo che le aspettative prospettiche dei professionisti siano incorporate accanto agli esiti passati.

Una volta stimate, queste densità congiunte vengono ricentrate affinché il loro punto più probabile (la loro moda) coincida con la proiezione di base. Gli autori calcolano quindi queste distribuzioni congiunte centrate su finestre mobili (rolling windows) di 20 anni, a partire dall’inizio degli anni Ottanta. Questo disegno a finestra mobile ha due finalità: consente alle relazioni tra crescita e inflazione di cambiare nel tempo e permette che ciascuno scenario venga giudicato rispetto al sottocampione storico per esso più “favorevole”, anziché rispetto a un unico periodo fisso.

Il secondo passaggio traduce la densità congiunta in una misura empirica di plausibilità. Seguendo la logica di Doan et al. (1984), gli autori trattano la plausibilità come il grado in cui il percorso previsto di uno scenario è inusuale rispetto alla traiettoria più probabile. In concreto, per ciascun sottocampione storico calcolano la verosimiglianza del percorso congiunto dello scenario per crescita e inflazione e la confrontano con la verosimiglianza del percorso di base (baseline). L’indice di plausibilità risultante per uno scenario è il punteggio massimo di verosimiglianza relativa tra tutti i sottocampioni.

L’indice va da 0 a 100: un valore vicino a 0 indica che gli esiti macroeconomici congiunti dello scenario non hanno sostanzialmente alcun precedente storico, mentre un valore vicino a 100 indica che gli esiti dello scenario sono più o meno plausibili quanto quelli della baseline. È importante sottolineare che il punteggio non intende convalidare gli eventi narrativi sottostanti — come la natura precisa di un’interruzione dell’offerta energetica o una specifica modifica tariffaria. Piuttosto, valuta se la combinazione e la co-movimentazione degli esiti macroeconomici implicati dallo scenario siano già state osservate, rendendolo applicabile anche a narrazioni che non si sono mai verificate letteralmente.

Perché è importante

L’analisi di scenario influenza il modo in cui le banche centrali comunicano il rischio e il modo in cui i mercati interpretano le scelte di politica economica. Uno strumento che quantifica se gli esiti di uno scenario assomigliano a schemi macroeconomici osservati storicamente può aiutare gli utenti a distinguere tra stress test informativi e storyline poco plausibili. Il prossimo aspetto da monitorare è come tali indici vengano utilizzati nella pratica — se influenzino la scelta degli scenari da pubblicare e quanto peso vi attribuiscano policymaker e investitori.