Abstract
Il progetto PRIN ha sviluppato modelli quantitativi avanzati e strumenti computazionali per la valutazione e la gestione di derivati energetici e meteorologici, strumenti sempre più rilevanti per la copertura dei rischi connessi al cambiamento climatico, alla transizione energetica e all’incertezza dei mercati dell’energia e delle variabili climatiche. Il progetto si è articolato intorno a due obiettivi principali: da un lato, definire e validare nuovi modelli stocastici, probabilistici e possibilistici per descrivere la dinamica dei prezzi energetici e delle variabili meteorologiche, incorporando molteplici fattori di rischio e dipendenze complesse; dall’altro, sviluppare metodi numerici efficienti e algoritmi di machine learning, incluse reti neurali profonde, per la valutazione di derivati anche in contesti ad alta dimensionalità. Le attività sono state organizzate in tre task: selezione dei driver di rischio, sviluppo dei modelli e pricing dei derivati, con il contributo coordinato delle unità di Bologna, Napoli Parthenope e Perugia. L’approccio adottato ha integrato calcolo stocastico, modelli econometrici, teoria fuzzy, simulazione Monte Carlo, metodi numerici e apprendimento automatico. Sul piano scientifico, il progetto contribuisce all’avanzamento della finanza quantitativa e dei metodi computazionali; sul piano applicativo, fornisce strumenti per una migliore misurazione, valutazione e copertura dei rischi climatici ed energetici, a supporto della finanza sostenibile.
Risultati raggiunti
: Il progetto ha raggiunto i propri obiettivi principali, producendo risultati metodologici e applicativi nei tre ambiti centrali: modellazione dei fattori di rischio energetici e climatici, previsione delle variabili meteorologiche e sviluppo di strumenti di pricing per derivati complessi. Per i mercati energetici e delle commodity è stato sviluppato un modello a quattro fattori, basato su prezzo spot, volatilità stocastica, convenience yield e tassi d’interesse stocastici, con co-movimenti dipendenti dallo stato e premi al rischio variabili nel tempo. La stima tramite filtro di Kalman, applicata congiuntamente a dati su commodity e obbligazioni, ha mostrato miglioramenti nella descrizione della struttura a termine dei futures sul petrolio e nelle prestazioni di copertura. È stato inoltre sviluppato un modello GARCH affine bivariato con due componenti di volatilità e due innovazioni, capace di garantire stazionarietà stretta e di migliorare adattamento empirico, previsione della volatilità e valutazione di opzioni. Una parte rilevante dei risultati riguarda le variabili meteorologiche, in particolare la temperatura. L’unità di Napoli Parthenope ha sviluppato modelli basati su reti neurali interpretabili per stimare congiuntamente media e varianza condizionale della temperatura e per collegare direttamente tali stime al pricing di contratti HDD. È stato inoltre proposto un modello spazialmente continuo della temperatura, costruito su dati climatici satellitari, che consente valutazioni anche in località prive di stazioni di osservazione e permette di misurare il rischio di base geografico: le simulazioni hanno mostrato che il payoff atteso di uno stesso contratto può variare sensibilmente tra località diverse, anche vicine. L’unità di Bologna ha fornito un benchmark sistematico tra modelli lineari VAR e diverse architetture neurali per previsioni di temperatura a medio termine, evidenziando che, agli orizzonti considerati, le reti neurali non sempre offrono vantaggi operativi proporzionati al costo computazionale. L’unità di Perugia ha sviluppato un approccio ibrido ARMA-APARCH-XGBoost per la dinamica della temperatura e la previsione di breve periodo della volatilità implicita, con risultati migliori rispetto a benchmark ARMA-GARCH. Il progetto ha inoltre ampliato la rappresentazione del rischio climatico includendo indicatori informativi e percettivi. L’unità di Perugia ha costruito indici basati su notizie climatiche e ambientali, utili a misurare l’attenzione del mercato verso il rischio climatico e a integrarla in modelli di volatilità e pricing. È stata infine sviluppata una metodologia per collegare variabili climatiche e rese agricole tramite una variabile latente d’impatto e F-transform a cluster. Sul fronte del pricing, un risultato centrale è lo sviluppo di metodologie numeriche per problemi ad alta dimensionalità. L’unità di Bologna ha realizzato un metodo meshless basato su funzioni a base radiale e centri generati via Monte Carlo, applicabile a PDE lineari e non lineari per derivati finanziari ed elettrici. Il metodo ha fornito accuratezza stabile fino a otto dimensioni spaziali ed è stato validato su opzioni multi-asset e spark-spread, anche in presenza di costi di transazione. In parallelo è stato sviluppato un framework per contratti spark-spread con rischio di controparte bilaterale, collateralizzazione e costi asimmetrici di funding e hedging: il corrispondente problema non lineare ad alta dimensionalità è stato affrontato con uno schema probabilistico monotono basato su Monte Carlo e regressione, dimostratosi praticabile e accurato in un contesto di mercato a sei dimensioni, dove i metodi deterministici su griglia diventano rapidamente impraticabili. I modelli meteorologici sviluppati sono stati trasformati in strumenti implementabili per il pricing di weather derivatives, in particolare contratti HDD, sia su località osservate sia su siti non direttamente coperti da stazioni. Ciò rafforza la possibilità di valutare contratti tenendo conto di eterogeneità spaziale, volatilità variabile nel tempo e rischio di base geografico. Il progetto ha prodotto pubblicazioni scientifiche, working paper, manoscritti in preparazione o sottomessi, presentazioni a conferenze nazionali e internazionali, special session AMASES e un workshop dedicato presso il Campus di Rimini dell’Università di Bologna. Sono stati diffusi risultati in sedi peer-reviewed e tramite repository aperti, inclusi SSRN, IRIS e GitHub; il codice relativo al metodo RBF-Monte Carlo è stato reso pubblico per favorire replicabilità e riuso. Complessivamente, i risultati raggiunti forniscono una base solida e utilizzabile per ulteriori sviluppi su pricing, copertura e gestione dei rischi climatici ed energetici.Dettagli del progetto
Responsabile scientifico: Luca Vincenzo Ballestra
Strutture Unibo coinvolte:
Dipartimento di Scienze Statistiche "Paolo Fortunati"
Coordinatore:
ALMA MATER STUDIORUM - Università di Bologna(Italy)
Contributo totale di progetto: Euro (EUR) 204.940,00
Contributo totale Unibo: Euro (EUR) 79.094,00
Durata del progetto in mesi: 24
Data di inizio
28/09/2023
Data di fine:
28/02/2026
