Immaginiamo un sistema di 20-30 piccole banche (community banks o banche regionali) interconnesse da prestiti interbancari. L’obiettivo, in linea con il monito di Taleb, è evitare concentrazioni pericolose e rendere la rete robusta (o antifragile) rispetto a shock: se una banca fallisce, il contagio deve rimanere limitato.
Problema di ottimizzazione
- Nodi: 25 piccole banche, ciascuna con un capitale iniziale simile (per mantenere un basso coefficiente di Gini, come suggerito dagli studi).
- Archi (geni): collegamenti interbancari (prestiti o esposizioni). Ogni possibile collegamento è un gene binario (presente/assente) o un peso (ammontare del prestito).
-
Vincoli:
- Grado medio limitato (non troppo connessi).
- Nessuna banca troppo centrale (no hub “too big to fail”).
- Capitale minimo per banca.
-
Funzione di fitness (da massimizzare):
- Stabilità = minimo capitale residuo delle banche dopo simulazioni di shock (perdite esterne o fallimento di 1-2 banche).
- Penalità per alta disuguaglianza di ricchezza o per esistenza di nodi molto centrali.
- Bonus per diversità geografica/settoriale dei collegamenti.
Più alta è la fitness, più la rete resiste a cascade failures (fallimenti a catena).
Come funziona l’algoritmo genetico (semplificato)
- Popolazione iniziale: 100 reti casuali (cromosomi = matrici di adiacenza o liste di archi).
- Valutazione della fitness: per ogni rete si simula il flusso di denaro + 4 tipi di shock (interno/esterno, cumulativo/non cumulativo). Si misura il capitale minimo residuo e la probabilità di primo fallimento.
- Selezione: torneo o roulette — le reti più stabili si riproducono di più.
- Crossover: si combinano parti di due reti “buone” (es. si scambiano sotto-grafi di collegamenti).
- Mutazione: si aggiungono/rimuovono/ricablano alcuni archi con bassa probabilità (es. 5-10%).
- Elitismo: si conservano le 5-10 migliori reti di ogni generazione.
- Si itera per 200-500 generazioni.
Risultati tipici dalla letteratura
Studi che applicano esattamente questo approccio (es. ottimizzazione di reti finanziarie dirette con GA) mostrano che:
- Le reti ottimali tendono ad avere distribuzione di ricchezza più uniforme tra le banche (basso Gini) → maggiore stabilità.
- Aumentare la varianza del grado (alcune banche un po’ più connesse di altre, ma senza super-hub) riduce il rischio sistemico.
- La rete evoluta resiste meglio a shock multipli rispetto a reti concentrate o casuali.
- Si ritarda significativamente il secondo fallimento dopo il primo.
In pratica: partendo da una rete “media” di piccole banche, dopo poche centinaia di generazioni il GA trova topologie in cui un fallimento isolato non provoca contagio di massa, proprio perché non esistono banche “too big to fail” e i collegamenti sono più equilibrati e diversificati.
Versione ancora più semplice (ottimizzazione portafoglio prestiti di una piccola banca)
Per una singola piccola banca:
- Cromosoma = vettore di pesi (percentuali di prestiti a settori diversi: agricoltura, PMI, immobili residenziali, ecc.).
- Fitness = rendimento atteso – penalità per rischio di coda (CVaR o perdite sotto stress estremi) – penalità per concentrazione settoriale.
- Il GA evolve portafogli che massimizzano profitto sotto vincoli di liquidità e di robustezza a shock (es. crisi immobiliare + aumento tassi).
Risultati empirici su banche reali (Arabia Saudita, Iraq, credit union americane) mostrano miglioramenti di profitto del 4-8% e riduzione del tempo di screening dei prestiti, mantenendo o migliorando la resilienza.
Collegamento con Taleb
Questo è esattamente il contrario della logica “too big to fail”:
- Si ottimizza per piccole unità e diversità.
- Si introduce stress (shock simulati) durante l’evoluzione → si favoriscono soluzioni antifragili.
- Si permette (e si simula) il fallimento di singoli nodi senza crollo del sistema.
Top comments (0)