الاستثمار 101
نماذج انهيار السوق تنتقل من التنبؤ إلى الشرح
منذ بداية الأسواق المالية الحديثة في هولندا في القرن السابع عشر، كانت الأزمات المالية والفقاعات ظاهرة منتظمة، بدءًا من ما يُعرف بـ Tulip Mania. وقد أدى ذلك إلى إدراك أن فهم الظروف التي يمكن أن تتسبب في مثل هذه الأزمات مهم، سواء للدولة والجهات التنظيمية لتقليل حدوث الأزمات أو شدتها، أو للفاعلين في النظام المالي لتجنب تكبد خسائر ضخمة.
ومع ذلك، حتى الآن، كانت الطريقة الرئيسية هي التنبؤ القائم على الارتباط، مثل النظر إلى مؤشرات مثل نسبة الدين إلى الناتج المحلي الإجمالي، مؤشرات التقييم المفرط، أو معنويات المستثمرين. جميع هذه البيانات يمكن بالفعل أن ترتبط بالظروف التي قد تتسبب في أزمة، كما يمكن للخشب الجاف في الغابة أن يسبب حريقًا.
هذا لا يزال لا يوفر معلومات حول ما يسبب أزمة معينة، بنفس الطريقة التي يبدأ فيها حريق الغابة بسبب شرارة أولية، وليس بسبب الخشب الجاف.
دراسة جديدة أجراها باحث في جامعة سزيتشين في بولندا تجادل بأن تحليلات الأزمات يجب أن تتحول نحو نماذج تشرح القنوات الهيكلية التي تدفع بانهيارات الأسواق. في هذه الورقة، تفحص الدراسة دور صدمات التقلبات وصدمات عوائد الخزانة في التسبب بالأزمات المالية.
نُشرت في مجلة Expert Systems with Applications1, تحت عنوان “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.
يمكن أن تكون هذه البيانات مهمة للمستثمرين ومديري المخاطر حيث أن اختبارات الضغط التقليدية المبنية على افتراضات السوق المتوسطة قد تقلل من تقدير الخسائر عندما تتغير أنظمة التقلب.
التنبؤ بالأزمات المالية
الانتقال من الارتباط إلى التنبؤ
يعتمد جزء كبير من النظام المالي الحديث على نماذج رياضية تحاول فهم المخاطر وتوقعها. ومع ذلك، فهي أيضًا مبنية على افتراضات رياضية، ونادرًا ما تتطابق الإحصاءات المجردة مع الحالات الواقعية، مما يؤدي إلى ما يُعرف بأحداث البجعة السوداء، وهو مصطلح صاغه نسيم طالب، يصف حدثًا نادرًا غير متوقع له تأثير هائل على المجتمع أو الاقتصادات أو الأسواق المالية.
«النماذج التنبؤية التقليدية فعّالة في اكتشاف الاتجاهات في البيانات الضخمة، لكنها غالبًا ما تفشل في شرح لماذا تحدث بعض الأحداث النادرة أو كيف سيتغير الناتج في ظروف بديلة»
هذا هو السبب أيضًا في أن الأزمات أو التحركات السوقية القاسية غالبًا ما تُوصف بأنها “إحصائيًا مستحيلة”. بالطبع، هذا يعني فقط أن النهج القائم على الارتباط غير كافٍ لمطابقة الظروف الواقعية بشكل صحيح.
هذه مشكلة، حيث يحتاج مدراء المخاطر إلى معرفة ليس فقط أن السوق انخفض، بل أي قناة هيكلية قادت الانهيار.
وبالمثل، تحتاج البنوك المركزية إلى تقييم ما إذا كانت أدواتها تعالج آلية النقل السائدة لتقليل هذه المخاطر.
لذلك بشكل عام، يحتاج مصممو اختبارات الضغط إلى ضبط حساسية المعلمات لتكون مناسبة للسيناريوهات القصوى، وليس للمتوسطات طويلة الأجل.
لهذا السبب تدعو هذه الدراسة إلى نهج مختلف، يُسمى “الاستدلال السببي الافتراضي”، أو عملية تقدير ما “كان سيحدث” في واقع بديل افتراضي.
للقيام بذلك، استخدمت الورقة البحثية ثلاثة مبادئ تصميم:
أولاً، يجب أن يكون النموذج قادرًا على الاستجابة لسؤال تدخلي بدلاً من سؤال تنبؤي فقط:
«كيف كان سيتطور مسار الانهيار التراكمي في غياب قناة صدمة محددة؟»
ثانيًا، يجب أن يُدعم كل ادعاء هيكلي باختبار تجريبي رسمي واحد على الأقل.
ثالثًا، يجب أن يكون الناتج قابلًا للتحقق، على سبيل المثال، من خلال اختبار الدواء الوهمي خلال فترات غير أزمات.
جمع البيانات
استخدمت الدراسة حدثين رئيسيين للأزمات المالية لتوضيح ذلك: أزمة المال العالمية 2007-2009 (GFC) وجائحة كوفيد-19.
تم جمع مجموعة واسعة من البيانات لتحليل هاتين الأزمتيْن:
- السلسلة اليومية لمؤشر S&P 500.
- مؤشر أسعار المستهلك الشهري (CPIAUCSL) لقياس التضخم
- معدل البطالة (UNRATE).
- مؤشر التقلب الضمني لـ CBOE (VIX).
- عائد سندات الخزانة الأمريكية ثابتة الأجل لمدة 10 سنوات.
- فارق العائد الائتماني بين سندات Moody’s Baa وسندات الخزانة الأمريكية 10 سنوات (BAA10Y).
- فارق TED (TEDRATE).
ما الذي يسبب الأزمات المالية؟
صدمات العائد كأسباب للانهيارات
الجزء الأول من التحليل يركز على صدمات العائد، أي تحول مفاجئ وغير متوقع في أسعار الفائدة أو عوائد السندات عبر الأسواق المالية.
في رسم بياني يوضح ما كان سيبدو عليه عائد السوق إذا غابت صدمات العائد (الخط الأزرق) وما حدث فعليًا مع تضمين صدمات العائد (الخط الأحمر)، تبدو مجموعتا البيانات متقاربين جدًا.
إن انحراف المسارات الحمراء والزرقاء يشير إلى جانب حاسم في الاتجاه – العوائد: فهي تؤثر بنشاط على عوائد الأسهم بدلاً من مجرد الاستجابة لها.
«بل يُلاحظ أن المسار الأزرق أعلى من الأحمر، خاصةً خلال أزمة كوفيد وبشكل أكثر دقة خلال أزمة GFC. هذا يوضح أن تغيّر العائد ليس نتيجة للانهيار، بل هو المتنبئ به»
ومع ذلك، ما يحدد شدة الخسائر يُقَدَّم من سبب آخر.
التقلب كمضاعف للخسائر
السبب الآخر للأزمة المالية، وفقًا لهذه الدراسة، هو الارتفاع المفاجئ في التقلب.
قد لا يكون هذا مفاجئًا، حيث يتماشى مع تفسير سائد لمسببات الأزمات المالية: فرضية عدم الاستقرار المالي لمينسكي عام 1992.
فكرتها الأساسية هي أن الشعور الزائف بالأمان يدفع الفاعلين الماليين إلى تحمل مستويات مفرطة وخطيرة من الديون. وفي النهاية، “الاستقرار يسبب عدم الاستقرار”.
تم تحديد ذلك كسبب رئيسي لانهيار أسعار الأسهم خلال كل من أزمة GFC وجائحة كوفيد.
«في كوفيد وGFC، يمثل قناة التقلب 58.7٪ و28.3٪ من الانخفاض التراكمي الكلي على التوالي، بينما تمثل قناة العائد 8.4٪ و12.6٪»
تشير نتائج الدراسة أيضًا إلى أن حساسية العائد تزداد في الأسواق المتقلبة، لذا كلما زاد التقلب، زادت تأثيرات صدمات العائد.
| أزمة البجعة السوداء | الانخفاض الكلي | نسبة قناة التقلب | نسبة قناة العائد | تعزيز مخاطر التقلب العالي |
|---|---|---|---|---|
| COVID-19 Pandemic (2020) | -22.80% | 58.7% (-13.38 pp) | 8.4% (-1.92 pp) | ارتفاع حساسية العائد 3.11× أعلى |
| Global Financial Crisis (2007–09) | -27.77% | 28.3% (-7.86 pp) | 12.6% (-3.49 pp) | ارتفاع حساسية العائد 4.76× أعلى |
ملاحظة: القيم تمثل العوائد اللوغاريتمية التراكمية الكلية عبر نوافذ الانهيار الأساسية. لا تتساوى مساهمات القنوات تمامًا مع الانخفاض الكلي بسبب التفاعلات الديناميكية غير المتعامدة من المصطلحات المتأخرة في النموذج الهيكلي. (pp = نقاط النسبة المئوية).
التنبؤ بالأزمات بدقة أكبر
تحسين التنبؤات أكثر
هذا لا يعني أن إطار الدراسة هو متنبئ مثالي. في الواقع، يستخدم نموذجًا خطيًا، قد لا يكون مثاليًا للظروف القصوى مثل الأزمات المالية.
«يجب على الأبحاث المستقبلية اختبار نموذج غير خطي هيكليًا (مثل نموذج SVAR المتحول بين الأنظمة أو نموذج الشبكة العصبية للمعادلات الهيكلية)»
استخدام بيانات إضافية قد يساعد أيضًا في تحسين قدرات التنبؤ، مثل ديناميكيات معدل الريبو، قيود ميزانية التجار، ومتغيرات بنية الخيارات الدقيقة.
التداعيات للمستثمرين وصانعي السياسات
للمديرين المخاطر ومصممي اختبارات الضغط
يجب أن تكون هذه الإشارة إلى السبب وليس مجرد الارتباط مدخلًا حيويًا لقرارات التحوط.
لذلك يجب أن تستخدم النماذج جدول حساسية بنظاميْن: معامل نظام VIX المنخفض للظروف المتوسطة ومعامل نظام VIX العالي (أكبر بـ 3–5 مرات) للسيناريوهات القصوى.
كما يعني ذلك أنه خلال ظروف مختلفة، يجب التركيز على مقاييس مختلفة:
- عندما تزداد خسائر العائد النسبي في الأهمية، يصبح إدارة المدة (مراقبة وتعديل حساسية الوقت لأصل أو التزام) أكثر أهمية تدريجيًا.
- عندما تهيمن خسائر VIX، تصبح استراتيجيات تغطية التقلب الأولوية الأولى.
للبنوك المركزية
هذا يعني أنه بإمكانهم قياس فائدة أدوات إدارة المعدلات التي تعزز استقرار الأسهم، اعتمادًا على درجة الذعر في السوق الموجود بالفعل.
لصانعي السياسات
فهم نوع الأزمة التي يتعاملون معها هو الأهم.
«كانت كوفيد أزمة بنسبة 7:1 بين التقلب والعائد، بينما كانت GFC أزمة بنسبة 2.3:1. كأداة تشخيصية لتحديد أي قناة من المرجح أن تسود في الوقت الحقيقي، يمكن استخدام هذه النسب في حدوث البجعات السوداء المستقبلية»
الدراسة المشار إليها
1. Guru Ashish Singh. Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events. Expert Systems with Applications. 15 ديسمبر 2026. المقال: 133342. المجلد: Volume 331, الجزء C. DOI: https://doi.org/10.1016/j.eswa.2026.133342
