Markedsnedbrudsmodeller flytter sig fra forudsigelse til forklaring

Siden begyndelsen af de moderne finansmarkeder i Holland i 1600-tallet har finanskriser og bobler været en regelmæssig forekomst, startende med den berømte Tulip Mania. En direkte konsekvens har været erkendelsen af, at forståelse af de betingelser, der kan forårsage sådanne kriser, er vigtig, enten for staten og regulatorer for at reducere forekomsten og/eller alvorligheden af kriser, eller for aktører i det finansielle system for at undgå massive tab.

Indtil nu har den primære metode været korrelationsbaseret forudsigelse, såsom at kigge på målinger som gæld‑til‑BNP‑ratio, overvurderingsmålinger eller investorstemning. Alle disse data kan faktisk korrelere med betingelser, der kan forårsage en krise, på samme måde som tørt tændrør i en skov kan forårsage brand.

Dette giver stadig ikke information om, hvad der forårsager en given krise, på samme måde som en skovbrand starter på grund af en indledende gnist, ikke på grund af tørt træ.

En ny undersøgelse af en forsker ved University of Szczecin i Polen argumenterer for, at kriseanalyse bør skifte mod modeller, der forklarer, hvilke strukturelle kanaler der driver markedskollaps. I dette papir undersøger studiet rollen af volatilitetsschok og statsgældsrente‑schok i at forårsage finanskriser.

Det blev offentliggjort i Expert Systems with Applications^1, under titlen “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.

Dette kan være vigtige data for investorer og risikomanagere, da de sædvanlige stresstest bygget på gennemsnits‑marked‑antagelser kan undervurdere tab, når volatilitet‑regimer skifter.

Forudsigelse af finanskriser

Fra korrelation til forudsigelse

En stor del af det moderne finansielle system er baseret på matematiske modeller, der forsøger at forstå og forudsige risici. De er dog også baseret på matematiske antagelser, og abstrakte statistikker matcher sjældent virkelige situationer, hvilket fører til såkaldte sort‑svane‑begivenheder, et begreb opfundet af Nassim Taleb, der beskriver en uforudsigelig, sjælden hændelse med enorm indvirkning på samfund, økonomier eller finansmarkeder.

“Konventionelle forudsigelsesmodeller er effektive til at finde tendenser i store data, men de fejler ofte i at forklare, hvorfor visse sjældne begivenheder indtræffer, eller hvordan udfaldet ville ændre sig under alternative betingelser.”

Dette er også grunden til, at kriser eller brutale markedsbevægelser ofte beskrives som “statistisk umulige”. Undtagen, naturligvis, betyder dette kun, at den korrelationsbaserede tilgang er utilstrækkelig til at matche virkelige betingelser korrekt.

Dette er et problem, da risikomanagere har brug for at vide ikke kun, at markedet faldt, men hvilken strukturel kanal der drev kollapset.

På samme måde skal centralbankerne vurdere, om deres instrumenter adresserer den dominerende transmissionsmekanisme for at reducere sådanne risici.

Derfor skal designere af stresstest parametrere følsomheder, der er passende for ekstreme scenarier, ikke langsigtede gennemsnit.

Dette er grunden til, at denne undersøgelse går ind for en anden tilgang, kaldet “counterfactual causal inference”, processen med at estimere, hvad der ville være sket i en alternativ, hypotetisk virkelighed.

For at gøre dette brugte forskningspapiret tre designprincipper:

Først skal modellen kunne svare på et interventionsspørgsmål i stedet for kun et forudsigelsesspørgsmål:

“Hvordan ville den samlede nedbruds‑trajektorie have udviklet sig i fraværet af en specifik chok‑kanal?”

For det andet skal hvert strukturelt krav understøttes af mindst én formel empirisk test.

For det tredje skal resultatet kunne verificeres, for eksempel med placeboprøvning på perioder uden krise.

Indsamling af data

Studiet brugte to hoved‑finanskrise‑begivenheder til at demonstrere: den globale finanskrise 2007‑2009 (GFC) og COVID‑19‑pandemien.

Et bredt udvalg af data blev indsamlet for at analysere disse to kriser:

• Den daglige serie af S&P 500‑indekset.
• Den månedlige forbrugerprisindeks (CPIAUCSL) som mål for inflation.
• Arbejdsløshedsrate (UNRATE).
• CBOE’s implikerede volatilitet indeks (VIX).
• Den amerikanske 10‑årige Treasury‑konstant‑modenhedsafkast.
• Moody’s (MCO ) Baa‑korporativ‑afkast‑minus‑10‑år‑Treasury kreditspread (BAA10Y).
• TED‑spredet (TEDRATE).

Hvad forårsager finanskriser?

Rentechok som årsag til nedbrud

Den første del af analysen ser på rentechok, dvs. et pludseligt, uventet skift i rentesatser eller obligationsafkast på tværs af finansmarkeder.

I en graf, der observerer, hvordan markedsafkast ville have set ud, hvis rentechokkene var fraværende (blå linje) og hvad der faktisk skete med rentechokkene inkluderet (rød linje), så de to datasæt meget ens ud.

Afvigelsen mellem den røde og blå trajektorie indikerer et vigtigt aspekt af retning‑afkast: de påvirker aktivt aktieafkastene i stedet for blot at reagere på dem.

“Derimod observeres det, at den blå trajektorie ligger over den røde, især under COVID‑krisen og mere subtilt under GFC‑krisen. Dette viser, at ændringer i afkastet ikke er et resultat af nedbruddet, men snarere en forudsigelse.”

Dog bestemmes omfanget af tab af en anden årsag.

Volatilitet som tabforstærker

Den anden årsag til finanskrise, ifølge dette studie, er spidser i volatilitet.

Dette er måske ikke en overraskelse, da det falder i tråd med en mainstream‑forklaring på udløsere af finanskriser: 1992’s Minsky’s Finansiel ustabilitetshypotese.

Dens kerneidé er, at en falsk følelse af sikkerhed får finansielle aktører til at påtage sig overdreven, farlig gæld. I sidste ende er “stabilitet destabiliserende”.

Dette blev fastslået som den primære årsag til aktiekursnedbruddet under både GFC og COVID‑pandemien.

“I COVID og GFC udgør volatilitetskanalen henholdsvis 58,7 % og 28,3 % af den samlede kumulative nedgang, mens rentekanalen udgør 8,4 % og 12,6 %.”

Studiets resultater antyder også, at rentefølsomheden øges i turbulente markeder, så jo mere volatilitet der allerede er, desto mere påvirkende bliver rentechok.

Forudsigelse af kriser mere præcist

Forfinelse af forudsigelser yderligere

Dette betyder ikke, at studiets rammeværk er en perfekt forudsigelse. For det første bruger det en lineær model, som måske ikke er ideel for ekstreme omstændigheder som finanskriser.

“Fremtidig forskning bør teste en strukturelt ikke‑lineær model (såsom en regime‑skiftende SVAR eller en neural strukturel ligningsmodel).”

Brug af ekstra data kunne også hjælpe med at forbedre forudsigelseskapaciteten, såsom repo‑rente‑dynamik, forhandler‑balanceregnskabs‑begrænsninger og options‑mikrostruktur‑variabler.

Implikationer for investorer & beslutningstagere

For risikomanagere og designere af stresstest, bør denne demonstration af kausalitet og ikke kun korrelation være et væsentligt input til hedge‑beslutninger.

Derfor bør modeller anvende en to‑regime følsomhedsskema: lav‑VIX‑regime‑koefficienten for moderate situationer og høj‑VIX‑regime‑koefficienten (3–5 × større) for ekstreme scenarier.

Det betyder også, at under forskellige betingelser bør fokus rettes mod forskellige målinger:

• Når rentebaserede tab øges i relativ betydning, bliver varighedsstyring (overvågning og justering af tidsfølsomheden for en aktiv eller forpligtelse) gradvist mere betydningsfuld.
• Når VIX‑baserede tab dominerer, er volatilitet‑overlay‑strategier den første prioritet.

For centralbanker, betyder dette, at de kan måle fordelene ved yderligere aktie‑stabiliserende rente‑styringsinstrumenter, afhængigt af graden af markeds‑panik, der allerede eksisterer.

For beslutningstagere, er forståelsen af, hvilken type krise de håndterer, den vigtigste.

“COVID var en 7:1 volatilitet‑til‑rente‑krise, mens GFC var en 2,3:1 krise. Som et diagnostisk værktøj til at bestemme, hvilken kanal der sandsynligvis vil dominere i realtid, kan disse forhold bruges til fremtidige sort‑svane‑forekomster.”

Studie refereret

^{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 december 2026. Artikel: 133342. Bind: Volume 331, Part C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}