Investieren 101
Marktcrash-Modelle entwickeln sich von der Vorhersage zur Erklärung
Seit dem Beginn der modernen Finanzmärkte in den Niederlanden im 17. Jahrhundert sind Finanzkrisen und Blasen ein regelmäßiges Phänomen, beginnend mit der berühmten Tulpenmanie. Eine direkte Konsequenz war die Erkenntnis, dass das Verständnis der Bedingungen, die solche Krisen auslösen können, wichtig ist – sowohl für Staat und Aufsichtsbehörden, um das Auftreten und/oder die Schwere von Krisen zu verringern, als auch für Akteure im Finanzsystem, um massive Verluste zu vermeiden.
Bislang war die Hauptmethode jedoch die korrelationsbasierte Vorhersage, etwa durch Betrachtung von Kennzahlen wie dem Schulden‑zu‑BIP‑Verhältnis, Überbewertungskennzahlen oder der Anlegerstimmung. All diese Daten können tatsächlich mit Bedingungen korrelieren, die eine Krise auslösen können, ähnlich wie trockenes Zunder in einem Wald ein Feuer verursachen kann.
Dies liefert jedoch immer noch keine Informationen darüber, was eine bestimmte Krise verursacht, genauso wie ein Waldbrand durch einen Funken entsteht und nicht durch das trockene Holz.
Eine neue Studie eines Forschers der Universität Stettin in Polen argumentiert, dass die Krisenanalyse sich hin zu Modellen entwickeln sollte, die erklären, welche strukturellen Kanäle Marktzusammenbrüche antreiben. In diesem Papier untersucht die Studie die Rolle von Volatilitätsschocks und Treasury‑Rendite‑Schocks bei der Entstehung von Finanzkrisen.
Sie wurde in *Expert Systems with Applications*1, unter dem Titel „Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“ veröffentlicht.
Dies kann für Investoren und Risikomanager wichtige Daten liefern, da die üblichen Stresstests, die auf durchschnittlichen Marktannahmen basieren, Verluste unterschätzen können, wenn sich die Volatilitätsregime ändern.
Finanzkrisen vorhersagen
Vom Übergang von Korrelation zur Vorhersage
Ein großer Teil des modernen Finanzsystems beruht auf mathematischen Modellen, die Risiken verstehen und vorhersagen sollen. Sie basieren jedoch auch auf mathematischen Annahmen, und abstrakte Statistiken passen selten zu realen Situationen, was zu sogenannten Black‑Swan‑Ereignissen führt – ein von Nassim Taleb geprägter Begriff, der ein unvorhersehbares, seltenes Ereignis beschreibt, das massive Auswirkungen auf Gesellschaft, Wirtschaft oder Finanzmärkte hat.
„Konventionelle prädiktive Modelle sind effektiv beim Erkennen von Trends in Big Data, scheitern jedoch häufig daran, zu erklären, warum bestimmte seltene Ereignisse auftreten oder wie sich das Ergebnis unter alternativen Bedingungen ändern würde.“
Deshalb werden Krisen oder brutale Marktbewegungen oft als „statistisch unmöglich“ beschrieben. Das bedeutet jedoch lediglich, dass der korrelationsbasierte Ansatz unzureichend ist, um die realen Bedingungen angemessen abzubilden.
Dies ist ein Problem, da Risikomanager nicht nur wissen müssen, dass der Markt gefallen ist, sondern welcher strukturelle Kanal den Zusammenbruch ausgelöst hat.
Ähnlich müssen die Zentralbanken prüfen, ob ihre Instrumente den dominanten Übertragungsmechanismus adressieren, um solche Risiken zu reduzieren.
Insgesamt müssen also die Designer von Stresstests Sensitivitäten parametrisieren, die für extreme Szenarien geeignet sind, nicht für langfristige Durchschnitte.
Deshalb plädiert diese Studie für einen anderen Ansatz, genannt „counterfactual causal inference“, also den Prozess, zu schätzen, was would have happened in einer alternativen, hypothetischen Realität wäre.
Um dies zu erreichen, nutzte das Forschungspapier drei Gestaltungsprinzipien:
Erstens muss das Modell in der Lage sein, eine interventionsbezogene Frage zu beantworten, nicht nur eine prädiktive:
„Wie hätte sich die kumulative Crash‑Trajektorie ohne einen spezifischen Schockkanal entwickelt?“
Zweitens muss jede strukturelle Behauptung durch mindestens einen formalen empirischen Test gestützt werden.
Drittens muss das Ergebnis verifizierbar sein, zum Beispiel durch Placebo‑Tests in Nicht‑Krisen‑Perioden.
Datenerhebung
Die Studie nutzte zwei zentrale Finanzkrisenereignisse zur Demonstration: die globale Finanzkrise 2007‑2009 (GFC) und die COVID‑19‑Pandemie.
Eine breite Datenbasis wurde gesammelt, um diese beiden Krisen zu analysieren:
- Die tägliche Serie des S&P 500 Index.
- Der monatliche Verbraucherpreisindex (CPIAUCSL) als Maß für Inflation
- Die Arbeitslosenquote (UNRATE).
- Der von CBOE implizierte Volatilitätsindex (VIX).
- Die US‑10‑Jahres‑Treasury‑Konstantlaufzeit‑Rendite.
- Der Moody’s Baa‑Corporate‑Yield‑minus‑10‑Jahres‑Treasury‑Kreditspread (BAA10Y).
- Der TED‑Spread (TEDRATE).
Was verursacht Finanzkrisen?
Renditeschocks als Ursachen von Crashs
Der erste Teil der Analyse betrachtet Renditeschocks, also eine plötzliche, unerwartete Verschiebung der Zinsen oder Anleiherenditen über die Finanzmärkte hinweg.
In einem Diagramm, das zeigt, wie die Marktrenditen ausgesehen hätten, wenn die Renditeschocks nicht vorhanden gewesen wären (blaue Linie), und was tatsächlich mit den eingeschlossenen Renditeschocks geschah (rote Linie), sahen die beiden Datensätze sehr ähnlich aus.
Die Divergenz der roten und blauen Trajektorien weist auf einen entscheidenden Aspekt der Richtung – Renditen: sie beeinflussen die Aktienrenditen aktiv, anstatt nur auf sie zu reagieren.
„Vielmehr wird beobachtet, dass die blaue Trajektorie über der roten liegt, insbesondere während der COVID‑Krise und subtiler während der GFC‑Krise. Dies zeigt, dass Änderungen der Rendite nicht das Ergebnis des Crashs sind, sondern der Prädiktor.“
Allerdings wird die Schwere der Verluste von einer anderen Ursache bestimmt.
Volatilität als Verlustverstärker
Die andere Ursache für Finanzkrisen, laut dieser Studie, sind Spitzen in der Volatilität.
Das ist vielleicht nicht überraschend, da es mit einer gängigen Erklärung für Auslöser von Finanzkrisen übereinstimmt: Minsky’s Financial Instability Hypothesis von 1992.
Die Kernidee ist, dass ein falsches Sicherheitsgefühl Finanzakteure dazu veranlasst, übermäßige, gefährliche Schulden aufzunehmen. Letztlich ist „Stabilität destabilisierend“.
Dies wurde als Hauptursache für den Crash der Aktienkurse sowohl während der GFC als auch der COVID‑Pandemie ermittelt.
„In COVID und GFC macht der Volatilitätskanal jeweils 58,7 % bzw. 28,3 % des gesamten kumulativen Drawdowns aus, während der Renditekanal 8,4 % bzw. 12,6 % ausmacht.“
Die Studienergebnisse deuten zudem darauf hin, dass die Renditeempfindlichkeit in turbulenten Märkten steigt, sodass je mehr Volatilität bereits vorhanden ist, desto wirksamer werden auch Renditeschocks.
| Black‑Swan‑Krise | Gesamtdrawdown | Anteil des Volatilitätskanals | Anteil des Renditekanals | Risikoverstärkung bei hoher Volatilität |
|---|---|---|---|---|
| COVID-19‑Pandemie (2020) | -22.80% | 58.7% (-13.38 pp) | 8.4% (-1.92 pp) | Renditeempfindlichkeit steigt 3.11× höher |
| Globale Finanzkrise (2007–09) | -27.77% | 28.3% (-7.86 pp) | 12.6% (-3.49 pp) | Renditeempfindlichkeit steigt 4.76× höher |
Note: Werte stellen die gesamten kumulativen logarithmischen Renditen über die Kernzusammenbruch‑Zeiträume dar. Kanalbeiträge entsprechen nicht exakt dem Gesamtdrawdown aufgrund nicht‑orthogonaler dynamischer Interaktionen aus verzögerten Kreuztermen im strukturellen Modell. (pp = Prozentpunkte).
Krisen genauer vorhersagen
Vorhersagen weiter verfeinern
Das bedeutet nicht, dass das Rahmenwerk der Studie ein perfekter Prädiktor ist. Zum einen verwendet es ein lineares Modell, das für extreme Umstände wie Finanzkrisen möglicherweise nicht ideal ist.
„Zukünftige Forschung sollte ein strukturell nicht‑lineares Modell testen (wie ein Regime‑Switching‑SVAR oder ein neuronales Strukturgleichungsmodell).“
Die Nutzung zusätzlicher Daten könnte ebenfalls die Vorhersagefähigkeiten verbessern, etwa durch Repo‑Zins‑Dynamiken, Bilanzrestriktionen von Händlern und Optionen‑Mikrostruktur‑Variablen.
Implikationen für Investoren & Entscheidungsträger
Für Risikomanager und Designer von Stresstests, sollte diese Demonstration von Kausalität und nicht nur Korrelation ein wesentlicher Input für Hedging‑Entscheidungen sein.
Daher sollten Modelle einen Zwei‑Regime‑Sensitivitätsplan verwenden: den Low‑VIX‑Regime‑Koeffizienten für moderate Situationen und den High‑VIX‑Regime‑Koeffizienten (3–5 × größer) für extreme Szenarien.
Es bedeutet außerdem, dass unter verschiedenen Bedingungen der Fokus auf unterschiedlichen Kennzahlen liegen sollte:
- Wenn verlusttreibende Renditen an relativer Bedeutung gewinnen, wird das Duration‑Management (Überwachung und Anpassung der Zeitempfindlichkeit eines Vermögenswerts oder einer Verbindlichkeit) zunehmend wichtiger.
- Wenn VIX‑getriebene Verluste dominieren, haben Volatilitäts‑Overlay‑Strategien Priorität erster Ordnung.
Für Zentralbanken, bedeutet dies, dass sie den Nutzen zusätzlicher aktienstabilisierender Zins‑Management‑Instrumente messen können, abhängig vom bereits bestehenden Maß an Marktpanik.
Für Entscheidungsträger, ist das Verständnis, mit welcher Art von Krise sie konfrontiert sind, das Wichtigste.
„COVID war eine 7:1‑Volatilität‑zu‑Rendite‑Krise, während die GFC eine 2,3:1‑Krise war. Als diagnostisches Werkzeug zur Bestimmung, welcher Kanal in Echtzeit am wahrscheinlichsten dominiert, könnten diese Verhältnisse für zukünftige Black‑Swan‑Ereignisse verwendet werden.“
Studie referenziert
1. Guru Ashish Singh. Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan Ereignisse. Expert Systems with Applications. 15. Dezember 2026. Artikel: 133342. Band: Volume 331, Teil C. DOI: https://doi.org/10.1016/j.eswa.2026.133342
