Τα μοντέλα κατάρρευσης της αγοράς μεταβαίνουν από την πρόβλεψη στην εξήγηση

Από την αρχή των σύγχρονων χρηματοοικονομικών αγορών στην Ολλανδία τον 17ο αιώνα, οι χρηματοοικονομικές κρίσεις και οι φούσκες ήταν τακτικό φαινόμενο, ξεκινώντας με τη διάσημη Τουλίπια Μανία. Μια άμεση συνέπεια ήταν η αναγνώριση ότι η κατανόηση των συνθηκών που μπορούν να προκαλέσουν τέτοιες κρίσεις είναι σημαντική, είτε για το κράτος και τους ρυθμιστές ώστε να μειώσουν την εμφάνιση και/ή τη σοβαρότητα των κρίσεων, είτε για τους φορείς του χρηματοοικονομικού συστήματος ώστε να αποφύγουν μεγάλες απώλειες.

Ωστόσο, μέχρι τώρα, η κύρια μέθοδος ήταν η πρόβλεψη βάσει συσχέτισης, όπως η παρακολούθηση δεικτών όπως ο λόγος χρέους προς ΑΕΠ, οι δείκτες υπερεκτίμησης ή το συναίσθημα των επενδυτών. Όλα αυτά τα δεδομένα μπορούν πράγματι να συσχετιστούν με συνθήκες που μπορούν να προκαλέσουν κρίση, όπως το ξηρό ξυλός σε ένα δάσος μπορεί να προκαλέσει πυρκαγιά.

Αυτό όμως δεν παρέχει πληροφορίες για το τι προκαλεί μια συγκεκριμένη κρίση, με τον ίδιο τρόπο που μια πυρκαγιά στο δάσος ξεκινά από μια αρχική σπίθα, όχι από το ξηρό ξύλο.

Μια νέα μελέτη από ερευνητή του Πανεπιστημίου Szczecin στην Πολωνία υποστηρίζει ότι η ανάλυση κρίσεων πρέπει να μετατοπιστεί προς μοντέλα που εξηγούν ποιοι δομικοί δίαυλοι οδηγούν σε καταρρεύσεις της αγοράς. Στο άρθρο, η μελέτη εξετάζει το ρόλο των σοκ μεταβλητότητας και των σοκ αποδόσεων του Δημοσίου στην πρόκληση χρηματοοικονομικών κρίσεων.

Δημοσιεύτηκε στο περιοδικό Expert Systems with Applications^1, με τίτλο “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.

Αυτά μπορεί να αποτελέσουν σημαντικά δεδομένα για επενδυτές και διαχειριστές κινδύνου, καθώς οι συνήθεις δοκιμές αντοχής που βασίζονται σε υποθέσεις μέσων αγορών μπορεί να υποτιμούν τις απώλειες όταν τα καθεστώτα μεταβλητότητας μεταβάλλονται.

Πρόβλεψη Χρηματοοικονομικών Κρίσεων

Μετάβαση από τη Συσχέτιση στην Πρόβλεψη

Μέρος του σύγχρονου χρηματοοικονομικού συστήματος βασίζεται σε μαθηματικά μοντέλα που προσπαθούν να κατανοήσουν και να προβλέψουν τους κινδύνους. Ωστόσο, αυτά βασίζονται επίσης σε μαθηματικές υποθέσεις, και οι αφηρημένες στατιστικές σπάνια ταιριάζουν με τις πραγματικές συνθήκες, οδηγώντας σε ό,τι αποκαλείται «μαύρο κύκνο», όρος που εφηύρε ο Nassim Taleb για να περιγράψει μια απρόβλεπτη, σπάνια εμφάνιση που έχει τεράστια επίδραση στην κοινωνία, τις οικονομίες ή τις χρηματοοικονομικές αγορές.

«Τα συμβατικά προγνωστικά μοντέλα είναι αποτελεσματικά στην ανίχνευση τάσεων σε μεγάλα δεδομένα, αλλά συχνά αποτυγχάνουν να εξηγήσουν γιατί συμβαίνουν ορισμένα σπάνια γεγονότα ή πώς θα άλλαζε το αποτέλεσμα σε εναλλακτικές συνθήκες.»

Αυτό είναι επίσης ο λόγος που οι κρίσεις ή οι βίαιες κινήσεις της αγοράς συχνά περιγράφονται ως «στατιστικά αδύνατες». Εκτός, φυσικά, το γεγονός ότι η προσέγγιση βάσει συσχέτισης είναι ανεπαρκής για να ταιριάζει σωστά με τις πραγματικές συνθήκες.

Αυτό αποτελεί πρόβλημα, καθώς οι διαχειριστές κινδύνου χρειάζονται να γνωρίζουν όχι μόνο ότι η αγορά έπεσε, αλλά ποιος δομικός δίαυλος οδήγησε στην κατάρρευση.

Ανάλογα, οι κεντρικές τράπεζες πρέπει να αξιολογήσουν εάν τα εργαλεία τους αντιμετωπίζουν τον κυρίαρχο μηχανισμό μετάδοσης για να μειώσουν τέτοιους κινδύνους.

Έτσι, συνολικά, οι σχεδιαστές δοκιμών αντοχής πρέπει να παραμετροποιούν ευαισθησίες που είναι κατάλληλες για ακραία σενάρια, όχι για μακροπρόθεσμους μέσους όρους.

Γι’ αυτό η μελέτη προτείνει μια διαφορετική προσέγγιση, που ονομάζεται «αντι-πραγματική αιτιώδης επαγωγή», ή η διαδικασία εκτίμησης του τι «θα είχε συμβεί» σε μια εναλλακτική, υποθετική πραγματικότητα.

Για να το επιτύχει, η ερευνητική εργασία χρησιμοποίησε τρεις αρχές σχεδίασης:

Πρώτον, το μοντέλο πρέπει να μπορεί να ανταποκριθεί σε μια παρέμβαση ερώτημα αντί μόνο σε ένα προγνωστικό:

«Πώς θα είχε εξελιχθεί η συνολική πορεία του καταρρεύματος στην απουσία ενός συγκεκριμένου καναλιού σοκ;»

Δεύτερον, κάθε δομική αξίωση πρέπει να υποστηρίζεται από τουλάχιστον μία επίσημη εμπειρική δοκιμή.

Τρίτον, το αποτέλεσμα πρέπει να είναι επαληθεύσιμο, για παράδειγμα, με δοκιμές placebo σε περιόδους χωρίς κρίση.

Συλλογή των Δεδομένων

Η μελέτη χρησιμοποίησε δύο κύρια γεγονότα χρηματοοικονομικής κρίσης για να το αποδείξει: την Παγκόσμια Χρηματοοικονομική Κρίση (GFC) 2007-2009 και την πανδημία COVID-19.

Συγκεντρώθηκε μια ευρεία σειρά δεδομένων για την ανάλυση αυτών των δύο κρίσεων:

• Η ημερήσια σειρά του Δείκτη S&P 500.
• Ο μηνιαίος Δείκτης Τιμών Καταναλωτή (CPIAUCSL) ως μέτρο του πληθωρισμού.
• Ο ρυθμός ανεργίας (UNRATE).
• Ο δείκτης υπονοούμενης μεταβλητότητας CBOE (VIX).
• Η απόδοση του αμερικανικού 10ετούς ομολόγου Treasury σταθερής διάρκειας.
• Το spread πιστωτικού κινδύνου Moody’s Baa-εταιρική-απόδοση-μείον-10ετές Treasury (BAA10Y).
• Το spread TED (TEDRATE).

Τι Προκαλεί τις Χρηματοοικονομικές Κρίσεις;

Σοκ Απόδοσης ως Αιτίες Καταρρεύσεων

Το πρώτο μέρος της ανάλυσης εξετάζει τα σοκ απόδοσης, ή μια ξαφνική, απροσδόκητη μεταβολή των επιτοκίων ή των αποδόσεων ομολόγων σε όλη τη χρηματοοικονομική αγορά.

Σε ένα γράφημα που παρατηρεί πώς θα είχαν φαίνεται οι αποδόσεις της αγοράς αν τα σοκ απόδοσης δεν υπήρχαν (μπλε γραμμή) και τι συνέβη πραγματικά με τα σοκ απόδοσης (κόκκινη γραμμή), τα δύο σύνολα δεδομένων φαίνονταν πολύ κοντά.

Η απόκλιση των κόκκινων και μπλε διαδρομών υποδεικνύει ένα κρίσιμο στοιχείο της κατεύθυνσης–αποδόσεων: αυτές επηρεάζουν ενεργά τις αποδόσεις των μετοχών αντί να αντιδρούν απλώς σε αυτές.

«Αντίθετα, παρατηρείται ότι η μπλε διαδρομή βρίσκεται πάνω από την κόκκινη, ιδιαίτερα κατά τη διάρκεια της κρίσης COVID και πιο διακριτικά κατά τη διάρκεια της κρίσης GFC. Αυτό δείχνει ότι οι αλλαγές στην απόδοση δεν είναι αποτέλεσμα της κατάρρευσης, αλλά είναι ο προβλεπτικός παράγοντας.»

Ωστόσο, αυτό που καθορίζει τη σοβαρότητα των απωλειών καθοδηγείται από άλλη αιτία.

Η Μεταβλητότητα ως Ενισχυτής Απωλειών

Η άλλη αιτία χρηματοοικονομικής κρίσης, σύμφωνα με αυτή τη μελέτη, είναι οι αιχμές στη μεταβλητότητα.

Αυτό ίσως δεν είναι έκπληξη, καθώς ευθυγραμμίζεται με μια κυρίαρχη εξήγηση για τους παράγοντες που προκαλούν χρηματοοικονομικές κρίσεις: η Υπόθεση Χρηματοοικονομικής Αστάθειας του Minsky του 1992 Financial Instability Hypothesis.

Η κεντρική ιδέα είναι ότι μια ψευδής αίσθηση ασφάλειας οδηγεί τους χρηματοοικονομικούς φορείς να αναλαμβάνουν υπερβολικά, επικίνδυνα επίπεδα χρέους. Τελικά, «η σταθερότητα είναι αποσταθεροποιητική».

Αποδείχθηκε ότι αυτή ήταν η κύρια αιτία της κατάρρευσης των τιμών των μετοχών τόσο κατά τη διάρκεια της GFC όσο και της πανδημίας COVID.

«Στις κρίσεις COVID και GFC, το κανάλι μεταβλητότητας αντιπροσωπεύει το 58,7 % και το 28,3 % της συνολικής αθροιστικής πτώσης, αντίστοιχα, ενώ το κανάλι απόδοσης αντιπροσωπεύει το 8,4 % και το 12,6 %.»

Τα αποτελέσματα της μελέτης επίσης υποδεικνύουν ότι η ευαισθησία στην απόδοση αυξάνεται σε ασταθείς αγορές, έτσι όσο περισσότερη μεταβλητότητα υπάρχει, τόσο πιο επιδραστικά γίνονται και τα σοκ απόδοσης.

Πρόβλεψη Κρίσεων Πιο Ακριβώς

Βελτιώνοντας Περαιτέρω τις Προβλέψεις

Αυτό δεν σημαίνει ότι το πλαίσιο της μελέτης είναι τέλειο προγνωστικό εργαλείο. Για παράδειγμα, χρησιμοποιεί ένα γραμμικό μοντέλο, το οποίο μπορεί να μην είναι ιδανικό για ακραίες συνθήκες όπως οι χρηματοοικονομικές κρίσεις.

«Η μελλοντική έρευνα θα πρέπει να δοκιμάσει ένα δομικά μη-γραμμικό μοντέλο (όπως ένα SVAR με εναλλαγή καθεστώτων ή ένα νευρωνικό δομικό μοντέλο εξισώσεων).»

Η χρήση επιπλέον δεδομένων θα μπορούσε επίσης να βελτιώσει τις προβλεπτικές δυνατότητες, όπως οι δυναμικές του επιτοκίου επαναγοράς, οι περιορισμοί ισολογισμού των διαπραγματευτών και οι μεταβλητές μικροδομής των options.

Συμπεράσματα για Επενδυτές & Πολιτικούς Φορείς

Για τους διαχειριστές κινδύνου και τους σχεδιαστές δοκιμών αντοχής, αυτή η απόδειξη αιτιότητας και όχι μόνο συσχέτισης πρέπει να αποτελεί κρίσιμο στοιχείο στις αποφάσεις αντιστάθμισης.

Έτσι, τα μοντέλα πρέπει να χρησιμοποιούν ένα πρόγραμμα ευαισθησίας δύο καθεστώτων: τον συντελεστή χαμηλού καθεστώτος VIX για μέτριες καταστάσεις και τον συντελεστή υψηλού καθεστώτος VIX (3–5 × μεγαλύτερο) για ακραία σενάρια.

Σημαίνει επίσης ότι υπό διαφορετικές συνθήκες, η εστίαση πρέπει να είναι σε διαφορετικούς δείκτες:

• Όταν οι ζημίες που προέρχονται από την απόδοση αυξάνονται σε σχετική σημασία, η διαχείριση διάρκειας (παρακολούθηση και προσαρμογή της χρονικής ευαισθησίας ενός περιουσιακού στοιχείου ή υποχρέωσης) γίνεται όλο και πιο σημαντική.
• Όταν κυριαρχούν οι ζημίες που προέρχονται από το VIX, οι στρατηγικές επικάλυψης μεταβλητότητας είναι η πρώτη προτεραιότητα.

Για τις κεντρικές τράπεζες, αυτό σημαίνει ότι μπορούν να μετρήσουν το όφελος πρόσθετων εργαλείων διαχείρισης επιτοκίων που σταθεροποιούν το μετοχικό κεφάλαιο, ανάλογα με το βαθμό πανικού στην αγορά που ήδη υπάρχει.

Για τους πολιτικούς φορείς, η κατανόηση του τύπου της κρίσης με την οποία αντιμετωπίζουν είναι το πιο σημαντικό.

«Η κρίση COVID ήταν μια κρίση 7:1 μεταβλητότητας προς απόδοση, ενώ η GFC ήταν μια κρίση 2,3:1. Ως διαγνωστικό εργαλείο για τον προσδιορισμό του καναλιού που είναι πιο πιθανό να επικρατήσει σε πραγματικό χρόνο, αυτά τα ποσοστά θα μπορούσαν να χρησιμοποιηθούν για μελλοντικές εμφανίσεις Μαύρων Κύκνων.»

Μελέτη Αναφοράς

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