Sijoittaminen 101
Markkinakriisin mallit siirtyvät ennustamisesta selittämiseen
Modernien rahoitusmarkkinoiden alkamisesta Alankomaissa 1600‑luvulla lähtien talouskriisit ja kuplat ovat olleet säännöllinen ilmiö, alkaen kuuluisasta Tulppaanihullutuksesta. Suorana seurauksena on ollut tunnustus siitä, että näiden kriisejä aiheuttavien olosuhteiden ymmärtäminen on tärkeää, joko valtiolle ja sääntelijöille kriisien esiintymisen ja/tai vakavuuden vähentämiseksi tai rahoitusjärjestelmän toimijoille massiivisten tappioiden välttämiseksi.
Kuitenkin tähän asti päämenetelmä on ollut korrelaatioon perustuva ennustaminen, kuten tarkastelemalla mittareita kuten velka‑BKT‑suhde, yliarvostusmittarit tai sijoittajien sentimentti. Kaikki nämä tiedot voivat todellakin korreloida olosuhteiden kanssa, jotka voivat aiheuttaa kriisin, kuten kuiva sytyke metsässä voi aiheuttaa tulipalon.
Tämä ei silti anna tietoa siitä, mikä aiheuttaa tietyn kriisin, samalla tavalla kuin metsäpalo alkaa alkusparkista, ei kuivan puun vuoksi.
Uusi tutkimus, jonka on tehnyt Puolan Szczecinin yliopiston tutkija, väittää, että kriisianalytiikan tulisi siirtyä malleihin, jotka selittävät, mitkä rakenteelliset kanavat ajavat markkinoiden romahduksia. Tässä paperissa tutkimus tarkastelee volatiliteettishokkien ja valtion velkatuottojen shokkien roolia talouskriisien aiheuttajina.
Se julkaistiin lehdessä Expert Systems with Applications1, otsikolla “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.
Tämä voi olla tärkeä tieto sijoittajille ja riskienhallintavastaaville, sillä tavanomaiset stressitestit, jotka perustuvat keskimääräisiin markkinaoletuksiin, saattavat aliarvioida tappiot, kun volatiliteettiregimet muuttuvat.
Taloudellisten kriisien ennustaminen
Siirtyminen korrelaatiosta ennustamiseen
Suuri osa nykyaikaisesta rahoitusjärjestelmästä perustuu matemaattisiin malleihin, jotka pyrkivät ymmärtämään ja ennustamaan riskejä. Ne perustuvat kuitenkin myös matemaattisiin oletuksiin, ja abstraktit tilastot harvoin vastaavat todellisia tilanteita, mikä johtaa niin kutsuttuihin mustiin sorsiin, termiin jonka on luonut Nassim Taleb, kuvaamaan ennustamatonta, harvinaista tapahtumaa, jolla on valtava vaikutus yhteiskuntaan, talouksiin tai rahoitusmarkkinoihin.
“Perinteiset ennustavat mallit ovat tehokkaita löytämään trendejä suurista datoista, mutta ne epäonnistuvat usein selittämään, miksi tietyt harvinaiset tapahtumat tapahtuvat tai miten tulos muuttuisi vaihtoehtoisissa olosuhteissa.”
Tämä on myös syy siihen, miksi kriisejä tai brutaaleja markkinaliikkeitä kuvataan usein “tilastollisesti mahdottomiksi”. Toki tämä vain tarkoittaa, että korrelaatioon perustuva lähestymistapa on riittämätön vastaamaan todellisia olosuhteita.
Tämä on ongelma, sillä riskienhallintavastaavien on tiedettävä paitsi, että markkinat laskivat, myös mikä rakenteellinen kanava johti romahdukseen.
Samoin keskuspankkien on arvioitava, käsittelevätkö niiden välineet hallitsevaa siirtomekanismia riskien vähentämiseksi.
Kaiken kaikkiaan stressitestien suunnittelijoiden on parametrisoitava herkkyyksiä, jotka soveltuvat äärimmäisiin skenaarioihin, eivätkä pitkän aikavälin keskiarvoihin.
Tämän takia tutkimus kannattaa erilaista lähestymistapaa, jota kutsutaan “vastakohtaiseksi kausaaliseksi inferenssiksi“, eli prosessiksi, jossa arvioidaan, mitä olisi tapahtunut vaihtoehtoisessa, hypoteettisessa todellisuudessa.
Tämän toteuttamiseksi tutkimuspaperi käytti kolmea suunnitteluperiaatetta:
Ensinnäkin mallin on pystyttävä vastaamaan interventiokysymykseen eikä pelkästään ennustavaan kysymykseen:
“Miten kumulatiivinen romahduskaari olisi kehittynyt ilman tiettyä shokkikanavaa?”
Toiseksi jokainen rakenteellinen väite on tuettava vähintään yhdellä muodollisella empiirisellä testillä.
Kolmanneksi tulos on oltava tarkistettavissa, esimerkiksi plasebotestauksella kriisiajanjaksojen ulkopuolella.
Datan kerääminen
Tutkimus käytti kahtena pääasiallisena talouskriisinä tapahtumia havainnollistaakseen: vuosina 2007‑2009 tapahtunutta globaalia finanssikriisiä (GFC) ja COVID‑19-pandemiaa.
Laaja valikoima dataa kerättiin näiden kahden kriisin analysoimiseksi:
- S&P 500 -indeksin päivittäinen sarja.
- Kuukausittainen kuluttajahintaindeksi (CPIAUCSL) inflaation mittaamiseen.
- Työttömyysaste (UNRATE).
- CBOE:n implisiittinen volatiliteettindeksi (VIX).
- Yhdysvaltain 10‑vuotinen valtion velkakirjojen vakaa tuotto.
- Moody’sin Baa-yhtiötason tuotto miinus 10‑vuotisen valtion velkakirjan korko (BAA10Y).
- TED-spread (TEDRATE).
Mitä aiheuttaa talouskriisejä?
Tuottoshokit kriisien aiheuttajina
Analyysin ensimmäinen osa tarkastelee tuottoshokkeja, eli äkillistä, odottamatonta korkojen tai joukkovelkakirjojen tuottojen muutosta rahoitusmarkkinoilla.
Kuviossa, jossa tarkastellaan, miltä markkinoiden tuotot olisivat näyttäneet, jos tuottoshokit olisivat poissa (sininen viiva) ja mitä tapahtui, kun tuottoshokit sisällytettiin (punainen viiva), kaksi tietojoukkoa näyttivät hyvin samankaltaisilta.
Punaisen ja sinisen käyrän eroavaisuus osoittaa tärkeän suunnan‑tuottojen näkökulman: ne vaikuttavat aktiivisesti osakkeiden tuottoihin sen sijaan, että ne vain reagoisivat niihin.
“Sen sijaan havaitaan, että sininen käyrä on punaisen yläpuolella, erityisesti COVID‑kriisin aikana ja hienovaraisemmin GFC‑kriisin aikana. Tämä osoittaa, että tuoton muutokset eivät ole romahduksen seuraus, vaan ne ovat ennustaja.”
Kuitenkin se, mikä määrää tappioiden vakavuuden, johtuu toisesta syystä.
Volatiliteetti tappioiden vahvistajana
Toinen talouskriisin aiheuttaja tämän tutkimuksen mukaan on volatiliteetin piikit.
Tämä ei ehkä ole yllätys, sillä se sopii yhteen valtavirran selityksen kanssa talouskriisien laukaisevista tekijöistä: vuoden 1992 Minsky’n Rahoituksen epävakaushypoteesiin.
Sen ydinajatus on, että väärä turvallisuuden tunne saa rahoitusosapuolet ottamaan liiallista, vaarallista velkaa. Loppujen lopuksi “stabiilisuus on epästabiili”.
Tämä todettiin olleen pääasiallinen osakkeiden hintojen romahduksen syy sekä GFC:n että COVID‑pandemian aikana.
“COVID‑ssa ja GFC:ssa volatiliteettikanava selittää vastaavasti 58,7 % ja 28,3 % kokonaiskumulatiivisesta pudotuksesta, kun taas tuottokanava selittää 8,4 % ja 12,6 %.”
Tutkimustulokset viittaavat myös siihen, että tuottoherkkyys kasvaa myrskyisillä markkinoilla, joten mitä enemmän volatiliteettia on jo, sitä vaikuttavampia tuottoshokit ovat.
| Musta sorsa -kriisi | Kokonaispudotus | Volatiliteettikanavan osuus | Tuottokanavan osuus | Korkean volatiliteetin riskin vahvistus |
|---|---|---|---|---|
| COVID-19-pandemia (2020) | -22.80% | 58.7% (-13.38 pp) | 8.4% (-1.92 pp) | Tuottoherkkyyden piikit 3.11× korkeammat |
| Globaali finanssikriisi (2007–09) | -27.77% | 28.3% (-7.86 pp) | 12.6% (-3.49 pp) | Tuottoherkkyyden piikit 4.76× korkeammat |
Huomautus: Arvot edustavat kokonaiskumulatiivisia logituottoja keskeisten romahdusikkunoiden aikana. Kanavien kontribuutiot eivät ole täysin yhtä suuria kuin kokonaispudotus, koska rakenteellisessa mallissa on ei‑ortogonaalisia dynaamisia vuorovaikutuksia viivästyneistä ristiintermeistä. (pp = prosenttiyksiköt).
Kriisien tarkempi ennustaminen
Ennusteiden tarkentaminen edelleen
Tämä ei tarkoita, että tutkimuksen kehys olisi täydellinen ennustaja. Esimerkiksi se käyttää lineaarista mallia, mikä ei välttämättä ole ihanteellinen äärimmäisissä olosuhteissa kuten talouskriiseissä.
“Tulevan tutkimuksen tulisi testata rakenteellisesti epälineaarista mallia (kuten vaihtelutiloja vaihtava SVAR tai neuroverkkopohjainen rakenteellinen yhtälömalli).”
Lisädatan käyttäminen voisi myös parantaa ennustekapasiteetteja, kuten repo‑koronn dynamiikka, kauppiaiden taseen rajoitteet ja optioiden mikrorakenteen muuttujat.
Vaikutukset sijoittajille ja päättäjille
Riskienhallintavastaaville ja stressitestien suunnittelijoille
tämä kausaalisen yhteyden, ei pelkästään korrelaation, demonstraatio tulisi olla keskeinen syöte suojauspäätöksiin.
Mallien tulisi siis käyttää kaksiregimistä herkkyyskaavaa: matalan VIX‑regimikoeficientti kohtuullisiin tilanteisiin ja korkean VIX‑regimikoeficientti (3–5 × suurempi) äärimmäisiin skenaarioihin.
Se myös tarkoittaa, että eri olosuhteissa huomion tulisi kohdistua eri mittareihin:
- Kun tuottoon perustuvat tappiot kasvavat suhteellisessa merkityksessä, duraatiohallinta (omaisuuden tai velan aikaherkkyyden seuranta ja säätö) tulee yhä merkittävämmäksi.
- Kun VIX‑perusteiset tappiot hallitsevat, volatiliteettipäällysstrategiat ovat ensisijainen prioriteetti.
Keskuspankeille
tämä tarkoittaa, että ne voivat mitata lisäosakkeiden vakauttavien korkojen hallintavälineiden hyödyn, riippuen jo olemassa olevan markkinapaniikin asteesta.
Päättäjille
ymmärrys siitä, millaisesta kriisistä on kyse, on tärkeintä.
“COVID oli 7:1 volatiliteetti‑tuotto‑kriisi, kun taas GFC oli 2,3:1 kriisi. Diagnostisena työkaluna, jonka avulla voidaan määrittää, mikä kanava todennäköisimmin vallitsee reaaliajassa, näitä suhteita voitaisiin käyttää tuleviin mustiin sorsiin liittyvissä tapahtumissa.”
Viitattu tutkimus
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 joulukuu 2026. Artikkeli: 133342. Volyymi: Volume 331, Osa C. DOI: https://doi.org/10.1016/j.eswa.2026.133342
