Model Keruntuhan Pasar Beralih Dari Prediksi ke Penjelasan

Sejak awal pasar keuangan modern di Belanda pada tahun 1600-an, krisis keuangan dan gelembung telah menjadi kejadian reguler, dimulai dengan yang terkenal Tulip Mania. Konsekuensi langsungnya adalah pengakuan bahwa memahami kondisi yang dapat menyebabkan krisis semacam itu penting, baik bagi negara dan regulator untuk mengurangi frekuensi dan/atau keparahan krisis, maupun bagi pelaku dalam sistem keuangan untuk menghindari kerugian besar.

Namun, hingga kini, metode utama adalah prediksi berbasis korelasi, seperti melihat metrik rasio utang terhadap PDB, metrik overvaluasi, atau sentimen investor. Semua data ini memang dapat berkorelasi dengan kondisi yang dapat menyebabkan krisis, sebagaimana kayu kering di hutan dapat memicu kebakaran.

Hal ini masih tidak memberikan informasi tentang apa yang menyebabkan krisis tertentu, sama seperti kebakaran hutan yang dimulai karena percikan awal, bukan karena kayu kering.

Studi baru oleh peneliti di Universitas Szczecin, Polandia berargumen bahwa analitik krisis harus beralih ke model yang menjelaskan saluran struktural mana yang mendorong keruntuhan pasar. Dalam makalah ini, studi tersebut meneliti peran guncangan volatilitas dan guncangan imbal hasil Treasury dalam menyebabkan krisis keuangan.

Makalah ini dipublikasikan di Expert Systems with Applications^1, dengan judul “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.

Ini dapat menjadi data penting bagi investor dan manajer risiko karena uji stres biasa yang dibangun atas asumsi pasar rata-rata mungkin meremehkan kerugian ketika rezim volatilitas berubah.

Memprediksi Krisis Keuangan

Berpindah Dari Korelasi Ke Prediksi

Sebagian besar sistem keuangan modern didasarkan pada model matematis yang berusaha memahami dan memprediksi risiko. Namun, model tersebut juga bergantung pada asumsi matematis, dan statistik abstrak jarang mencocokkan situasi dunia nyata, yang menghasilkan apa yang disebut peristiwa angsa hitam, istilah yang diciptakan oleh Nassim Taleb untuk menggambarkan kejadian yang tidak dapat diprediksi, langka, dan memiliki dampak besar pada masyarakat, ekonomi, atau pasar keuangan.

“Model prediktif konvensional efektif dalam menemukan tren dalam data besar, tetapi sering gagal menjelaskan mengapa peristiwa langka tertentu terjadi atau bagaimana hasilnya akan berubah dalam kondisi alternatif.”

Inilah juga mengapa krisis atau pergerakan pasar yang brutal sering digambarkan sebagai “secara statistik tidak mungkin”. Kecuali, tentu saja, hal ini hanya berarti bahwa pendekatan berbasis korelasi tidak memadai untuk secara tepat mencocokkan kondisi dunia nyata.

Ini menjadi masalah, karena manajer risiko perlu mengetahui tidak hanya bahwa pasar jatuh, tetapi saluran struktural mana yang mendorong keruntuhan.

Demikian pula, bank sentral perlu mengevaluasi apakah instrumen mereka menangani mekanisme transmisi dominan untuk mengurangi risiko tersebut.

Jadi secara keseluruhan, perancang uji stres perlu memparametrisasi sensitivitas yang sesuai untuk skenario ekstrem, bukan rata‑rata jangka panjang.

Inilah mengapa studi ini menganjurkan pendekatan berbeda, yang disebut “inferensi kausal kontrafaktual”, atau proses memperkirakan apa yang akan terjadi dalam realitas alternatif yang hipotetis.

Untuk melakukannya, makalah penelitian menggunakan tiga prinsip desain:

Pertama, model harus dapat merespons pertanyaan intervensi, bukan hanya pertanyaan prediktif:

“Bagaimana trajektori keruntuhan kumulatif akan berkembang jika tidak ada saluran guncangan tertentu?”

Kedua, setiap klaim struktural harus didukung oleh setidaknya satu uji empiris formal.

Ketiga, hasil harus dapat diverifikasi, misalnya dengan pengujian plasebo pada periode non‑krisis.

Mengumpulkan Data

Studi ini menggunakan dua peristiwa krisis keuangan utama untuk demonstrasi: Krisis Keuangan Global 2007-2009 (GFC) dan pandemi COVID-19.

Berbagai data dikumpulkan untuk menganalisis kedua krisis tersebut:

• Seri harian Indeks S&P 500.
• Indeks Harga Konsumen Bulanan (CPIAUCSL) sebagai ukuran inflasi
• Tingkat Pengangguran (UNRATE).
• Indeks volatilitas implisit CBOE (VIX).
• Yield Treasury konstan 10‑tahun AS.
• Selisih kredit Baa korporat Moody’s dikurangi Treasury 10‑tahun (BAA10Y).
• Spread TED (TEDRATE).

Apa Penyebab Krisis Keuangan?

Guncangan Yield Sebagai Penyebab Keruntuhan

Bagian pertama analisis melihat guncangan yield, yaitu perubahan mendadak dan tak terduga pada suku bunga atau yield obligasi di seluruh pasar keuangan.

Dalam grafik yang mengamati bagaimana pengembalian pasar akan terlihat jika guncangan yield tidak ada (garis biru) dan apa yang sebenarnya terjadi dengan guncangan yield termasuk (garis merah), kedua dataset tampak sangat dekat.

Pergeseran antara trajektori merah dan biru menunjukkan aspek penting arah‑yield: mereka secara aktif memengaruhi pengembalian saham bukan sekadar bereaksi terhadapnya.

“Sebaliknya, teramati bahwa trajektori biru berada di atas merah, terutama selama krisis COVID dan lebih halus selama krisis GFC. Ini menunjukkan bahwa perubahan yield bukan hasil dari keruntuhan, melainkan prediktornya.”

Namun, apa yang menentukan tingkat keparahan kerugian dipengaruhi oleh penyebab lain.

Volatilitas Sebagai Penguat Kerugian

Penyebab lain krisis keuangan, menurut studi ini, adalah lonjakan volatilitas.

Ini mungkin tidak mengejutkan, karena sejalan dengan penjelasan umum pemicu krisis keuangan: Hipotesis Ketidakstabilan Finansial Minsky tahun 1992 Financial Instability Hypothesis.

Ide dasarnya adalah bahwa rasa aman yang palsu menyebabkan pelaku keuangan mengambil tingkat utang yang berlebihan dan berbahaya. Pada akhirnya, “stabilitas menjadi tidak stabil”.

Hal ini ditentukan sebagai penyebab utama keruntuhan harga ekuitas selama GFC maupun pandemi COVID.

“Pada COVID dan GFC, saluran volatilitas menyumbang 58,7 % dan 28,3 % dari total penurunan kumulatif, masing‑masing, sementara saluran yield menyumbang 8,4 % dan 12,6 %.”

Hasil studi juga menunjukkan bahwa sensitivitas yield meningkat di pasar yang bergejolak, sehingga semakin banyak volatilitas yang terjadi, semakin berdampak pula guncangan yield.

Memprediksi Krisis Lebih Akurat

Menyempurnakan Prediksi Lebih Lanjut

Ini bukan berarti kerangka kerja studi ini adalah prediktor yang sempurna. Misalnya, ia menggunakan model linier, yang mungkin tidak ideal untuk keadaan ekstrem seperti krisis keuangan.

“Penelitian masa depan harus menguji model non‑linier struktural (seperti SVAR beralih rezim atau model persamaan struktural neural).”

Menggunakan data tambahan juga dapat membantu meningkatkan kapasitas prediksi, seperti dinamika suku bunga repo, kendala neraca dealer, dan variabel mikrostruktur opsi.

Implikasi Bagi Investor & Pembuat Kebijakan

Untuk manajer risiko dan perancang uji stres, demonstrasi kausalitas ini dan bukan sekadar korelasi harus menjadi masukan penting bagi keputusan lindung nilai.

Jadi model harus menggunakan jadwal sensitivitas dua rezim: koefisien rezim VIX rendah untuk situasi moderat dan koefisien rezim VIX tinggi (3–5 × lebih besar) untuk skenario ekstrem.

Ini juga berarti bahwa dalam kondisi yang berbeda, fokus harus pada metrik yang berbeda:

• Ketika kerugian yang dipicu yield meningkat dalam pentingnya relatif, manajemen durasi (memantau dan menyesuaikan sensitivitas waktu aset atau kewajiban) menjadi semakin signifikan.
• Ketika kerugian yang dipicu VIX mendominasi, strategi overlay volatilitas menjadi prioritas utama.

Untuk bank sentral, ini berarti mereka dapat mengukur manfaat instrumen manajemen suku bunga yang menstabilkan ekuitas tambahan, tergantung pada tingkat kepanikan pasar yang sudah ada.

Untuk pembuat kebijakan, memahami jenis krisis yang mereka hadapi adalah hal terpenting.

“COVID adalah krisis volatilitas‑to‑yield 7:1, sedangkan GFC adalah krisis 2,3:1. Sebagai alat diagnostik untuk menentukan saluran mana yang paling mungkin mendominasi secara real‑time, rasio ini dapat digunakan untuk kejadian Angsa Hitam di masa depan.”

Studi Dirujuk

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