市場クラッシュモデルは予測から説明へと移行する

1600年代のオランダにおける近代金融市場の始まり以来、金融危機やバブルは定期的に発生しており、有名な Tulip Mania から始まります。その直接的な結果として、こうした危機を引き起こす条件を理解することが重要であると認識されました。これは、国家や規制当局が危機の発生頻度や深刻度を減らすため、あるいは金融システムの関係者が大きな損失を回避するためです。

しかし、これまでの主な手法は相関に基づく予測であり、負債対GDP比率や過大評価指標、投資家心理などの指標を見ることが中心でした。これらのデータは、危機を引き起こす条件と確かに相関しており、乾いた枝葉が森林で火災を引き起こすようなものです。

しかし、これは特定の危機が何によって引き起こされたかという情報を提供しません。森林火災が乾いた木材ではなく、最初の火花によって始まるのと同様です。

ポーランドのシュチェチン大学の研究者による新しい研究は、危機分析は市場崩壊を引き起こす構造的チャネルを説明するモデルへとシフトすべきだと主張しています。本論文では、ボラティリティショックと米国財務省利回りショックが金融危機を引き起こす役割を検証しています。

この研究は Expert Systems with Applications^1, に Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events というタイトルで掲載されました。

このデータは投資家やリスクマネージャーにとって重要です。平均的な市場前提に基づく従来のストレステストは、ボラティリティ体制が変化した際に損失を過小評価する可能性があります。

金融危機の予測

相関から予測へ

現代の金融システムの多くは、リスクを理解し予測しようとする数学的モデルに基づいています。しかし、これらは数学的前提に依存しており、抽象的な統計は実際の状況と合致しにくく、いわゆるブラックスワン事象を招きます。これはナシーム・タレブが造語した、社会・経済・金融市場に大きな影響を与える予測不可能で稀な出来事を指します。

“従来の予測モデルはビッグデータのトレンドを見つけるのには効果的ですが、稀な事象がなぜ起こるのか、あるいは別の条件下で結果がどう変わるかを説明することは頻繁に失敗します。”

このため、危機や激しい市場変動はしばしば「統計的に不可能」と表現されます。もちろん、これは相関ベースのアプローチが実際の条件に適切に合致していないことを意味するだけです。

これは問題です。リスクマネージャーは市場が下落したという事実だけでなく、どの構造的チャネルが崩壊を引き起こしたかを知る必要があります。

同様に、中央銀行は自らの手段が支配的な伝達メカニズムに対処しているかを評価し、リスクを低減する必要があります。

したがって、ストレステスト設計者は、長期平均ではなく極端なシナリオに適した感度をパラメータ化する必要があります。

この研究が提唱するのは「反事実的因果推論」という別のアプローチです。これは、別の仮想的な現実で何が起こったかを推定するプロセスです。

この目的のために、研究論文は以下の三つの設計原則を用いました：

まず、モデルは予測的な質問だけでなく、介入的な質問に答えられる必要があります：

“特定のショックチャネルが存在しなかった場合、累積的なクラッシュの軌跡はどのように変化したでしょうか？”

次に、各構造的主張は少なくとも一つの正式な実証テストによって裏付けられなければなりません。

最後に、結果は検証可能である必要があります。例えば、危機が発生していない期間にプラセボテストを行うなどです。

データの収集

本研究は、2007‑2009年のグローバル金融危機（GFC）とCOVID‑19パンデミックの二つの主要な金融危機事象を用いて実証しました。

これら二つの危機を分析するために、幅広いデータが収集されました：

• S&P 500指数の日次系列。
• インフレ測定のための月次消費者物価指数（CPIAUCSL）。
• 失業率（UNRATE）。
• CBOEインプライド・ボラティリティ指数（VIX）。
• 米国10年国債の定期利回り。
• Moody’s Baa社債利回りマイナス10年国債クレジットスプレッド（BAA10Y）。
• TEDスプレッド（TEDRATE）。

金融危機の原因は何か？

利回りショックがクラッシュの原因

分析の第一部では、利回りショック、すなわち金利や債券利回りの突然の予期せぬ変動を検討します。

利回りショックが存在しなかった場合の市場リターン（青線）と、実際に利回りショックが含まれた場合のリターン（赤線）を観測したグラフでは、二つのデータセットは非常に近い形でした。

赤線と青線の軌跡の乖離は、方向性の重要な側面—利回り—を示しています。利回りは株式リターンに単に反応するのではなく、積極的に影響を与えているのです。

“むしろ、青い軌跡が赤い軌跡より上にあることが観測され、特にCOVID危機時に顕著で、GFC危機時にはやや控えめです。これは、利回りの変化がクラッシュの結果ではなく、予測因子であることを示しています。”

しかし、損失の深刻度を決定するのは別の要因によって駆動されます。

ボラティリティが損失拡大要因

本研究によれば、金融危機のもう一つの原因はボラティリティの急上昇です。

これは驚きではないかもしれません。1992年のミンスキーの 金融不安定性仮説 に代表される、金融危機のトリガーに関する主流の説明と合致しています。

その核心的な考えは、偽の安全感が金融主体に過剰で危険なレベルの負債を取らせるというものです。最終的に「安定性が不安定性を生む」のです。

この要因は、GFCとCOVIDの両方の株価クラッシュの主な原因であると判断されました。

“COVIDとGFCにおいて、ボラティリティチャネルはそれぞれ総累積ドローダウンの58.7 %と28.3 %を占め、イールドチャネルはそれぞれ8.4 %と12.6 %を占めています。”

研究結果は、乱高下する市場ではイールド感度が高まることも示唆しています。したがって、ボラティリティがすでに高いほど、利回りショックの影響も大きくなります。

危機をより正確に予測する

予測をさらに洗練する

この研究のフレームワークが完璧な予測器であると言っているわけではありません。まず、線形モデルを使用しており、金融危機のような極端な状況には最適でない可能性があります。

“将来的な研究では、構造的に非線形なモデル（例：レジームスイッチングSVARやニューラル構造方程式モデル）をテストすべきです。”

リポ金利の動向、ディーラーバランスシートの制約、オプションのマイクロストラクチャ変数など、追加データを用いることで予測能力を向上させることも可能です。

投資家と政策立案者への影響

リスクマネージャーやストレステスト設計者にとって、因果関係の実証は単なる相関以上の重要な入力となります。

したがって、モデルは二レジーム感度スケジュールを使用すべきです：中程度の状況では低VIXレジーム係数、極端なシナリオでは高VIXレジーム係数（3–5 × 大きい）を適用します。

また、異なる状況下では注目すべき指標が変わります：

• イールド駆動の損失が相対的に重要性を増す場合、デュレーション管理（資産または負債の時間感度の監視と調整）が徐々に重要になります。
• VIX駆動の損失が支配的になる場合、ボラティリティ・オーバーレイ戦略が第一の優先事項となります。

中央銀行にとっては、既存の市場パニックの程度に応じて、追加の株式安定化金利管理手段の効果を測定できることを意味します。

政策立案者にとっては、どのタイプの危機に直面しているかを理解することが最も重要です。

“COVIDは7:1のボラティリティ対イールド危機であり、GFCは2.3:1の危機でした。リアルタイムでどのチャネルが支配的になるかを判断する診断ツールとして、これらの比率は将来のブラックスワン事象に活用できるでしょう。”

参照された研究

^{1. Guru Ashish Singh. 予測不可能を予測する：ブラックスワン事象時の金融市場崩壊に対する反事実的因果推論フレームワーク. Expert Systems with Applications. 2026年12月15日. 記事: 133342. 巻: Volume 331, Part C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}