시장 붕괴 모델이 예측에서 설명으로 이동하고 있다

1600년대 네덜란드에서 현대 금융시장이 시작된 이래로, 금융 위기와 버블은 정기적으로 발생해 왔으며, 유명한 튤립 광풍에서 시작되었습니다. 직접적인 결과는 이러한 위기를 초래할 수 있는 조건을 이해하는 것이 중요하다는 인식이며, 이는 국가와 규제기관이 위기의 발생 및 심각성을 줄이기 위해서이든, 금융 시스템의 참여자들이 막대한 손실을 피하기 위해서이든 마찬가지입니다.

하지만 지금까지 주요 방법은 부채 대비 GDP 비율, 과대평가 지표, 투자자 심리와 같은 지표를 살펴보는 상관관계 기반 예측이었습니다. 이러한 데이터는 실제로 위기를 초래할 수 있는 조건과 연관될 수 있는데, 마치 숲속의 마른 장작이 불을 일으키는 것과 같습니다.

하지만 이는 특정 위기의 원인에 대한 정보를 제공하지 못합니다. 마치 숲불이 마른 나무 때문이 아니라 초기 불꽃 때문에 시작되는 것과 같습니다.

폴란드 슈체친 대학교의 연구자가 수행한 새로운 연구는 위기 분석이 시장 붕괴를 일으키는 구조적 채널을 설명하는 모델로 전환되어야 한다고 주장합니다. 이 논문에서는 변동성 충격과 국채 수익률 충격이 금융 위기를 초래하는 역할을 조사합니다.

It was published in Expert Systems with Applications^1, under the title “예측 불가능한 것을 예측하기: 블랙 스완 사건 동안 금융 시장 붕괴를 위한 반사실 인과 추론 프레임워크“.

이는 변동성 체제가 변할 때 평균 시장 가정에 기반한 일반적인 스트레스 테스트가 손실을 과소평가할 수 있기 때문에 투자자와 위험 관리자에게 중요한 데이터가 될 수 있습니다.

금융 위기 예측

상관관계에서 예측으로 이동

A lot of the modern financial system is based on mathematical models that try to make sense of and predict risks. However, they are also based on mathematical assumptions, and abstract statistics rarely match real-life situations, leading to so-called black swan events, a term coined by Nassim Taleb, describing an unpredictable, rare occurrence that has a massive impact on society, economies, or financial markets.

“Conventional predictive models are effective at finding trends in big data, but they frequently fail in explaining why certain rare events occur or how the outcome would change in alternate conditions.

This is also why crises or brutal market moves are often described as “statistically impossible”. Except, of course, this only means that the correlation-based approach is inadequate to properly match real-life conditions.

This is an issue, as risk managers need to know not just that the market fell, but which structural channel drove the collapse.

Similarly, the central banks need to evaluate whether their instruments address the dominant transmission mechanism to reduce such risks.

So overall, stress-test designers need to parameterize sensitivities that are appropriate for extreme scenarios, not long-run averages.

This is why this study advocates for a different approach, called “counterfactual causal inference“, or the process of estimating what would have happened in an alternate, hypothetical reality.

To do so, the research paper used three design principles:

First, the model must be able to respond to an interventional question instead of only a predictive one:

“How would the cumulative crash trajectory have evolved in the absence of a specific shock channel?”

Second, each structural claim must be supported by at least one formal empirical test.

Third, the outcome must be verifiable, for example, with placebo testing on non-crisis periods.

데이터 수집

The study used two main financial crisis events to demonstrate: the 2007-2009 Global Financial Crisis (GFC) and the COVID-19 pandemic.

A wide array of data was collected to analyze these two crises:

• S&P 500 지수의 일일 시계열.
• 인플레이션 측정을 위한 월간 소비자 물가 지수 (CPIAUCSL)
• 실업률 (UNRATE).
• CBOE 내재 변동성 지수 (VIX).
• 미국 10년 국채 고정 만기 수익률.
• Moody’s Baa 기업 수익률 마이너스 10년 국채 신용 스프레드 (BAA10Y).
• TED 스프레드 (TEDRATE).

금융 위기의 원인은 무엇인가?

수익률 충격이 붕괴의 원인

The first part of the analysis looks at yield shocks, or a sudden, unexpected shift in interest rates or bond yields across financial markets.

In a graph observing what market returns would have looked like if the yield shocks were absent (blue line) and what actually happened with the yield shocks included (red line), the two datasets looked very close.

The divergence of the red and blue trajectories indicates a crucial aspect of direction–yields: they are actively influencing the stock returns rather than merely reacting to them.

“Rather, it is observed that the blue trajectory is above the red, especially during COVID crisis and more subtly during the GFC crisis. This demonstrates that changes in the yield are not outcome of the crash, rather it is the predictor.”

However, what determines the severity of the losses is driven by another cause.

변동성이 손실을 증폭시키는 요인

The other cause of financial crisis, according to this study, is spikes in volatility.

This is maybe not a surprise, as this falls in line with a mainstream explanation for triggers of financial crisis: 1992’s Minsky’s 금융 불안정 가설.

Its core idea is that a false sense of security is causing financial actors to take on excessive, dangerous levels of debt. Ultimately, “stability is destabilizing”.

This was determined to have been the main cause of equity prices’ crash during both the GFC and the COVID pandemic.

“In COVID and GFC, the volatility channel accounts for 58.7 % and 28.3 % of the total cumulative drawdown, respectively, while the yield channel accounts for 8.4 % and 12.6 %.”

The study results also suggest that yield sensitivity is increased in turbulent markets, so the more volatility is already happening, the more yield shocks become impactful as well.

위기를 보다 정확하게 예측하기

예측을 더욱 정교화하기

This is not to say that the framework of the study is a perfect predictor. For once, it uses a linear model, which might not be ideal for extreme circumstances like financial crises.

“Future research should test a structurally non-linear model (such as a regime-switching SVAR or a neural structural equation model).”

Using extra data could also help improve the prediction capacities, like repo-rate dynamics, dealer-balance-sheet constraints, and options-microstructure variables.

투자자 및 정책 입안자를 위한 시사점

위험 관리자와 스트레스 테스트 설계자들을 위해, 인과 관계를 보여주는 이 시연은 단순한 상관관계가 아니라 헤징 결정에 중요한 입력이 되어야 합니다.

So models should use a two-regime sensitivity schedule: the low-VIX-regime coefficient for moderate situations and the high-VIX-regime coefficient (3–5 × greater) for extreme scenarios.

It also means that during different conditions, the focus should be on different metrics:

• When yield-driven losses are increasing in relative importance, duration management (monitoring and adjusting the time sensitivity of an asset or liability) becomes progressively more significant.
• When VIX-driven losses predominate, volatility-overlay strategies are the first-order priority.

중앙은행을 위해, 이는 이미 존재하는 시장 공포 수준에 따라 추가적인 주식 안정화 금리 관리 수단의 이점을 측정할 수 있음을 의미합니다.

정책 입안자를 위해, 어떤 종류의 위기에 직면했는지를 이해하는 것이 가장 중요합니다.

“COVID는 변동성 대비 수익률 비율이 7:1인 위기였으며, GFC는 2.3:1 위기였습니다. 실시간으로 어느 채널이 우세할지 진단하는 도구로서 이러한 비율은 향후 블랙 스완 발생을 예측하는 데 활용될 수 있습니다.”

참조 연구

^{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 2026년 12월. Article: 133342. Volume: Volume 331, Part C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}  한국어로.