Marktcrashmodellen gaan van voorspelling naar verklaring

Sinds het begin van de moderne financiële markten in Nederland in de 17e eeuw, zijn financiële crises en bubbels een regelmatige gebeurtenis, beginnend met de beroemde Tulip Mania. Een direct gevolg is de erkenning dat het begrijpen van de omstandigheden die zulke crises kunnen veroorzaken belangrijk is, zowel voor de staat en toezichthouders om de frequentie en/of ernst van crises te verminderen, als voor actoren in het financiële systeem om te voorkomen dat ze enorme verliezen lijden.

Tot nu toe is de belangrijkste methode echter correlatiegebaseerde voorspelling geweest, zoals het bekijken van indicatoren zoals de schuld‑BBP‑ratio, overwaarderingscijfers of beleggerssentiment. Al deze gegevens kunnen inderdaad correleren met omstandigheden die een crisis kunnen veroorzaken, net zoals droog takje in een bos brand kan veroorzaken.

Dit biedt nog steeds geen informatie over wat een specifieke crisis veroorzaakt, net zoals een bosbrand begint door een initiële vonk, niet door droog hout.

Een nieuwe studie van een onderzoeker aan de Universiteit van Szczecin in Polen betoogt dat crisisanalyse moet verschuiven naar modellen die verklaren welke structurele kanalen marktinstortingen aandrijven. In dit artikel onderzoekt de studie de rol van volatiliteitsschokken en schokken in de staatsobligatierendementen bij het veroorzaken van financiële crises.

Het werd gepubliceerd in Expert Systems with Applications^1, onder de titel “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.

Dit kan belangrijke gegevens zijn voor beleggers en risicomanagers, aangezien de gebruikelijke stresstests gebaseerd op gemiddelde marktveronderstellingen mogelijk verliezen onderschatten wanneer volatiliteitsregimes verschuiven.

Financiële crises voorspellen

Van correlatie naar voorspelling gaan

Een groot deel van het moderne financiële systeem is gebaseerd op wiskundige modellen die proberen risico’s te begrijpen en te voorspellen. Ze zijn echter ook gebaseerd op wiskundige aannames, en abstracte statistieken komen zelden overeen met de werkelijkheid, wat leidt tot zogenaamde black‑swan‑gebeurtenissen, een term bedacht door Nassim Taleb, die een onvoorspelbare, zeldzame gebeurtenis beschrijft die een enorme impact heeft op de samenleving, economieën of financiële markten.

“Conventionele voorspellende modellen zijn effectief in het vinden van trends in big data, maar ze falen vaak in het verklaren waarom bepaalde zeldzame gebeurtenissen plaatsvinden of hoe het resultaat zou veranderen onder alternatieve omstandigheden.”

Dit is ook de reden waarom crises of brute marktbewegingen vaak worden beschreven als “statistisch onmogelijk”. Uiteraard betekent dit alleen dat de correlatie‑gebaseerde aanpak ontoereikend is om de realiteit correct te weerspiegelen.

Dit is een probleem, omdat risicomanagers niet alleen moeten weten dat de markt is gedaald, maar welke structurele kanaal de ineenstorting heeft veroorzaakt.

Evenzo moeten de centrale banken evalueren of hun instrumenten het dominante transmissiemechanisme aanpakken om dergelijke risico’s te verminderen.

Kortom, ontwerpers van stresstests moeten sensitiviteiten parametriseren die geschikt zijn voor extreme scenario’s, niet voor langetermijngemiddelden.

Daarom pleit deze studie voor een andere benadering, genaamd “counterfactual causal inference“, of het proces van het schatten wat zou zijn gebeurd in een alternatieve, hypothetische realiteit.

Om dit te doen, gebruikte het onderzoek drie ontwerprichtlijnen:

Ten eerste moet het model in staat zijn om te reageren op een interventievraag in plaats van alleen een voorspellende vraag:

“Hoe zou de cumulatieve crash‑traject zich hebben ontwikkeld bij afwezigheid van een specifiek schok‑kanaal?”

Ten tweede moet elke structurele bewering worden ondersteund door ten minste één formele empirische test.
Ten derde moet het resultaat verifieerbaar zijn, bijvoorbeeld met placebotoetsing tijdens perioden zonder crisis.

Gegevens verzamelen

De studie gebruikte twee belangrijke financiële crisisgebeurtenissen om te demonstreren: de wereldwijde financiële crisis (GFC) van 2007‑2009 en de COVID‑19‑pandemie.

Er werd een breed scala aan gegevens verzameld om deze twee crises te analyseren:

• De dagelijkse reeks van de S&P 500-index.
• De maandelijkse consumentenprijsindex (CPIAUCSL) als maatstaf voor inflatie.
• Het werkloosheidspercentage (UNRATE).
• De CBOE geïmpliceerde volatiliteitsindex (VIX).
• Het Amerikaanse 10‑jaar Treasury constant‑maturity rendement.
• De Moody’s Baa‑corporate‑rendement‑minus‑10‑jaar‑Treasury kredietspread (BAA10Y).
• De TED‑spread (TEDRATE).

Wat veroorzaakt financiële crises?

Rendementschokken als oorzaken van crashes

Het eerste deel van de analyse kijkt naar rendementschokken, ofwel een plotselinge, onverwachte verschuiving in rentetarieven of obligatierendementen over de financiële markten.

In een grafiek die observeert hoe marktreturns eruit zouden hebben gezien als de rendementschokken afwezig waren (blauwe lijn) en wat er daadwerkelijk gebeurde met de rendementschokken inbegrepen (rode lijn), zagen de twee datasets er zeer dicht bij elkaar uit.

De divergentie tussen de rode en blauwe trajecten wijst op een cruciaal aspect van richting‑rendementen: ze beïnvloeden actief de aandelenrendementen in plaats van alleen maar te reageren.

“In plaats daarvan wordt waargenomen dat de blauwe traject boven de rode ligt, vooral tijdens de COVID‑crisis en subtieler tijdens de GFC‑crisis. Dit toont aan dat veranderingen in het rendement geen gevolg van de crash zijn, maar de voorspeller.”

Echter, wat de ernst van de verliezen bepaalt, wordt gedreven door een andere oorzaak.

Volatiliteit als verliesversterker

De andere oorzaak van financiële crises, volgens deze studie, zijn pieken in volatiliteit.

Dit is misschien geen verrassing, aangezien dit overeenkomt met een gangbare verklaring voor triggers van financiële crises: Minsky’s Financial Instability Hypothesis uit 1992.

Het kernidee is dat een vals gevoel van veiligheid financiële actoren ertoe brengt buitensporige, gevaarlijke schuldenniveaus aan te gaan. Uiteindelijk is “stabiliteit destabiliserend”.

Dit werd vastgesteld als de belangrijkste oorzaak van de crash van aandelenkoersen tijdens zowel de GFC als de COVID‑pandemie.

“In COVID en GFC is het volatiliteitskanaal respectievelijk verantwoordelijk voor 58,7 % en 28,3 % van de totale cumulatieve daling, terwijl het rendementskanaal 8,4 % en 12,6 % uitmaakt.”

De studieresultaten suggereren ook dat de gevoeligheid voor rendementen toeneemt in turbulente markten, dus hoe meer volatiliteit er al is, hoe impactvoller de rendementschokken worden.

Crises nauwkeuriger voorspellen

Voorspellingen verder verfijnen

Dit betekent niet dat het raamwerk van de studie een perfecte voorspeller is. Ten eerste gebruikt het een lineair model, wat mogelijk niet ideaal is voor extreme omstandigheden zoals financiële crises.

“Toekomstig onderzoek zou een structureel niet‑lineair model moeten testen (zoals een regime‑switching SVAR of een neuraal structureel vergelijkingsmodel).”

Het gebruik van extra gegevens kan ook helpen de voorspellende capaciteiten te verbeteren, zoals repo‑rente‑dynamiek, dealer‑balans‑sheet‑beperkingen en opties‑microstructuurvariabelen.

Gevolgen voor beleggers & beleidsmakers

Voor risicomanagers en ontwerpers van stresstests, moet deze demonstratie van causaliteit en niet alleen correlatie een essentiële input zijn voor hedge‑beslissingen.

Modellen zouden dus een tweeregiem‑sensitiviteitsschema moeten gebruiken: de low‑VIX‑regime‑coëfficiënt voor gematigde situaties en de high‑VIX‑regime‑coëfficiënt (3–5 × groter) voor extreme scenario’s.

Dit betekent ook dat tijdens verschillende omstandigheden de focus op verschillende meetwaarden moet liggen:

• Wanneer rendements‑gedreven verliezen in relatieve belangrijkheid toenemen, wordt duration‑management (monitoren en aanpassen van de tijdsgevoeligheid van een activum of verplichting) steeds belangrijker.
• Wanneer VIX‑gedreven verliezen domineren, hebben volatiliteits‑overlay‑strategieën prioriteit.

Voor centrale banken, betekent dit dat ze het voordeel kunnen meten van extra aandelen‑stabilisatoren‑rente‑beheersinstrumenten, afhankelijk van de mate van marktpandemie die al bestaat.
Voor beleidsmakers, is het begrijpen met welk type crisis ze te maken hebben het belangrijkste.

“COVID was een 7:1 volatiliteit‑naar‑rendement crisis, terwijl GFC een 2,3:1 crisis was. Als diagnostisch hulpmiddel om in realtime te bepalen welk kanaal het meest waarschijnlijk zal overheersen, kunnen deze verhoudingen worden gebruikt voor toekomstige Black‑Swan‑gebeurtenissen.”

Gerefereerde studie

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