Markedskrakemodeller går fra prediksjon til forklaring

Siden begynnelsen av moderne finansmarkeder i Nederland på 1600-tallet har finanskriser og bobler vært en jevnlig forekomst, med den berømte Tulip Mania. En direkte konsekvens har vært erkjennelsen av at forståelse av forholdene som kan forårsake slike kriser er viktig, enten for staten og regulatorer for å redusere forekomsten og/eller alvorlighetsgraden av kriser, eller for aktører i finanssystemet for å unngå massive tap.

Imidlertid har hovedmetoden frem til nå vært korrelasjonsbasert prediksjon, som å se på måleparametere som gjeld-til-BNP-forhold, overprissettingsmålinger eller investorstemning. Alle disse dataene kan faktisk korrelere med forhold som kan forårsake en krise, på samme måte som tørt opptenningsmateriale i en skog kan forårsake brann.

Dette gir fortsatt ikke informasjon om hva som forårsaker en gitt krise, på samme måte som en skogbrann starter på grunn av en første gnist, ikke på grunn av tørt trevirke.

En ny studie av en forsker ved Universitetet i Szczecin i Polen hevder at kriseanalyse bør skifte mot modeller som forklarer hvilke strukturelle kanaler som driver markedsnedganger. I dette papiret undersøker studien rollen til volatilitetssjokk og statsgjeldsrente‑sjokk i å forårsake finanskriser.

Det ble publisert i Expert Systems with Applications^1, under tittelen “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.

Dette kan være viktig data for investorer og risikostyrere, ettersom vanlige stresstester basert på gjennomsnittlige markedsantakelser kan undervurdere tap når volatilitetsscenarier endres.

Forutsi finanskriser

Fra korrelasjon til prediksjon

Mye av det moderne finanssystemet er basert på matematiske modeller som prøver å forstå og forutsi risiko. Imidlertid er de også basert på matematiske antakelser, og abstrakte statistikker samsvarer sjelden med virkelige situasjoner, noe som fører til såkalte svart svane‑hendelser, et begrep oppfunnet av Nassim Taleb, som beskriver en uforutsigbar, sjelden hendelse som har enorm innvirkning på samfunn, økonomier eller finansmarkeder.

“Konvensjonelle prediktive modeller er effektive til å finne trender i store data, men de mislykkes ofte i å forklare hvorfor visse sjeldne hendelser oppstår eller hvordan utfallet ville endre seg under alternative forhold.”

Dette er også grunnen til at kriser eller brutale markedsbevegelser ofte beskrives som «statistisk umulige». Unntaket er selvfølgelig at dette bare betyr at den korrelasjonsbaserte tilnærmingen er utilstrekkelig til å matche virkelige forhold på riktig måte.

Dette er et problem, ettersom risikostyrere trenger å vite ikke bare at markedet falt, men hvilken strukturell kanal som drev nedgangen.

På samme måte må sentralbankene evaluere om deres instrumenter adresserer den dominerende overføringsmekanismen for å redusere slike risikoer.

Dermed må designere av stresstester parametrisere sensitivitet som er passende for ekstreme scenarier, ikke langsiktige gjennomsnitt.

Dette er grunnen til at denne studien argumenterer for en annen tilnærming, kalt «kontrafaktisk kausal inferens», eller prosessen med å estimere hva som ville ha skjedd i en alternativ, hypotetisk virkelighet.

For å gjøre dette brukte forskningspapiret tre designprinsipper:

Først må modellen kunne svare på et intervensjonsspørsmål i stedet for kun et prediksjonsspørsmål:

“Hvordan ville den kumulative krasj‑trajektoren ha utviklet seg i fravær av en spesifikk sjokk‑kanal?”

For det andre må hvert strukturelt påstand støttes av minst én formell empirisk test.

For det tredje må resultatet kunne verifiseres, for eksempel med placebotesting i perioder uten krise.

Innsamling av data

Studien brukte to hovedfinanskrise‑hendelser for å demonstrere: den globale finanskrisen 2007‑2009 (GFC) og COVID‑19‑pandemien.

Et bredt spekter av data ble samlet inn for å analysere disse to krisene:

• Den daglige serien av S&P 500‑indeksen.
• Den månedlige konsumprisindeksen (CPIAUCSL) som mål på inflasjon
• Arbeidsledighetsraten (UNRATE).
• CBOE implisert‑volatilitetsindeks (VIX).
• Den amerikanske 10‑års Treasury‑renten med konstant løpetid.
• Moody’s Baa‑bedriftsrente‑minus‑10‑års‑Treasury‑kredittspredning (BAA10Y).
• TED‑spredningen (TEDRATE).

Hva forårsaker finanskriser?

Rentesjokk som årsaker til krasjer

Den første delen av analysen ser på rentesjokk, eller en plutselig, uventet endring i rentenivåer eller obligasjonsrenter på tvers av finansmarkedene.

I en graf som observerer hvordan markedsavkastningen ville sett ut dersom rentesjokkene var fraværende (blå linje) og hva som faktisk skjedde med rentesjokk inkludert (rød linje), så de to datasettene svært like ut.

Avviket mellom den røde og den blå trajektoren indikerer et avgjørende aspekt av retning‑renter: de påvirker aktivt aksjeavkastningen i stedet for kun å reagere på den.

“Derimot observeres det at den blå trajektoren ligger over den røde, spesielt under COVID‑krisen og mer subtilt under GFC‑krisen. Dette viser at endringer i renten ikke er et resultat av krasjen, men snarere en prediktor.”

Imidlertid bestemmes alvorlighetsgraden av tapene av en annen årsak.

Volatilitet som tapforsterker

Den andre årsaken til finanskriser, ifølge denne studien, er spisser i volatiliteten.

Dette er kanskje ikke en overraskelse, da det er i tråd med en hovedstrøm forklaring på utløsere av finanskriser: Financial Instability Hypothesis fra 1992.

Kjernen i ideen er at en falsk følelse av sikkerhet får finansaktører til å påta seg overdreven, farlig høy gjeld. Til syvende og sist er «stabilitet destabiliserende».

Dette ble fastslått å være hovedårsaken til aksjekursenes krasj under både GFC og COVID‑pandemien.

“I COVID og GFC står volatilitetskanalen for henholdsvis 58,7 % og 28,3 % av den totale kumulative nedtrekningen, mens renteskanalen står for 8,4 % og 12,6 %.”

Studieresultatene antyder også at rentesensitiviteten øker i turbulente markeder, så jo mer volatilitet som allerede forekommer, desto mer påvirkende blir rentesjokk også.

Forutsi kriser mer nøyaktig

Finjustere prediksjoner ytterligere

Dette betyr ikke at studiens rammeverk er en perfekt prediktor. For det første bruker den en lineær modell, som kanskje ikke er ideell for ekstreme omstendigheter som finanskriser.

“Fremtidig forskning bør teste en strukturelt ikke‑lineær modell (som en regime‑byttende SVAR eller en nevrale strukturelle ligningsmodell).”

Bruk av ekstra data kan også bidra til å forbedre prediksjonskapasiteten, som repo‑rente‑dynamikk, forhandler‑balanseregnskap‑begrensninger og opsjons‑mikrostruktur‑variabler.

Implikasjoner for investorer og beslutningstakere

For risikostyrere og designere av stresstester, denne demonstrasjonen av årsakssammenheng og ikke bare korrelasjon bør være et viktig innspill til sikringsbeslutninger.

Dermed bør modeller bruke en to‑regime sensitivitetsskjema: lav‑VIX‑regime‑koeffisienten for moderate situasjoner og høy‑VIX‑regime‑koeffisienten (3–5 × høyere) for ekstreme scenarier.

Det betyr også at under ulike forhold bør fokuset være på ulike måleparametere:

• Når renteskrevende tap øker i relativ betydning, blir varighetsstyring (overvåking og justering av tidsfølsomheten til en eiendel eller forpliktelse) stadig viktigere.
• Når VIX‑drevede tap dominerer, er volatilitetsoverlegg‑strategier den første prioriteten.

For sentralbanker, dette betyr at de kan måle fordelen ved ytterligere aksjestabilisator‑rente‑styringsinstrumenter, avhengig av graden av markeds­panikk som allerede eksisterer.

For beslutningstakere, å forstå hvilken type krise de håndterer er det viktigste.

“COVID var en 7:1 volatilitet‑til‑rente‑krise, mens GFC var en 2,3:1‑krise. Som et diagnostisk verktøy for å fastslå hvilken kanal som mest sannsynlig vil dominere i sanntid, kan disse forholdene brukes for fremtidige svart‑svane‑hendelser.”

Studie referert

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