Investimento 101
Modelos de Colapso de Mercado Estão Passando da Previsão para a Explicação
Desde o início dos mercados financeiros modernos na Holanda, no século XVII, crises financeiras e bolhas têm sido ocorrências regulares, começando com a famosa Tulip Mania. Uma consequência direta tem sido o reconhecimento de que entender as condições que podem causar tais crises é importante, seja para o Estado e reguladores reduzirem a ocorrência e/ou gravidade das crises, ou para os agentes do sistema financeiro evitarem sofrer perdas massivas.
Entretanto, até agora, o método principal tem sido a previsão baseada em correlação, como observar métricas como razão dívida/PIB, métricas de sobrevalorização ou sentimento dos investidores. Todos esses dados podem de fato correlacionar-se com condições que podem causar uma crise, da mesma forma que gravetos secos em uma floresta podem causar fogo.
Isto ainda não fornece informação sobre o que causa uma crise específica, da mesma forma que um incêndio florestal começa por uma faísca inicial, não por madeira seca.
Um novo estudo de um pesquisador da Universidade de Szczecin, na Polônia, argumenta que a análise de crises deve mudar para modelos que expliquem quais canais estruturais impulsionam os colapsos de mercado. Neste artigo, o estudo examina o papel de choques de volatilidade e choques de rendimento dos Treasuries na causa de crises financeiras.
Foi publicado em Expert Systems with Applications1, sob o título “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events“.
Isso pode ser um dado importante para investidores e gestores de risco, já que os testes de estresse habituais construídos sobre suposições de mercado médio podem subestimar perdas quando os regimes de volatilidade mudam.
Prevendo Crises Financeiras
Passando da Correlação para a Previsão
Grande parte do sistema financeiro moderno baseia‑se em modelos matemáticos que tentam entender e prever riscos. Contudo, eles também se baseiam em suposições matemáticas, e estatísticas abstratas raramente correspondem a situações da vida real, levando a chamados eventos black swan, termo cunhado por Nassim Taleb, que descreve uma ocorrência imprevisível e rara que tem um impacto massivo na sociedade, nas economias ou nos mercados financeiros.
“Modelos preditivos convencionais são eficazes em encontrar tendências em grandes volumes de dados, mas frequentemente falham em explicar por que certos eventos raros ocorrem ou como o resultado mudaria em condições alternativas.”
É também por isso que crises ou movimentos bruscos de mercado são frequentemente descritos como “estatisticamente impossíveis”. Exceto, claro, que isso apenas indica que a abordagem baseada em correlação é inadequada para corresponder adequadamente às condições da vida real.
Isso é um problema, pois gestores de risco precisam saber não apenas que o mercado caiu, mas qual canal estrutural impulsionou o colapso.
Da mesma forma, os bancos centrais precisam avaliar se seus instrumentos abordam o mecanismo de transmissão dominante para reduzir tais riscos.
Portanto, os projetistas de testes de estresse precisam parametrizar sensibilidades que sejam adequadas para cenários extremos, não para médias de longo prazo.
É por isso que este estudo defende uma abordagem diferente, chamada “contra‑factual causal inference”, ou o processo de estimar o que teria acontecido em uma realidade hipotética alternativa.
Para isso, o artigo de pesquisa utilizou três princípios de design:
Primeiro, o modelo deve ser capaz de responder a uma pergunta intervencional em vez de apenas a uma preditiva:
“Como a trajetória cumulativa do crash teria evoluído na ausência de um canal de choque específico?”
Segundo, cada afirmação estrutural deve ser sustentada por pelo menos um teste empírico formal.
Terceiro, o resultado deve ser verificável, por exemplo, com testes placebo em períodos sem crise.
Coletando os Dados
O estudo utilizou dois principais eventos de crise financeira para demonstrar: a Crise Financeira Global (GFC) de 2007‑2009 e a pandemia de COVID‑19.
Uma ampla variedade de dados foi coletada para analisar essas duas crises:
- A série diária do Índice S&P 500.
- O Índice de Preços ao Consumidor Mensal (CPIAUCSL) como medida de inflação
- A taxa de desemprego (UNRATE).
- O índice de volatilidade implícita da CBOE (VIX).
- O rendimento constante de 10 anos do Tesouro dos EUA.
- O spread de crédito Baa da Moody’s (rendimento corporativo menos o Tesouro de 10 anos) (BAA10Y).
- O spread TED (TEDRATE).
O que Causa Crises Financeiras?
Choques de Rendimento como Causas de Quebras
A primeira parte da análise examina choques de rendimento, ou uma mudança súbita e inesperada nas taxas de juros ou nos rendimentos de títulos em todos os mercados financeiros.
Em um gráfico observando como os retornos de mercado teriam sido se os choques de rendimento estivessem ausentes (linha azul) e o que realmente aconteceu com os choques incluídos (linha vermelha), os dois conjuntos de dados pareciam muito próximos.
A divergência das trajetórias vermelha e azul indica um aspecto crucial da direção – rendimentos: eles estão ativamente influenciando os retornos das ações ao invés de apenas reagir a eles.
“Ao contrário, observa‑se que a trajetória azul está acima da vermelha, especialmente durante a crise de COVID e de forma mais sutil durante a crise GFC. Isso demonstra que mudanças no rendimento não são consequência do crash, mas sim o preditor.”
No entanto, o que determina a gravidade das perdas é impulsionado por outra causa.
Volatilidade como Amplificador de Perdas
O outro fator de crise financeira, segundo este estudo, são picos de volatilidade.
Isso talvez não seja surpresa, pois está alinhado com uma explicação dominante para gatilhos de crises financeiras: a Hipótese de Instabilidade Financeira de Minsky de 1992.
Sua ideia central é que um falso senso de segurança faz com que os agentes financeiros assumam níveis excessivos e perigosos de dívida. Em última análise, “a estabilidade desestabiliza”.
Foi determinado que este foi o principal motivo do colapso dos preços das ações tanto durante a GFC quanto durante a pandemia de COVID.
“Em COVID e GFC, o canal de volatilidade responde por 58,7 % e 28,3 % da retração cumulativa total, respectivamente, enquanto o canal de rendimento responde por 8,4 % e 12,6 %.”
Os resultados do estudo também sugerem que a sensibilidade ao rendimento aumenta em mercados turbulentos, de modo que quanto mais volatilidade já ocorre, mais impactantes se tornam os choques de rendimento.
| Crise Black Swan | Retração Total | Participação do Canal de Volatilidade | Participação do Canal de Rendimento | Amplificação de Risco de Alta Volatilidade |
|---|---|---|---|---|
| COVID-19 Pandemic (2020) | -22.80% | 58.7% (-13.38 pp) | 8.4% (-1.92 pp) | Picos de sensibilidade ao rendimento 3.11× maiores |
| Global Financial Crisis (2007–09) | -27.77% | 28.3% (-7.86 pp) | 12.6% (-3.49 pp) | Picos de sensibilidade ao rendimento 4.76× maiores |
Nota: Os valores representam retornos logarítmicos cumulativos totais ao longo das janelas centrais de colapso. As contribuições dos canais não equivalem perfeitamente à retração total devido a interações dinâmicas não ortogonais de termos cruzados retardados no modelo estrutural. (pp = pontos percentuais).
Prevendo Crises com Mais Precisão
Aprimorando Ainda Mais as Previsões
Isso não significa que a estrutura do estudo seja um preditor perfeito. Por exemplo, ele usa um modelo linear, que pode não ser ideal para circunstâncias extremas como crises financeiras.
“Pesquisas futuras deveriam testar um modelo estruturalmente não‑linear (como um SVAR de mudança de regime ou um modelo de equações estruturais neurais).”
Utilizar dados adicionais também poderia ajudar a melhorar as capacidades preditivas, como dinâmicas da taxa de recompra, restrições de balanço de dealers e variáveis de microestrutura de opções.
Implicações para Investidores e Formuladores de Políticas
Para gestores de risco e projetistas de testes de estresse, esta demonstração de causalidade e não apenas correlação deve ser uma entrada vital para decisões de hedge.
Portanto, os modelos devem usar um cronograma de sensibilidade de dois regimes: o coeficiente de regime baixo‑VIX para situações moderadas e o coeficiente de regime alto‑VIX (3–5 × maior) para cenários extremos.
Isso também significa que, sob diferentes condições, o foco deve estar em métricas diferentes:
- Quando as perdas impulsionadas por rendimento aumentam em importância relativa, a gestão de duração (monitoramento e ajuste da sensibilidade temporal de um ativo ou passivo) torna‑se progressivamente mais significativa.
- Quando as perdas impulsionadas pelo VIX predominam, estratégias de overlay de volatilidade são a prioridade de primeira ordem.
Para bancos centrais, isso significa que eles podem medir o benefício de instrumentos adicionais de gestão de taxa que estabilizam o patrimônio, dependendo do grau de pânico de mercado já existente.
Para formuladores de políticas, entender que tipo de crise está sendo enfrentada é o mais importante.
“COVID foi uma crise 7:1 de volatilidade‑para‑rendimento, enquanto a GFC foi uma crise 2.3:1. Como ferramenta diagnóstica para determinar qual canal tem maior probabilidade de prevalecer em tempo real, essas razões podem ser usadas em futuras ocorrências de Black Swan.”
Estudo Referenciado
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 de dezembro de 2026. Artigo: 133342. Volume: Volume 331, Parte C. DOI: https://doi.org/10.1016/j.eswa.2026.133342
