Marknadskraschmodeller går från förutsägelse till förklaring

Sedan början av de moderna finansmarknaderna i Nederländerna på 1600-talet har finansiella kriser och bubblor varit en regelbunden företeelse, med början i den berömda Tulip Mania. En direkt följd har varit insikten att förstå de förhållanden som kan orsaka sådana kriser är viktigt, antingen för staten och tillsynsmyndigheter att minska förekomsten och/eller allvaret i kriser, eller för aktörer i det finansiella systemet att undvika att drabbas av enorma förluster.

Men fram till nu har huvudmetoden varit korrelationsbaserad förutsägelse, såsom att titta på mått som skuldsättningsgrad i förhållande till BNP, övervärderingsmått eller investerarsentiment. Alla dessa data kan faktiskt korrelera med förhållanden som kan orsaka en kris, på samma sätt som torr ved i en skog kan orsaka brand.

Detta ger fortfarande ingen information om vad som orsakar en viss kris, på samma sätt som en skogsbrand startar på grund av en initial gnista, inte på grund av torr ved.

En ny studie av en forskare vid universitetet i Szczecin i Polen hävdar att krisanalys bör skifta mot modeller som förklarar vilka strukturella kanaler som driver marknadskollapser. I detta papper undersöker studien rollen av volatilitetsskakningar och ränteskakningar på statsskuldsväxlar i att orsaka finansiella kriser.

Den publicerades i Expert Systems with Applications^1, under titeln Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events.

Detta kan vara viktig data för investerare och riskchefer eftersom de vanliga stresstesterna som bygger på genomsnittliga marknadsantaganden kan underskatta förluster när volatilitetsscenarier förändras.

Förutsäga finansiella kriser

Från korrelation till förutsägelse

En stor del av det moderna finansiella systemet bygger på matematiska modeller som försöker förstå och förutsäga risker. De är dock också baserade på matematiska antaganden, och abstrakta statistiker matchar sällan verkliga situationer, vilket leder till så kallade svarta svan‑händelser, ett begrepp myntat av Nassim Taleb som beskriver en oförutsägbar, sällsynt händelse som har en enorm påverkan på samhället, ekonomier eller finansmarknader.

”Konventionella förutsägelsemodeller är effektiva på att hitta trender i stora datamängder, men de misslyckas ofta med att förklara varför vissa sällsynta händelser inträffar eller hur utfallet skulle förändras under alternativa förhållanden.”

Detta är också anledningen till att kriser eller brutala marknadsrörelser ofta beskrivs som ”statistiskt omöjliga”. Självklart betyder detta bara att den korrelationsbaserade metoden är otillräcklig för att korrekt motsvara verkliga förhållanden.

Detta är ett problem, eftersom riskchefer behöver veta inte bara att marknaden föll, utan vilken strukturell kanal som drev kollapsen.

På samma sätt måste centralbankerna utvärdera om deras instrument adresserar den dominerande transmissionsmekanismen för att minska sådana risker.

Alltså behöver de som utformar stresstester parametrera känsligheter som är lämpliga för extrema scenarier, inte för långsiktiga genomsnitt.

Det är därför denna studie förespråkar en annan metod, kallad ”counterfactual causal inference”, eller processen att uppskatta vad som skulle ha hänt i en alternativ, hypotetisk verklighet.

För att göra detta använde forskningspapperet tre designprinciper:

Först måste modellen kunna svara på en interventionsfråga istället för endast en förutsägelsefråga:

”Hur skulle den kumulativa krasstrafikens utveckling ha sett ut i avsaknad av en specifik chocks kanal?”

För det andra måste varje strukturellt påstående stödjas av minst ett formellt empiriskt test.

För det tredje måste resultatet vara verifierbart, till exempel med placebostester under icke‑krisperioder.

Samla in data

Studien använde två huvudfinansiella krishändelser för att demonstrera: den globala finanskrisen 2007–2009 (GFC) och COVID‑19‑pandemin.

En bred uppsättning data samlades in för att analysera dessa två kriser:

• Den dagliga serien av S&P 500-indexet.
• Den månatliga konsumentprisindexen (CPIAUCSL) som mått på inflation.
• Arbetslöshetsgraden (UNRATE).
• CBOE:s implikerade volatilitetindex (VIX).
• Den amerikanska 10‑åriga statsskuldsväxeln med konstant löptid.
• Moody’s Baa-företagsavkastning minus 10‑årig statsskuldsspridning (BAA10Y).
• TED-spreaden (TEDRATE).

Vad orsakar finansiella kriser?

Ränteskakningar som orsaker till krascher

Den första delen av analysen tittar på ränteskakningar, eller en plötslig, oväntad förändring i räntor eller obligationsavkastningar över de finansiella marknaderna.

I ett diagram som observerar hur marknadsavkastningen skulle ha sett ut om ränteskakningarna var frånvarande (blå linje) och vad som faktiskt hände när ränteskakningarna inkluderades (röd linje), såg de två datasetena mycket lika ut.

Avvikelsen mellan de röda och blå spåren indikerar en avgörande aspekt av riktning – räntor: de påverkar aktivt aktieavkastningen snarare än att bara reagera på den.

”Istället observeras att den blå kurvan ligger över den röda, särskilt under COVID‑krisen och mer subtilt under GFC‑krisen. Detta visar att förändringar i räntan inte är ett resultat av kraschen, utan snarare en förutsägelse.”

Dock bestäms förlusternas allvar av en annan orsak.

Volatilitet som förlustförstärkare

Den andra orsaken till finansiell kris, enligt denna studie, är spikar i volatiliteten.

Det är kanske inte en överraskning, eftersom detta stämmer överens med en vanlig förklaring till utlösare av finansiella kriser: 1992 års Minsky’s Financial Instability Hypothesis.

Dess kärnidè är att en falsk känsla av säkerhet får finansiella aktörer att ta på sig överdrivna, farliga skuldsättningsnivåer. I slutändan är ”stabilitet destabiliserande”.

Det fastställdes vara den huvudsakliga orsaken till aktieprisens krasch under både GFC och COVID‑pandemin.

”I COVID och GFC står volatilitetskanalen för 58,7 % respektive 28,3 % av den totala kumulativa nedgången, medan räntekanalen står för 8,4 % respektive 12,6 %.”

Studieresultaten antyder också att räntesensitiviteten ökar i turbulenta marknader, så ju mer volatilitet som redan förekommer, desto mer påverkan får även ränteskakningar.

Förutsäga kriser mer exakt

Förfina förutsägelser ytterligare

Det betyder inte att studiens ramverk är en perfekt förutsägare. För det första använder den en linjär modell, vilket kanske inte är idealiskt för extrema omständigheter som finansiella kriser.

”Framtida forskning bör testa en strukturellt icke‑linjär modell (såsom en regim‑skiftande SVAR eller en neural strukturell ekvationsmodell).”

Att använda extra data kan också hjälpa till att förbättra förutsägelsekapaciteten, såsom reporäntedynamik, återförsäljares balansräkningsbegränsningar och options‑mikrostrukturvariabler.

Implikationer för investerare och beslutsfattare

För riskchefer och utformare av stresstester

denna demonstration av kausalitet och inte bara korrelation bör vara ett viktigt underlag för hedging‑beslut.

Så modeller bör använda ett tvåregim‑känslighetsschema: låg‑VIX‑regimkoefficienten för måttliga situationer och hög‑VIX‑regimkoefficienten (3–5 × högre) för extrema scenarier.

Det innebär också att under olika förhållanden bör fokus ligga på olika mått:

• När räntedrivna förluster ökar i relativ betydelse blir durationhantering (övervakning och justering av tidskänsligheten för en tillgång eller skuld) allt viktigare.
• När VIX‑drivna förluster dominerar är volatilitet‑overlay‑strategier den främsta prioriteten.

För centralbanker

detta betyder att de kan mäta fördelen med ytterligare aktie‑stabiliserande räntestyrningsinstrument, beroende på graden av marknadspanik som redan finns.

För beslutsfattare

att förstå vilken typ av kris de hanterar är det viktigaste.

”COVID var en 7:1 volatilitet‑till‑ränta‑kris, medan GFC var en 2,3:1‑kris. Som ett diagnostiskt verktyg för att fastställa vilken kanal som mest sannolikt kommer att dominera i realtid, kan dessa förhållanden användas för framtida svarta svan‑händelser.”

Studie refererad

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