Ang mga Modelo ng Pagbagsak ng Merkado ay Lumilipat Mula sa Paghula Patungo sa Paliwanag

Mula nang magsimula ang modernong mga pamilihang pinansyal sa Netherlands noong ika-1600s, ang mga krisis pinansyal at bula ay naging regular na pangyayari, nagsimula sa kilalang Tulip Mania. Isang direktang bunga nito ay ang pagkilala na ang pag-unawa sa mga kundisyon na maaaring magdulot ng ganitong mga krisis ay mahalaga, maging para sa estado at mga regulator upang mabawasan ang paglitaw at/o tindi ng mga krisis, o para sa mga kalahok sa sistemang pinansyal upang maiwasan ang pagdurusa ng napakalaking pagkalugi.

Gayunpaman, hanggang ngayon, ang pangunahing pamamaraan ay batay sa korelasyon para sa prediksyon, tulad ng pagsusuri sa mga sukatan gaya ng debt-to-GDP ratio, mga sukatan ng overvaluation, o damdamin ng mamumuhunan. Ang lahat ng datos na ito ay tunay na maaaring magkaugnay sa mga kundisyon na maaaring magdulot ng krisis, katulad ng tuyong kahoy sa kagubatan na maaaring magpasiklab ng apoy.

Gayunpaman, hindi pa rin ito nagbibigay ng impormasyon kung ano ang nagdudulot ng isang partikular na krisis, katulad ng pagsisimula ng sunog sa kagubatan dahil sa isang unang spark, hindi dahil sa tuyong kahoy.

Isang bagong pag-aaral ng isang mananaliksik mula sa University of Szczecin sa Poland ang nagmumungkahi na ang crisis analytics ay dapat lumipat patungo sa mga modelo na nagpapaliwanag kung aling mga estruktural na channel ang nagdadala ng pagbagsak ng merkado. Sa papel na ito, sinusuri ng pag-aaral ang papel ng volatility shocks at Treasury-yield shocks sa pagdudulot ng mga krisis pinansyal.

Ito ay inilathala sa Expert Systems with Applications^1, sa pamagat na “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events”.

Maaari itong maging mahalagang datos para sa mga mamumuhunan at risk manager dahil ang karaniwang stress tests na nakabatay sa average-market assumptions ay maaaring magbaba ng pagtantya sa mga pagkalugi kapag nagbabago ang mga rehimen ng volatility.

Pagpapaunlad ng Paghula sa mga Krisis Pinansyal

Paglipat Mula sa Korelasyon Patungo sa Paghula

Maraming bahagi ng modernong sistemang pinansyal ang nakabatay sa mga matematikal na modelo na sinusubukang unawain at hulaan ang mga panganib. Gayunpaman, nakabatay din ang mga ito sa mga matematikal na palagay, at bihirang tumugma ang mga abstraktong estadistika sa totoong sitwasyon, na nagreresulta sa tinatawag na mga black swan events, isang terminong binuo ni Nassim Taleb na naglalarawan ng hindi inaasahan, bihirang pangyayari na may napakalaking epekto sa lipunan, ekonomiya, o mga pamilihang pinansyal.

“Ang mga tradisyunal na predictive model ay epektibo sa paghahanap ng mga trend sa malalaking datos, ngunit madalas silang nabibigo sa pagpapaliwanag kung bakit nagaganap ang ilang bihirang pangyayari o kung paano magbabago ang kinalabasan sa ibang mga kondisyon.”

Ito rin ang dahilan kung bakit madalas ilarawan ang mga krisis o brutal na galaw ng merkado bilang “statistically impossible”. Siyempre, nangangahulugan lamang ito na ang pamamaraan na batay sa korelasyon ay hindi sapat upang maayos na tumugma sa mga totoong kondisyon.

Isang suliranin ito, dahil kailangang malaman ng mga risk manager hindi lamang na bumagsak ang merkado, kundi kung aling estruktural na channel ang nagdulot ng pagbagsak.

Gayundin, kailangang suriin ng mga central bank kung ang kanilang mga instrumento ay tumutugon sa pangunahing mekanismo ng transmisyon upang mabawasan ang mga panganib na ito.

Sa pangkalahatan, kailangang i-parameterize ng mga taga-disenyo ng stress test ang mga sensitivity na angkop para sa mga ekstremong senaryo, hindi para sa pangmatagalang average.

Ito ang dahilan kung bakit itinataguyod ng pag-aaral na ito ang isang ibang pamamaraan, na tinatawag na “counterfactual causal inference”, o ang proseso ng pagtatantiya kung ano ang maaaring nangyari sa isang alternatibo, hipotetikong realidad.

Upang magawa ito, gumamit ang papel pananaliksik ng tatlong prinsipyo sa disenyo:

Una, dapat kayang tumugon ang modelo sa isang interventional na tanong sa halip na isang predictive lamang:

“Paano sana umunlad ang kabuuang trajectory ng pagbagsak kung wala ang isang tiyak na shock channel?”

Pangalawa, ang bawat estruktural na pahayag ay dapat suportahan ng hindi bababa sa isang pormal na empirikal na pagsusuri.

Pangatlo, ang kinalabasan ay dapat mapatunayan, halimbawa, sa pamamagitan ng placebo testing sa mga panahong walang krisis.

Pangkolekta ng Datos

Gumamit ang pag-aaral ng dalawang pangunahing pangyayari ng krisis pinansyal upang ipakita: ang 2007-2009 Global Financial Crisis (GFC) at ang pandemya ng COVID-19.

A malawak na hanay ng datos ang nakolekta upang suriin ang dalawang krisis na ito:

• Ang pang-araw-araw na serye ng S&P 500 Index.
• Ang Buwanang Consumer Price Index (CPIAUCSL) bilang sukatan ng implasyon
• Ang antas ng kawalan ng trabaho (UNRATE).
• Ang CBOE implied-volatility index (VIX).
• Ang U.S 10-year Treasury constant-maturity yield.
• Ang Moody’s Baa-corporate-yield-minus-10-year-Treasury credit spread (BAA10Y).
• Ang TED spread (TEDRATE).

Ano ang Nagdudulot ng mga Krisis Pinansyal?

Yield Shocks Bilang Sanhi ng Pagbagsak

Tinitingnan ng unang bahagi ng pagsusuri ang yield shocks, o bigla, hindi inaasahang pagbabago sa mga interest rate o bond yields sa buong pamilihang pinansyal.

Sa isang grapikong nagmamasid kung ano ang hitsura ng mga return ng merkado kung wala ang yield shocks (asul na linya) at kung ano talaga ang nangyari nang kasama ang yield shocks (pulang linya), halos magkatulad ang dalawang dataset.

Ang paglihis ng pulang at asul na trajectory ay nagpapahiwatig ng mahalagang aspeto ng direksyon–yields: aktibong nakakaapekto ang mga ito sa mga return ng stock sa halip na basta tumugon lamang.

“Sa halip, napansin na ang asul na trajectory ay nasa itaas ng pula, lalo na sa panahon ng krisis ng COVID at mas banayad sa panahon ng krisis ng GFC. Ipinapakita nito na ang mga pagbabago sa yield ay hindi resulta ng pagbagsak, kundi ito ang predictor.”

Gayunpaman, ang nagtatakda ng tindi ng mga pagkalugi ay dulot ng isa pang sanhi.

Volatility Bilang Pampalaki ng Pagkalugi

Ayon sa pag-aaral na ito, ang isa pang sanhi ng krisis pinansyal ay ang biglaang pagtaas ng volatility.

Marahil ay hindi ito nakakagulat, dahil ito ay naaayon sa pangkaraniwang paliwanag para sa mga trigger ng krisis pinansyal: ang Financial Instability Hypothesis ni Minsky noong 1992.

Ang pangunahing ideya nito ay ang maling pakiramdam ng seguridad na nagiging sanhi ng mga aktor pinansyal na kumuha ng labis, mapanganib na antas ng utang. Sa huli, “ang katatagan ay nagdudulot ng destabilization”.

Natukoy na ito ang pangunahing sanhi ng pagbagsak ng presyo ng equity sa parehong GFC at pandemya ng COVID.

“Sa COVID at GFC, ang volatility channel ay nag-aambag ng 58.7% at 28.3% ng kabuuang cumulative drawdown, ayon sa pagkakasunod, samantalang ang yield channel ay nag-aambag ng 8.4% at 12.6%.”

Ipinapahiwatig din ng mga resulta ng pag-aaral na ang sensitivity ng yield ay tumataas sa magulong mga merkado, kaya’t habang tumataas ang volatility, mas nagiging epektibo rin ang mga yield shock.

Mas Tumpak na Paghula sa mga Krisis

Pagpapahusay pa ng mga Prediksyon

Hindi ito nangangahulugang perpekto ang balangkas ng pag-aaral bilang predictor. Sa katunayan, gumagamit ito ng linear na modelo, na maaaring hindi angkop para sa mga ekstremong sitwasyon tulad ng mga krisis pinansyal.

“Dapat subukan ng mga susunod na pananaliksik ang isang estrukturang non-linear na modelo (tulad ng regime-switching SVAR o neural structural equation model).”

Ang paggamit ng karagdagang datos ay maaari ring makatulong sa pagpapabuti ng kakayahan sa prediksyon, tulad ng dynamics ng repo-rate, mga limitasyon sa dealer-balance-sheet, at mga variable ng options-microstructure.

Mga Implikasyon para sa mga Mamumuhunan at mga Tagagawa ng Patakaran

Para sa mga risk manager at mga taga-disenyo ng stress test, ang demonstrasyong ito ng sanhi at hindi lamang korelasyon ay dapat maging mahalagang input sa mga desisyon sa hedging.

Kaya dapat gumamit ang mga modelo ng dalawang-regime na sensitivity schedule: ang low-VIX-regime coefficient para sa katamtamang sitwasyon at ang high-VIX-regime coefficient (3–5 × mas mataas) para sa mga ekstremong senaryo.

Ibig sabihin din nito na sa iba’t ibang kondisyon, dapat magpokus sa iba’t ibang sukatan:

• Kapag ang mga pagkalugi na dulot ng yield ay tumataas sa relatibong kahalagahan, ang pamamahala ng duration (pagmamanman at pag-aayos ng time sensitivity ng isang asset o liability) ay nagiging mas mahalaga.
• Kapag ang mga pagkalugi na dulot ng VIX ang nangingibabaw, ang mga volatility-overlay strategy ang unang prayoridad.

Para sa mga central bank, ibig sabihin nito ay maaari nilang sukatin ang benepisyo ng karagdagang equity-stabilizing rate-management instruments, depende sa antas ng takot sa merkado na umiiral na.

Para sa mga tagagawa ng patakaran, ang pag-unawa kung anong uri ng krisis ang kanilang hinaharap ay ang pinakamahalaga.

“Ang COVID ay isang 7:1 volatility-to-yield crisis, samantalang ang GFC ay isang 2.3:1 crisis. Bilang isang diagnostic tool para matukoy kung aling channel ang malamang na mangibabaw sa real time, maaaring gamitin ang mga ratio na ito sa mga susunod na Black Swan na pangyayari.”

Pag-aaral na Binanggit

^{1. Guru Ashish Singh. Pagpahayag ng hindi mahuhulaan: isang counterfactual causal inference framework para sa pagbagsak ng pamilihang pinansyal sa panahon ng mga black swan na pangyayari. Expert Systems with Applications. 15 Disyembre 2026. Article: 133342. Volume: Volume 331, Part C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}