Piyasa Çöküş Modelleri Tahminden Açıklamaya Geçiyor

Hollanda’da 1600’lü yıllarda modern finansal piyasaların başlangıcından bu yana, finansal krizler ve balonlar düzenli olarak ortaya çıkmıştır; bu, ünlü Tulip Mania ile başlamıştır.

Bununla birlikte, şimdiye kadar ana yöntem, borç‑GSYİH oranı, aşırı değerleme ölçütleri veya yatırımcı duyarlılığı gibi metriklere bakmak gibi korelasyon temelli tahmin olmuştur. Bu verilerin tümü, bir krizi tetikleyebilecek koşullarla, ormandaki kuru odunların yangına neden olması gibi, gerçekten korele edebilir.

Bu hâlâ belirli bir krizin neyin neden olduğunu göstermez; bir orman yangınının kuru odunlardan değil, ilk kıvıldamadan başladığı gibi.

Polonya’daki Szczecin Üniversitesi’nden bir araştırmacının yeni bir çalışması, kriz analizlerinin, piyasa çöküşlerini yönlendiren yapısal kanalları açıklayan modellere kayması gerektiğini savunuyor. Bu makalede, çalışma volatilite şokları ve Hazine getirisi şoklarının finansal krizlere neden olmadaki rolünü inceliyor.

Bu çalışma, Expert Systems with Applications^1, dergisinde “Predicting the unpredictable: a counterfactual causal inference framework for financial market collapse during black swan events” başlığıyla yayımlanmıştır.

Bu, volatilite rejimlerinin değiştiği durumlarda ortalama piyasa varsayımlarına dayalı geleneksel stres testlerinin kayıpları küçümseyebileceği için yatırımcılar ve risk yöneticileri için önemli bir veri olabilir.

Finansal Krizleri Tahmin Etmek

Korelasyondan Tahmine Geçiş

Modern finansal sistemin büyük bir kısmı, riskleri anlamaya ve tahmin etmeye çalışan matematiksel modellere dayanır. Ancak bu modeller matematiksel varsayımlara da dayanır ve soyut istatistikler nadiren gerçek hayattaki durumlarla eşleşir; bu da Nassim Taleb tarafından ortaya atılan ve topluma, ekonomilere veya finansal piyasalara büyük etkisi olan, öngörülemez ve nadir bir olayı tanımlayan “kara kuğu” olaylarına yol açar.

“Geleneksel öngörü modelleri büyük veri içinde eğilimleri bulmada etkilidir, ancak nadir olayların neden gerçekleştiğini açıklamakta ya da sonuçların alternatif koşullarda nasıl değişeceğini göstermekte sık sık başarısız olur.”

Bu, krizlerin ya da sert piyasa hareketlerinin sık sık “istatistiksel olarak imkânsız” olarak tanımlanmasının da nedenidir. Tabii ki bu, sadece korelasyon temelli yaklaşımın gerçek yaşam koşullarına uygun bir şekilde eşleşmekte yetersiz olduğunu gösterir.

Bu bir sorundur, çünkü risk yöneticileri sadece piyasanın düştüğünü bilmekle kalmayıp, çöküşü hangi yapısal kanalın tetiklediğini de bilmek zorundadır.

Benzer şekilde, merkez bankalarının da bu riskleri azaltmak için araçlarının baskın iletim mekanizmasını ele alıp almadığını değerlendirmeleri gerekir.

Dolayısıyla, stres testi tasarımcıları uzun vadeli ortalamalar yerine aşırı senaryolar için uygun duyarlılıkları parametrelemelidir.

Bu nedenle bu çalışma, “karşıt nedensel çıkarım” olarak adlandırılan ve alternatif, varsayımsal bir gerçeklikte ne olacağını tahmin etme sürecini içeren farklı bir yaklaşımı savunmaktadır.

Bunu gerçekleştirmek için araştırma makalesi üç tasarım ilkesini kullandı:

İlk olarak, model yalnızca öngörü sorusuna değil, müdahale sorusuna da yanıt verebilmelidir:

“Belirli bir şok kanalının olmaması durumunda kümülatif çöküş eğrisi nasıl evrilirdi?”

İkinci olarak, her yapısal iddia en az bir resmi ampirik testle desteklenmelidir.

Üçüncü olarak, sonuç doğrulanabilir olmalı; örneğin kriz dışı dönemlerde plasebo testiyle.

Verileri Toplamak

Çalışma, iki ana finansal kriz olayını göstermek için kullandı: 2007-2009 Küresel Finansal Krizi (GFC) ve COVID-19 pandemisi.

Bu iki krizi analiz etmek için geniş bir veri yelpazesi toplandı:

• S&P 500 Endeksinin günlük serisi.
• Enflasyon ölçümü için Aylık Tüketici Fiyat Endeksi (CPIAUCSL)
• İşsizlik oranı (UNRATE).
• CBOE ima edilen volatilite endeksi (VIX).
• ABD 10 yıllık Hazine sabit vadeli getirisi.
• Moody’s Baa kurumsal getiri eksi 10 yıllık Hazine kredi spreadi (BAA10Y).
• TED spread (TEDRATE).

Finansal Krizlerin Nedenleri

Getiri Şokları Çöküşlerin Nedenleri

Analizin ilk bölümü, getiri şoklarına, yani finansal piyasalarda faiz oranları veya tahvil getirilerindeki ani, beklenmedik değişimlere bakar.

Getiri şokları olmadan piyasa getirilerinin nasıl görüneceğini (mavi çizgi) ve getiri şokları dahil edildiğinde gerçekte ne olduğunu (kırmızı çizgi) gösteren bir grafikte, iki veri seti çok yakın görünüyordu.

Kırmızı ve mavi eğrilerin ayrılması, yön‑getirileriyle ilgili kritik bir yönü gösterir: bunlar sadece tepki vermek yerine hisse senedi getirilerini aktif olarak etkilemektedir.

“Aksine, özellikle COVID krizinde ve GFC krizinde daha hafif bir şekilde mavi eğrinin kırmızıdan üstte olduğu gözlemlenmiştir. Bu, getiri değişikliklerinin çöküşün sonucu değil, aksine bir öngörücü olduğunu göstermektedir.”

Bununla birlikte, kayıpların şiddetini belirleyen başka bir neden vardır.

Volatilite Kayıpları Artırıcı Olarak

Bu çalışmaya göre finansal krizin diğer nedeni, volatilite dalgalanmalarıdır.

Bu belki de şaşırtıcı değildir, çünkü bu, 1992’deki Minsky’nin Finansal İstikrarsızlık Hipotezi gibi finansal kriz tetikleyicileri için ana akım bir açıklamaya uymaktadır.

Temel fikri, sahte bir güven duygusunun finansal aktörleri aşırı ve tehlikeli borç seviyelerine yönlendirmesidir. Sonuçta, “istikrar istikrarsızlaştırır”.

Bu, hem GFC hem de COVID pandemisi sırasında hisse senedi fiyatlarının çöküşünün ana nedeni olarak belirlendi.

“COVID ve GFC’de, volatilite kanalı sırasıyla toplam kümülatif düşüşün %58,7’si ve %28,3’ünü oluştururken, getiri kanalı %8,4 ve %12,6’lık bir paya sahiptir.”

Çalışma sonuçları ayrıca, dalgalı piyasalarda getiri duyarlılığının arttığını, dolayısıyla volatilite ne kadar yüksekse, getiri şoklarının da o kadar etkili hale geldiğini göstermektedir.

Krizleri Daha Doğru Tahmin Etmek

Tahminleri Daha da İyileştirmek

Bu, çalışmanın çerçevesinin mükemmel bir öngörücü olduğu anlamına gelmez. Örneğin, doğrusal bir model kullanır; bu, finansal krizler gibi aşırı durumlar için ideal olmayabilir.

“Gelecek araştırmalar, yapısal olarak doğrusal olmayan bir modeli (örneğin rejim değiştiren SVAR veya sinirsel yapısal eşitlik modeli) test etmelidir.”

Ek veri kullanmak da tahmin kapasitesini artırabilir; örneğin repo faiz dinamikleri, bayi bilanço kısıtlamaları ve opsiyon mikro yapısı değişkenleri.

Yatırımcılar ve Politika Yapıcılar İçin Sonuçlar

Risk yöneticileri ve stres testi tasarımcıları için, bu nedensellik gösterimi ve sadece korelasyon olmaması, korunma kararları için hayati bir girdi olmalıdır.

Bu nedenle modeller, orta durumlar için düşük‑VIX rejimi katsayısını ve aşırı senaryolar için yüksek‑VIX rejimi katsayısını (3–5 × daha büyük) içeren iki rejimli bir duyarlılık takvimi kullanmalıdır.

Ayrıca, farklı koşullarda odaklanılması gereken metriklerin değişmesi anlamına gelir:

• Getiri kaynaklı kayıplar göreceli önemi arttığında, sürenin yönetimi (bir varlık ya da yükümlülüğün zaman duyarlılığını izleme ve ayarlama) giderek daha önemli hale gelir.
• VIX kaynaklı kayıplar baskın olduğunda, volatilite örtüsü stratejileri birinci öncelik olmalıdır.

Merkez bankaları için, bu, mevcut piyasa panik seviyesine bağlı olarak ek hisse senedi istikrarı sağlayan faiz yönetim araçlarının faydasını ölçebilecekleri anlamına gelir.

Politika yapıcılar için, hangi tür krizle karşı karşıya olduklarını anlamak en önemli şeydir.

“COVID, 7:1 volatilite‑getiri krizi iken, GFC 2.3:1 kriziydi. Gerçek zamanlı olarak hangi kanalın daha olası olduğunu belirlemek için tanı aracı olarak bu oranlar gelecekteki Kara Kuğu olaylarında kullanılabilir.”

Referans Çalışma

^{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 Aralık 2026. Makale: 133342. Cilt: Cilt 331, Bölüm C. DOI: https://doi.org/10.1016/j.eswa.2026.133342}