Rationale Blasen und Devisenkrisen im Iran: Eine Analyse mit Markov-Switching-Modellen

1. Einleitung & Überblick

Diese Untersuchung erforscht das Vorhandensein und die Dynamik rationaler spekulativer Blasen im informellen Devisenmarkt (Forex) des Iran, mit besonderem Fokus auf den USD/IRR-Kurs. Die Studie umfasst eine turbulente Periode von 2010 bis 2018, die durch erhebliche Wirtschaftssanktionen und Öleinnahmenschwankungen geprägt war. Das Kernziel ist die Entwicklung eines Frühwarnsystems, das in der Lage ist, Blasenbildungen und bevorstehende Devisenkrisen zu identifizieren, bevor sie schwerwiegende wirtschaftliche Störungen verursachen.

Die Autoren argumentieren, dass Abweichungen des Wechselkurses von seinem fundamentalen Wert, getrieben durch spekulative Attacken und Herdenverhalten, zu Währungskrisen führen können, wenn sie nicht von den Währungsbehörden verteidigt werden. Traditionelle ökonometrische Modelle erfassen diese nichtlinearen, regimeschaltenden Verhaltensweisen oft nicht. Diese Arbeit schließt diese Lücke, indem sie ein ausgefeiltes Markov-Switching-Modell mit zeitvariablen Übergangswahrscheinlichkeiten (TVTP-MS) einsetzt, um zwischen ruhigen, explosiven und kollabierenden Blasenregimes zu unterscheiden.

Kernerkenntnis

Der informelle USD/IRR-Markt ist anfällig für rationale Blasen, die durch spekulative Attacken getrieben werden. Ein Drei-Regime-Markov-Modell (ruhig, explosiv, Kollaps) mit Sanktionen und Reserven als Übergangstreiber kann Krisenperioden präzise identifizieren und bietet ein überlegenes Frühwarninstrument im Vergleich zu linearen Modellen.

2. Theoretischer Rahmen & Literaturübersicht

Die Analyse basiert auf der Theorie der rationalen Blasen, bei der sich Vermögenspreise dauerhaft von ihrem fundamentalen Wert entfernen, basierend auf der Erwartung, dass andere Anleger die Preise weiter in die Höhe treiben werden. Dies unterscheidet sich von irrationaler Überschwänglichkeit, da es ein Nash-Gleichgewicht in einem spekulativen Spiel darstellt.

2.1 Rationale Blasen in der Vermögenspreisbildung

Die fundamentale Vermögenspreisgleichung besagt, dass der heutige Preis eines Vermögenswerts dem abgezinsten Gegenwartswert seiner zukünftigen Auszahlungen entspricht. Eine rationale Blasenkomponente $B_t$ erfüllt:

$P_t = \sum_{i=1}^{\infty} \frac{E_t[D_{t+i}]}{(1+r)^i} + B_t$, wobei $E_t[B_{t+1}] = (1+r)B_t$.

Dies impliziert, dass die Blase mit der Zinsrate $r$ wachsen wird. Im Devisenkontext ist der "Vermögenswert" die Fremdwährung und ihre "Auszahlung" der zukünftige Wechselkurs oder der Nutzen aus ihrem Halten. Spekulative Attacken treten auf, wenn Händler koordiniert eine Währung verkaufen, in der Erwartung, dass andere folgen werden, was eine sich selbst erfüllende Prophezeiung schafft.

2.2 Grenzen traditioneller Devisenmodelle

Die Arbeit bezieht sich auf die wegweisende Arbeit von Meese und Rogoff (1983), die zeigte, dass Standardmakroökonomische Modelle (wie monetäre Modelle) außerhalb der Stichprobe bei der Wechselkursprognose nicht besser abschneiden als ein einfacher Random Walk. Dieses "Wechselkurs-Disconnect-Puzzle" deutet darauf hin, dass Faktoren jenseits der Fundamentaldaten – wie Marktmikrostruktur, Herdenverhalten und spekulative Dynamiken – eine entscheidende Rolle spielen. Spätere Studien, einschließlich Cheong et al. (2005), bestätigten diese Ergebnisse und unterstreichen die Notwendigkeit von Modellen, die Strukturbrüche und Regimewechsel erfassen.

2.3 Markov-Switching-Modelle in der Finanzwirtschaft

Eingeführt von Hamilton (1989) erlauben Markov-Switching-Modelle, dass sich Parameter gemäß einer unbeobachteten Zustandsvariablen $S_t$ ändern, die einer Markov-Kette folgt. Die in dieser Arbeit verwendete TVTP-Erweiterung ermöglicht es, dass die Wahrscheinlichkeit eines Übergangs von einem Zustand in einen anderen von beobachteten ökonomischen Variablen abhängt (z.B. Sanktionsintensität, Reservenänderungen). Dies ist entscheidend für die Modellierung von Devisenmärkten unter Sanktionen, wo sich die Wahrscheinlichkeit einer Krise mit politischen und wirtschaftlichen Ereignissen verschiebt.

3. Methodik & Modellspezifikation

3.1 Daten & Variablen

Die Studie verwendet monatliche Daten aus dem iranischen informellen Devisenmarkt (USD/IRR) von 2010 bis 2018. Wichtige Variablen sind:

Abhängige Variable: Logarithmische Renditen des informellen Wechselkurses.
Regime-Treiber (für TVTP):
- Sanktionsindex: Ein konstruierter Proxy, der die Intensität internationaler Wirtschaftssanktionen misst und als Schlüsseltreiber der spekulativen Nachfrage identifiziert wird.
- Veränderung der Devisenreserven: Signalisiert die Fähigkeit der Zentralbank, die Währung zu verteidigen.

3.2 Drei-Regime-Markov-Switching-Modell

Das Modell spezifiziert drei distinkte Regimes für den Wechselkursrenditeprozess:

Ruhiges Regime ($S_t=1$): Gekennzeichnet durch niedrige Volatilität und milde, stabile Trends. Die Durchschnittsrendite $\mu_1$ ist niedrig und die Varianz $\sigma^2_1$ ist klein.
Explosives (Blasen-)Regime ($S_t=2$): Gekennzeichnet durch hohe positive Durchschnittsrenditen $\mu_2 > 0$ und erhöhte Volatilität $\sigma^2_2$, was eine rasche Währungsabwertung darstellt, getrieben durch spekulativen Kauf von Devisen.
Kollaps- (Post-Blasen-)Regime ($S_t=3$): Kann hohe Volatilität mit negativen oder korrigierenden Durchschnittsrenditen $\mu_3$ beinhalten, oft nach Zentralbankinterventionen oder Markterschöpfung.

Das Modell wird formalisiert als: $r_t = \mu_{S_t} + \epsilon_t$, wobei $\epsilon_t \sim N(0, \sigma^2_{S_t})$ und $S_t \in \{1,2,3\}$.

3.3 Zeitvariable Übergangswahrscheinlichkeiten

Die Innovation liegt darin, die Übergangsmatrix $\mathbf{P}_t$ zeitabhängig zu machen. Die Wahrscheinlichkeit, vom Regime $i$ zum Regime $j$ zu wechseln, wird als logistische Funktion beobachteter Variablen $z_t$ (Sanktionen, Reservenänderungen) modelliert:

$p_{ij,t} = P(S_t = j | S_{t-1}=i) = \frac{\exp(\alpha_{ij} + \beta_{ij}' z_{t-1})}{1 + \exp(\alpha_{ij} + \beta_{ij}' z_{t-1})}$ für $i \neq j$.

Dies ermöglicht es dem Modell, quantitativ zu bewerten, wie Faktoren wie verschärfte Sanktionen die Wahrscheinlichkeit erhöhen, von einem ruhigen in ein explosives Blasenregime zu wechseln.

4. Empirische Ergebnisse & Analyse

4.1 Regime-Identifikation & Blasenperioden

Das Modell identifiziert erfolgreich spezifische Perioden, die bekannten Devisenkrisen im Iran entsprechen:

Explosive Blasenperioden: Das Modell lokalisiert Monate wie 2011-07, 2012-04, 2012-10/11 und insbesondere 2017-01 bis 2017-06 als explosive Regimes mit hoher Wahrscheinlichkeit. Diese decken sich mit Perioden verschärfter Sanktionen und politischer Unsicherheit.
Regime-Dynamik: Die Ergebnisse zeigen, dass Kollaps-Regimes tendenziell mit tatsächlichen Krisenperioden zusammenfallen oder diesen unmittelbar folgen, während ruhige Regimes Perioden relativer Stabilität oder milder Aufwertung entsprechen.

Abbildung: Geglättete Wahrscheinlichkeiten des explosiven Regimes

(Konzeptionelle Beschreibung) Ein Liniendiagramm würde die Wahrscheinlichkeit $P(S_t=2 | \Omega_T)$ zeigen, die im Zeitverlauf zwischen 0 und 1 schwankt. Während der identifizierten Krisenmonate (z.B. Mitte 2012, Anfang 2017) wären scharfe Spitzen nahe 1,0 zu beobachten, was die Fähigkeit des Modells bestätigt, diese Episoden als spekulative Blasen zu klassifizieren. Die Wahrscheinlichkeit bleibt während stabiler Perioden niedrig und steigt vor einigen Krisen an, was das Frühwarnpotenzial demonstriert.

4.2 Performance von Frühwarnindikatoren

Der Sanktionsindex erweist sich als statistisch signifikanter und mächtiger Treiber für Übergänge in das explosive Regime. Ein Anstieg der Sanktionsvariable erhöht die Wahrscheinlichkeit, von ruhigen oder Kollaps-Zuständen in einen Blasenzustand zu wechseln. Die Veränderung der Devisenreserven ist ebenfalls signifikant; eine Verringerung der Reserven erhöht die Wahrscheinlichkeit, in ein Kollaps-Regime einzutreten, was wahrscheinlich eine gescheiterte Verteidigung und den anschließenden Absturz widerspiegelt.

4.3 Analyse der Zentralbankinterventionen

Die Arbeit stellt fest, dass Zentralbankinterventionen im informellen Markt, die darauf abzielen, den Druck zu verringern, oft nicht ausreichen, um Blasen zu verhindern oder zum Platzen zu bringen, sobald das explosive Regime Fuß gefasst hat. Das Modell legt nahe, dass Interventionen im ruhigen Regime zur Prävention wirksamer sind, als während einer voll entfalteten spekulativen Attacke.

5. Technischer Rahmen & Fallstudie

Beispiel für einen analytischen Rahmen: Betrachten Sie einen Entscheidungsträger, der den USD/IRR-Markt überwacht. Der Rahmen umfasst:

Dateneingabe: Kontinuierliche Einspeisung monatlicher informeller Wechselkursrenditen, Sanktionsnachrichten-Stimmung (bewertet 0-10) und wöchentlicher Devisenreservenänderungen in das Modell.
Modellaktualisierung: Monatliche oder Echtzeit-Neuschätzung des TVTP-MS-Modells unter Verwendung gleitender Fenster.
Risiko-Dashboard: Überwachung der geglätteten Wahrscheinlichkeit $P(S_t=2 | \Omega_t)$, sich im explosiven Regime zu befinden. Das Überschreiten eines Schwellenwerts (z.B. 0,7) löst einen Alarm aus.
Szenarioanalyse: Nutzung der geschätzten logistischen Koeffizienten $\beta_{ij}$ zur Simulation von "Was-wäre-wenn"-Szenarien. Zum Beispiel: "Wenn ein neues Sanktionspaket angekündigt wird (Sanktionsindex +3), um wie viel erhöht sich die Wahrscheinlichkeit einer Blase im nächsten Monat?"

Fallstudie – Die Blase von 2017: Anfang 2017 schnellte die Wahrscheinlichkeit für das explosive Regime im Modell in die Höhe. Der TVTP-Mechanismus führte dies auf eine Kombination aus anhaltenden Sanktionen und einem Abbau der Reserven zurück. Der Rahmen hätte ein hohes Risiko einer spekulativen Attacke Wochen vor dem scharfen Abschwung signalisiert, was präventive politische Maßnahmen wie die Andeutung stärkerer Verteidigungszusagen oder Zinsanpassungen ermöglicht hätte.

6. Zukünftige Anwendungen & Forschungsrichtungen

Echtzeit-Krisenüberwachungssysteme: Integration dieses Modells in ein Dashboard für Zentralbanken in Schwellenländern, die ähnlichen spekulativen Druck ausgesetzt sind.
Kryptowährungsmärkte: Anwendung des TVTP-MS-Rahmens zur Identifizierung von Blasen in Bitcoin oder anderen Kryptowährungen, die ähnliche spekulative Dynamiken und Regimewechsel aufweisen.
Politiksimulationstool: Erweiterung des Modells um Zentralbank-Reaktionsfunktionen, um zu simulieren, wie verschiedene Interventionsstrategien (Zinsänderungen, Kapitalverkehrskontrollen) die Übergangswahrscheinlichkeiten und die Blasendauer verändern könnten.
Hybride mit maschinellem Lernen: Kombination der strukturellen Stärken von Markov-Switching-Modellen mit der Vorhersagekraft von maschinellem Lernen (z.B. LSTMs) auf Hochfrequenzdaten, um die Vorlaufzeiten der Frühwarnung zu verbessern.
Ländervergleichende Analyse: Anwendung derselben Methodik auf andere sanktionierte Volkswirtschaften (z.B. Venezuela, Russland), um eine vergleichende Theorie sanktionsinduzierter Devisenblasen zu entwickeln.

7. Literaturverzeichnis

Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57(2), 357-384.
Meese, R. A., & Rogoff, K. (1983). Empirical exchange rate models of the seventies: Do they fit out of sample? Journal of International Economics, 14(1-2), 3-24.
Cheong, C. W., et al. (2005). Nonlinearities in exchange rate determination: A Markov-switching approach. Working Paper.
Filardo, A. J. (1994). Business-cycle phases and their transitional dynamics. Journal of Business & Economic Statistics, 12(3), 299-308. (Wegweisende Arbeit zu TVTP-Modellen).
Taiebnia, A., Mehraara, M., & Akhtari, A. (2019). Rational Bubbles and Forex Crises in Iran's Informal Market: A Markov-Switching Model with Time-Varying Transition Probabilities. Scientific Quarterly Journal of Economic Research, 74(19), 111-164. (Die analysierte Arbeit).

8. Kritische Würdigung des Analysten

Kernerkenntnis

Diese Arbeit liefert eine mächtige, nicht offensichtliche Erkenntnis: In einer sanktionierten Wirtschaft wie der des Iran reagiert der informelle Devisenmarkt nicht nur auf Fundamentaldaten – er spielt ein spekulatives Spiel. Die Blase ist kein Wahnsinn; sie ist ein rationales, sich selbst erfüllendes Gleichgewicht, in dem jeder die Währung attackiert, weil er erwartet, dass andere dasselbe tun. Der eigentliche Auslöser ist nicht nur die Geldmengenausweitung; es ist das Sanktionssignal, das als Koordinationsinstrument für Spekulanten fungiert. Dies stellt Devisenkrisen von einem monetären Phänomen zu einem spieltheoretischen um.

Logischer Aufbau

Das Argument ist elegant konstruiert. Es beginnt mit der Abweisung von Standardmodellen (Meese-Rogoff), etabliert die rationale Blasentheorie und führt dann das perfekte Werkzeug für die Aufgabe ein: ein Markov-Switching-Modell. Der geniale Schritt ist, die Übergangswahrscheinlichkeiten von Sanktionen und Reserven abhängig zu machen. Dies testet direkt die Hypothese, dass diese Variablen nicht nur das Wechselkursniveau, sondern die Spielregeln selbst beeinflussen – und die Chancen verändern, in einen Panikmodus zu wechseln. Die empirischen Ergebnisse validieren dies dann, indem sie zeigen, wie Regimes sauber auf reale Krisenepisoden abgebildet werden.

Stärken & Schwächen

Stärken: Die methodische Wahl ist tadellos. TVTP-MS-Modelle sind notorisch schwierig zu schätzen, aber der Goldstandard, um die hier vorhandenen Strukturbrüche zu erfassen. Der Fokus auf den informellen Markt ist entscheidend – dort findet unter Sanktionen die eigentliche Preisermittlung und Spekulation statt. Die Frühwarnanwendung ist sofort praktisch umsetzbar.

Schwächen: Die Achillesferse der Arbeit sind die Daten. Der "Sanktionsindex" ist notwendigerweise ein konstruierter Proxy, was Fragen zur Subjektivität aufwirft. Das Modell ist auch inhärent rückwärtsgewandt; während es vergangene Regimes hervorragend identifiziert, hängt seine vorausschauende Frühwarnfähigkeit von der genauen Prognose der Treiber (Sanktionen) selbst ab – eine gewaltige politische, nicht nur ökonometrische Herausforderung. Es geht auch etwas zu oberflächlich auf die Rolle innenpolitischer geldpolitischer Fehler ein, die den fruchtbaren Boden für das spekulative Spiel schaffen.

Umsetzbare Erkenntnisse

Für Entscheidungsträger in ähnlichen Volkswirtschaften ist die Erkenntnis drastisch: Erwartungen managen, nicht nur Reserven. Die Verteidigung einer Währung unter Sanktionen erfordert die Störung der Koordination der Spekulanten. Das bedeutet:

Forward Guidance: Klare, glaubwürdige Kommunikation nutzen, um Erwartungen zu verankern und die sich selbst erfüllende Prophezeiungsschleife zu durchbrechen. Schweigen ist tödlich.
Asymmetrische Intervention: Die "Feuerkraft" für die Momente aufsparen, die das Modell als Hochrisiko-Übergangspunkte in das explosive Regime kennzeichnet, anstatt Reserven in einem ruhigen Regime zu verschwenden.
Dashboard aufbauen: Eine Echtzeitversion dieses Modells als zentrales Überwachungstool implementieren. Die Kosten sind trivial im Vergleich zu den Milliardenverlusten bei einem Devisencrash.
Für Investoren: Dieses Modell bietet einen quantitativen Rahmen für das Timing von Engagements in Frontier-Märkten. Das "explosive Regime"-Signal ist ein klares Verkaufsindikator, während anhaltende Wahrscheinlichkeiten für ein ruhiges Regime nach einem Crash eine Kaufgelegenheit anzeigen könnten.

Im Wesentlichen verlagert diese Forschung die Diskussion von der Frage, ob eine Blase existiert, zu der Frage, wann die Marktlogik in den Blasenmodus umschalten wird – eine entscheidende Verschiebung für Verteidigung und Strategie.