Identifizierung rationaler Blasen auf dem iranischen Devisenmarkt: Ein Markov-Switching-Ansatz

1. Einleitung

Diese Studie untersucht das Vorhandensein und die Dynamik rationaler spekulativer Blasen auf dem inoffiziellen Devisenmarkt Irans (USD/IRR). Der Devisenmarkt ist eine kritische Komponente jeder Volkswirtschaft, die Wettbewerbsfähigkeit, Handel, Investitionen und Inflation direkt beeinflusst. Im Iran ist dieser Markt durch hohe Volatilität gekennzeichnet, die stark von Öleinnahmenschocks, Wirtschaftssanktionen und spekulativem Verhalten beeinflusst wird. Das Kernproblem, das behandelt wird, ist die Abweichung des Wechselkurses von seinem fundamentalen Wert, die zu Währungskrisen führen kann, wenn sie von den politischen Entscheidungsträgern nicht kontrolliert wird. Ziel dieser Arbeit ist es, diese Blasenperioden mithilfe eines fortgeschrittenen ökonometrischen Modells zu identifizieren, um Frühwarnsignale für eine effektivere geld- und wechselkurspolitische Intervention zu liefern.

2. Literaturübersicht & Theoretischer Rahmen

2.1. Rationale Blasen in der Vermögenspreisbildung

Das Konzept rationaler Blasen stammt aus der Literatur zur Vermögenspreisbildung, wo der Marktpreis eines Vermögenswerts dauerhaft von seinem fundamentalen Wert auf Basis des Barwerts erwarteter zukünftiger Cashflows abweicht. In einer rationalen Blase sind Marktteilnehmer bereit, einen Preis über dem Fundamentalwert zu zahlen, weil sie erwarten, ihn in Zukunft zu einem noch höheren Preis verkaufen zu können (Blanchard & Watson, 1982). Diese sich selbst erfüllende Prophezeiung kann zu explosiven Preisverläufen führen.

2.2. Wechselkursbestimmung & Marktversagen

Traditionelle makroökonomische Modelle (z.B. monetärer Ansatz, Portfolio-Balance-Ansatz) können die kurzfristige bis mittelfristige Wechselkursvolatilität oft nicht erklären, ein von Meese und Rogoff (1983) hervorgehobenes Rätsel. Die Behavioral Finance führt Elemente wie Anlegerstimmung, Herdenverhalten und spekulative Attacken als Schlüsseltreiber ein. Das "Disconnect Puzzle" deutet darauf hin, dass Wechselkurse oft von Faktoren jenseits der Standardfundamentaldaten getrieben werden.

2.3. Der Kontext des iranischen Devisenmarktes

Der iranische Devisenmarkt operiert unter einem mehrschichtigen System mit offiziellen, sekundären und inoffiziellen (Schwarzmarkt-)Kursen. Der inoffizielle Markt, getrieben von Angebots-Nachfrage-Ungleichgewichten, Kapitalflucht und Erwartungen bezüglich Sanktionen und Öleinnahmen, ist sehr anfällig für Blasenbildung. Interventionen der Zentralbank, oft durch den Verkauf von aus Öleinnahmen stammenden Devisen, zielen darauf ab, den Markt zu stabilisieren, können aber von spekulativen Druck überwältigt werden.

3. Methodik & Modellspezifikation

3.1. Markov-Switching-Modell mit zeitvariablen Übergangswahrscheinlichkeiten (MS-TVTP)

Die Studie verwendet ein Markov-Switching-Modell, ein Regimewechselmodell, bei dem sich die Wirtschaft in verschiedenen Zuständen befinden kann (z.B. ruhig, explosiv, kollabierend). Die Schlüsselinnovation ist die Verwendung von zeitvariablen Übergangswahrscheinlichkeiten (TVTP). Im Gegensatz zu Standard-MS-Modellen mit festen Wahrscheinlichkeiten für Zustandswechsel erlaubt die TVTP-Variante, dass die Wahrscheinlichkeit, von einem Regime in ein anderes zu wechseln, von beobachteten ökonomischen Variablen abhängt (z.B. Sanktionsintensität, Veränderungen der Devisenreserven). Dies macht das Modell realistischer, um die Auswirkungen von Politikänderungen und externen Schocks auf die Marktstimmung zu erfassen.

3.2. Modellspezifikation & Blasenidentifikation

Das Modell spezifiziert drei verschiedene Regime für den inoffiziellen Wechselkurs ($s_t$):

1. Explosives Regime: Gekennzeichnet durch einen rasch ansteigenden Wechselkurs (Abwertung), was auf eine Blase hindeutet.
2. Ruhiges Regime: Gekennzeichnet durch einen milden, stabilen Trend.
3. Kollabierendes Regime: Gekennzeichnet durch eine scharfe Korrektur oder einen Rückgang des Wechselkurses nach dem Platzen einer Blase.

3.3. Daten & Variablen

Die Analyse verwendet monatliche Daten von März 2010 bis September 2018. Die primäre Variable ist der inoffizielle Marktwechselkurs des US-Dollars gegenüber dem Iranischen Rial. Die Übergangswahrscheinlichkeiten werden als Funktionen modelliert von:

• Sanktionsindex: Ein Proxy für externen wirtschaftlichen Druck, der die Nachfrage nach sicheren Währungen erhöht.
• Veränderung der Devisenreserven: Zeigt die Fähigkeit der Zentralbank an, zu intervenieren und die Währung zu verteidigen.

4. Empirische Ergebnisse & Analyse

4.1. Modellschätzung & Regimeklassifikation

Das MS-TVTP-Modell wurde erfolgreich geschätzt. Die Grafik der geglätteten Wahrscheinlichkeiten zeigt deutlich die Fähigkeit des Modells, den Zeitverlauf in die drei verschiedenen Regime zu klassifizieren. Das Modell weist eine hohe Genauigkeit bei der Identifizierung von Perioden mit Marktstress auf.

4.2. Identifikation von Blasenperioden

Das Modell identifiziert mehrere explosive Blasenperioden im inoffiziellen USD/IRR-Kurs:

• Mai 2011 (5/90)
• September-Oktober 2011 (9/90 – 10/90)
• Juli 2012 (7/91)
• Oktober-November 2012 (10/91 – 11/91)
• April 2013 (4/92)
• Januar-Juni 2018 (1/97 – 6/97)

4.3. Performance der Frühwarnindikatoren

Der Sanktionsindex erwies sich als hochsignifikanter Treiber für Übergänge in das explosive Regime. Ein Anstieg des Index erhöhte die Wahrscheinlichkeit, dass der Markt von einem ruhigen oder kollabierenden Zustand in einen explosiven Blasenzustand übergeht. Veränderungen der Devisenreserven waren ebenfalls signifikant; ein Rückgang der Reserven (Verringerung der Interventionskapazität) erhöhte die Wahrscheinlichkeit, in ein explosives Regime einzutreten oder darin zu verbleiben. Die kollabierenden Regime folgten tendenziell explosiven Perioden und fielen oft mit massiven Zentralbankinterventionen oder einer vorübergehenden Entspannung des Marktdrucks zusammen.

5. Diskussion & Implikationen

5.1. Kernaussage & Logischer Ablauf

Kernaussage: Der Wert des Iranischen Rials wird nicht nur von Ölpreisen oder Geldmenge geprägt; es ist ein psychologisches Schlachtfeld. Die Genialität der Arbeit liegt darin, dies zu formalisieren: Der Wechselkurs ist eine Funktion von Glaubensregimen. Sanktionen würgen nicht nur die Wirtschaft ab; sie schalten einen psychologischen Schalter im Markt von "ruhig" auf "Panik" um und initiieren eine rationale Blase, in der der Kauf von Dollar zu einer Überlebenstaktik wird, nicht zu einer spekulativen Wette.

Logischer Ablauf: Das Argument ist elegant. 1) Standardmodelle versagen (Meese-Rogoff-Puzzle). 2) Daher Einbeziehung von Erwartungen und Regimen. 3) Sanktionen und Reservenveränderungen sind die beobachtbaren Proxys, die diese Erwartungen verschieben. 4) Das MS-TVTP-Modell erfasst dies und identifiziert präzise Blasenfenster. Die Logik ist schlüssig: Wenn man den Wechselmechanismus modellieren kann, kann man die Blase vorhersagen.

5.2. Stärken & Schwächen des Ansatzes

Stärken:

• Pragmatische Brillanz: Es umgeht die unmögliche Aufgabe, "Fundamentaldaten" in einer verzerrten Wirtschaft wie der Irans zu messen. Stattdessen konzentriert es sich auf den Prozess der Abweichung, der besser beobachtbar ist.
• Politikrelevante Ergebnisse: Das Modell sagt nicht nur "es gibt eine Blase"; es sagt "die Wahrscheinlichkeit, nächsten Monat in eine Blase einzutreten, beträgt X%, getrieben vom Sanktionsniveau Y." Das sind handlungsrelevante Informationen.
• Empirische Validierung: Die identifizierten Blasenperioden stimmen mit historischen Krisen überein, was dem Modell eine starke Augenscheinvalidität verleiht.

• Black-Box-Frühwarnindikatoren: Der "Sanktionsindex" ist eine konstruierte Variable. Seine Zusammensetzung und Gewichtung sind kritisch, aber potenziell subjektiv. Garbage in, garbage out.
• Verzögerte Realität: Das Modell wird auf historischen Daten geschätzt. In einer sich schnell entwickelnden Krise können die Indikatoren (z.B. Reservenveränderungen) mit Verzögerung gemeldet werden, was den Echtzeitnutzen verringert.
• Annahme der Rationalität: Der Rahmen der "rationalen" Blase könnte reine Panik und Herdenverhalten untergewichten, die irrational sein und sich schneller selbst verstärken können, als jedes Modell erfassen kann.

5.3. Handlungsorientierte Erkenntnisse für Entscheidungsträger

Für die iranische Zentralbank und Finanzstabilitätsausschüsse ist diese Forschung ein taktisches Handbuch, nicht nur eine akademische Übung.

1. Überwachen Sie die Schalter, nicht nur das Niveau: Verlagerung des Fokus vom absoluten Wechselkursniveau auf die Wahrscheinlichkeit eines Regimewechsels. Ein ruhiger Markt mit steigendem Sanktionsdruck ist ein prä-explosiver Zustand.
2. Strategisch Munition schonen: Devisenreserven sind das primäre Mittel zur Bekämpfung von Blasen. Das Modell zeigt, dass Interventionen in der "kollabierenden" Phase effektiver sind. Reserven mitten in einer explosiven Blase zu verschwenden (wenn die Stimmung überwältigend negativ ist), ist sinnlos. Interventionen sollten zeitlich so gesetzt werden, dass sie den Wechsel von explosiv zu kollabierend katalysieren.
3. Erwartungsmanagement als zentrales Politikinstrument: Da der Markt von Überzeugungen getrieben wird, sind Kommunikation und Glaubwürdigkeit entscheidend. Transparente, regelbasierte Interventionspolitik kann helfen, Erwartungen zu verankern und die Wahrscheinlichkeit eines Wechsels in das explosive Regime zu verringern. Undurchsichtige oder unberechenbare Politik hat den gegenteiligen Effekt.
4. Aufbau eines Echtzeit-Frühwarnsystems: Operationalisieren Sie dieses Modell. Speisen Sie es mit Echtzeitdaten zum Sanktionsnachrichtenfluss (unter Verwendung von NLP auf Nachrichtenagenturen), quasi-Echtzeit-Schätzungen der Reserven und Markttiefenindikatoren. Dies schafft ein Dashboard zur Krisenprävention.

6. Technischer Anhang

6.1. Mathematische Formulierung

Der Kern des MS-TVTP-Modells kann wie folgt dargestellt werden. Sei $s_t$ der Logarithmus des inoffiziellen Wechselkurses. Der Prozess wird modelliert als:

$\Delta s_t = \mu(S_t) + \epsilon_t, \quad \epsilon_t \sim N(0, \sigma^2(S_t))$

wobei $S_t \in \{1,2,3\}$ das unbeobachtete Regime bezeichnet (1=Ruhig, 2=Explosiv, 3=Kollabierend). Der Übergang zwischen den Regimen wird durch eine Wahrscheinlichkeitsmatrix $P_t$ gesteuert, wobei jedes Element $p_{ij,t} = Pr(S_t = j | S_{t-1} = i)$ zeitvariant ist.

Diese zeitvariablen Wahrscheinlichkeiten werden mithilfe einer multinomialen Logit-Spezifikation modelliert:

$p_{ij,t} = \frac{\exp(\theta_{ij} + \beta_{ij}' Z_{t-1})}{\sum_{k=1}^{3} \exp(\theta_{ik} + \beta_{ik}' Z_{t-1})}$

wobei $Z_{t-1}$ ein Vektor von Frühwarnindikatoren (z.B. Sanktionsindex, Veränderung der Reserven) zum Zeitpunkt $t-1$ ist und $\theta_{ij}, \beta_{ij}$ zu schätzende Parameter sind. Dieser Aufbau ermöglicht es, dass die Wahrscheinlichkeit, in ein Blasenregime zu wechseln, direkt von beobachtbarem wirtschaftlichem Druck abhängt.

6.2. Beispiel für das Analyseframework

Szenario: Ein Analyst der Zentralbank des Iran möchte das Risiko bewerten, dass sich im nächsten Quartal eine spekulative Blase bildet.

Anwendung des Frameworks:

1. Dateneingabe: Sammeln der aktuellen Werte für den Sanktionsindex (z.B. abgeleitet aus Sentiment-Analyse von Nachrichten großer westlicher Medien und Regierungserklärungen) und der monatlichen Veränderung der Devisenreserven.
2. Modellabfrage: Speisen Sie diese Werte in das geschätzte MS-TVTP-Modell ein. Das Modell verwendet den aktuell abgeleiteten Regimezustand (aus den neuesten Wechselkursdaten) und die eingegebenen $Z_t$-Werte.
3. Interpretation der Ausgabe: Das Modell gibt die Wahrscheinlichkeiten aus, sich in der nächsten Periode in jedem der drei Regime zu befinden. Zum Beispiel:
   • $Pr(Ruhig) = 0.15$
   • $Pr(Explosiv) = 0.80$
   • $Pr(Kollabierend) = 0.05$
4. Handlungsorientierte Schlussfolgerung: Eine 80%ige Wahrscheinlichkeit, in das explosive Regime einzutreten, ist eine rote Flagge. Der Bericht des Analysten würde hervorheben, dass der Markt angesichts des aktuell hohen Sanktionsdrucks und der sinkenden Reserven höchstwahrscheinlich in eine Blasenphase eintreten wird. Dies löst eine Empfehlung für die Zentralbank aus, Notfallpläne vorzubereiten, präventive Kommunikation zur Steuerung der Erwartungen zu erwägen und die Strategie für den Einsatz der Reserven zu überprüfen.

7. Zukünftige Anwendungen & Forschungsrichtungen

Die Methodik und Erkenntnisse dieser Studie haben eine breite Anwendbarkeit über den spezifischen Kontext Irans hinaus.

• Andere sanktionierte oder fragile Volkswirtschaften: Das Modell kann für Länder wie Venezuela, Russland oder die Türkei adaptiert werden, wo geopolitische Risiken und Kapitalflussvolatilität ähnliche Dynamiken erzeugen. Der Schlüssel liegt in der Identifizierung der richtigen lokalen Frühwarnindikatoren (z.B. politischer Stabilitätsindex, Rohstoffpreisvolatilität).
• Kryptowährungsmärkte: Kryptomärkte sind bekanntlich anfällig für Blasen, die von Stimmung und regulatorischen Nachrichten getrieben werden. Ein MS-TVTP-Modell, das Social-Media-Sentiment, Indizes für regulatorische Ankündigungen und On-Chain-Metriken verwendet, könnte leistungsfähig sein, um Blasenregime in Bitcoin oder Ethereum zu identifizieren.
• Integration mit maschinellem Lernen: Zukünftige Arbeiten könnten die Logit-Spezifikation für Übergangswahrscheinlichkeiten durch einen maschinellen Lernklassifikator (z.B. Random Forest, neuronales Netz) ersetzen, um komplexere, nichtlineare Beziehungen zwischen Indikatoren und Regimewechseln zu erfassen.
• Entwicklung eines Echtzeit-Dashboards: Der logische nächste Schritt ist der Aufbau eines Software-Dashboards, das Echtzeit-Datenfeeds aufnimmt, das Modell kontinuierlich ausführt und politische Entscheidungsträger visuell vor steigenden Blasenwahrscheinlichkeiten warnt, ähnlich einer "Wetterkarte für Finanzstabilität".
• Politiksimulation: Das Modell könnte verwendet werden, um die Auswirkungen verschiedener politischer Maßnahmen (z.B. eine große Reserveinjektion, eine Zinsänderung) auf die Übergangswahrscheinlichkeiten zu simulieren, um die potenzielle Wirksamkeit von Politikinstrumenten vor ihrem Einsatz zu bewerten.

8. Literaturverzeichnis

1. Blanchard, O. J., & Watson, M. W. (1982). Bubbles, rational expectations and financial markets. In P. Wachtel (Ed.), Crises in the Economic and Financial Structure. Lexington Books.
2. 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.
3. Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57(2), 357-384.
4. Filardo, A. J. (1994). Business-cycle phases and their transitional dynamics. Journal of Business & Economic Statistics, 12(3), 299-308.
5. Taiebnia, A., Mehraara, M., & Akhtari, A. (2019). [Rationale Blasen und spekulative Attacken auf dem inoffiziellen Wechselkursmarkt Irans mit einem Markov-Switching-Modell mit zeitvariablen Übergangswahrscheinlichkeiten]. Scientific-Research Quarterly Journal of Economic Research, 19(74), 111-164. (Originale persische Publikation).
6. Internationaler Währungsfonds. (2023). Jahresbericht über Wechselkursvereinbarungen und -beschränkungen (AREAER). Abgerufen von IMF eLibrary.
7. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2014). Generative adversarial nets. Advances in neural information processing systems, 27. (Zitiert als Beispiel für fortgeschrittene Modellierungstechniken, die auf die Regimeerkennung anwendbar sind).