Bolle Razionali e Crisi Forex: Un'Analisi Markov-Switching del Tasso di Cambio Informale Iraniano

1. Introduzione & Panoramica

Questa ricerca indaga la presenza e la dinamica delle bolle speculative razionali nel mercato valutario informale iraniano (USD/IRR) dal 2010 al 2018. Il problema centrale affrontato è la persistente deviazione del tasso di cambio dal suo valore fondamentale, guidata da attacchi speculativi e comportamenti gregari, che può precipitare in vere e proprie crisi valutarie se non controllata dai decisori politici. L'obiettivo principale dello studio è sviluppare un robusto sistema di allerta precoce in grado di identificare in tempo reale i regimi di bolla, consentendo così interventi più efficaci della banca centrale.

Gli autori sostengono che i modelli tradizionali del tasso di cambio (ad es., Meese & Rogoff, 1983) non riescono a spiegare la volatilità di breve termine, rendendo necessari modelli che incorporino la psicologia del mercato e i cambiamenti di regime. Utilizzano un avanzato modello autoregressivo Markov-switching con tre stati distinti (Esplosivo, Tranquillo, Di Collasso) e probabilità di transizione variabili nel tempo (TVTP) che dipendono da indicatori fondamentali come le riserve estere e l'intensità delle sanzioni. Questo approccio consente al modello non solo di identificare le bolle, ma anche di prevedere la probabilità di transizione verso uno stato di crisi.

2. Quadro Teorico & Rassegna della Letteratura

2.1 Bolle Razionali nella Valutazione degli Attivi

Il concetto di bolla razionale postula che i prezzi degli attivi possano deviare sistematicamente dal loro valore fondamentale se i trader si aspettano di vendere l'attivo sopravvalutato a un "fool maggiore" in futuro. Nel contesto del forex, questo si manifesta come una profezia autoavverante in cui le aspettative di deprezzamento alimentano la domanda speculativa, spingendo ulteriormente al rialzo il tasso. La bolla persiste finché il tasso di crescita atteso della componente bolla eguaglia il tasso di sconto.

2.2 Il Paradosso del Disallineamento e la Finanza Comportamentale

Il ben documentato "paradosso del disallineamento del tasso di cambio" si riferisce alla debole relazione di breve termine tra i tassi di cambio e i fondamentali macroeconomici. Questo studio si allinea con la letteratura della finanza comportamentale, suggerendo che emozioni come paura e avidità, amplificate dal comportamento gregario, possano dominare i movimenti del mercato nel breve periodo, creando deviazioni che i modelli fondamentali non possono spiegare.

2.3 Modelli Markov-Switching in Economia

Pionieristici per opera di Hamilton (1989), i modelli Markov-switching consentono ai parametri di un processo di serie temporali di cambiare in base a una variabile di stato non osservata che segue una catena di Markov. Ciò è particolarmente adatto per i mercati finanziari soggetti a bruschi passaggi tra periodi calmi e turbolenti. L'estensione alle Probabilità di Transizione Variabili nel Tempo (TVTP), come utilizzata qui, consente alla probabilità di cambiare stato di dipendere dalle condizioni economiche osservate, aggiungendo un livello di potere predittivo.

3. Metodologia & Specificazione del Modello

3.1 Dati & Variabili

L'analisi utilizza dati mensili per il tasso informale (mercato nero) USD/IRR. Il meccanismo TVTP incorpora due indicatori chiave di allerta precoce: 1) Indice di Intensità delle Sanzioni: Un proxy per lo shock esterno che crea una domanda repressa di valuta estera. 2) Variazioni delle Riserve di Valuta Estera: Segnalano la capacità della banca centrale di difendere la valuta.

3.2 Il Modello Markov-Switching a Tre Regimi

La serie dei rendimenti del tasso di cambio informale ($r_t$) è modellata come:

$r_t = \mu_{S_t} + \phi r_{t-1} + \epsilon_t, \quad \epsilon_t \sim N(0, \sigma_{S_t}^2)$

dove $S_t \in \{1,2,3\}$ denota lo stato latente al tempo $t$, corrispondente ai regimi Tranquillo ($\mu$ basso, $\sigma$ basso), Esplosivo ($\mu$ alto, $\sigma$ alto) e Di Collasso ($\mu$ negativo, $\sigma$ alto).

3.3 Probabilità di Transizione Variabili nel Tempo

L'innovazione risiede nel rendere la matrice delle probabilità di transizione $P_t$ dipendente dal tempo. La probabilità di passare dallo stato $i$ allo stato $j$ è modellata come una funzione logistica degli indicatori di allerta ($z_t$):

$p_{ij,t} = \frac{\exp(\alpha_{ij} + \beta_{ij} z_t)}{1 + \sum_{k\neq i} \exp(\alpha_{ik} + \beta_{ik} z_t)}$

Ciò consente ai fondamentali di influenzare direttamente il rischio di entrare in uno stato di bolla o crisi.

4. Risultati Empirici & Analisi

4.1 Identificazione dei Regimi e Periodi di Bolla

Il modello identifica con successo diversi periodi di bolla esplosiva nel mercato valutario informale iraniano, che coincidono strettamente con noti periodi di stress economico e escalation delle sanzioni:

• Regimi Esplosivi: Datati precisamente a periodi come 2011/07, 2012/04, 2012/10-11, e in particolare 2017/01-06. L'episodio del 2017 corrisponde a rinnovate tensioni geopolitiche e all'attesa di sanzioni.
• Regimi di Collasso: Tendono a seguire i periodi esplosivi, indicando una fase di scoppio dopo il picco della bolla.
• Regimi Tranquilli: Coincidono con periodi di lieve apprezzamento in linea con il trend e relativa stabilità del mercato.

Descrizione Grafico: Un grafico delle probabilità smussate mostrerebbe la probabilità di essere nello Stato Esplosivo (asse y) nel tempo (asse x). Picchi che raggiungono quasi 1.0 segnerebbero chiaramente gli episodi di bolla sopra elencati, dimostrando visivamente il potere di classificazione dei regimi del modello.

4.2 Performance degli Indicatori di Allerta Precoce

L'indice delle sanzioni si è rivelato un driver significativo delle transizioni verso lo stato esplosivo ($\beta_{ij}$ positivo e significativo). La diminuzione delle riserve estere ha aumentato la probabilità di transizione da uno stato esplosivo a uno di collasso, segnalando una perdita di capacità difensiva.

4.3 Analisi degli Interventi della Banca Centrale

Il modello suggerisce che gli interventi della banca centrale mirati a ridurre la pressione del mercato erano spesso insufficienti per prevenire o far scoppiare le bolle una volta che il regime esplosivo si era consolidato, evidenziando il potere delle aspettative autoavveranti.

5. Dettagli Tecnici & Quadro Matematico

La stima principale viene eseguita tramite Massima Verosimiglianza (MLE) utilizzando un algoritmo expectation-maximization (EM) o metodi Bayesiani MCMC, standard per i modelli a variabili latenti. La funzione di verosimiglianza integra su tutti i possibili percorsi di stato:

$L(\Theta | r) = \sum_{S_1}...\sum_{S_T} \prod_{t=1}^{T} f(r_t | S_t, \Theta) \cdot Pr(S_t | S_{t-1}, z_t, \Theta)$

dove $\Theta$ comprende tutti i parametri ($\mu_{S_t}, \phi, \sigma_{S_t}, \alpha_{ij}, \beta_{ij}$). La selezione del modello ha probabilmente utilizzato criteri come il Criterio di Informazione Bayesiano (BIC) per giustificare la specificazione TVTP a tre stati rispetto ad alternative più semplici.

6. Quadro Analitico: Un Caso Pratico di Studio

Scenario: Un analista della Banca Centrale dell'Iran all'inizio del 2017.

Input: Il modello Markov-switching TVTP stimato dai dati storici (2010-2016). Dati in tempo reale: un forte aumento mensile dell'indice delle sanzioni a causa di nuove minacce legislative, unito a un costante drenaggio delle riserve estere.

Applicazione del Quadro:

1. Filtraggio dello Stato: Utilizzando le equazioni di filtraggio del modello, calcolare la probabilità che il mercato si trovi attualmente nello stato Tranquillo ($Pr(S_t = 1 | r_{1:t}, z_{1:t})$). Si supponga che questa probabilità scenda da 0,8 a 0,4.
2. Calcolo del Rischio di Transizione: Inserire l'attuale alto indice delle sanzioni ($z_t$) nella funzione logistica TVTP. Il modello restituisce un'alta probabilità $p_{13,t}$ (ad es., 0,3) di passare direttamente da Tranquillo a Esplosivo, rispetto a un valore base di 0,05.
3. Simulazione Politica: L'analista può ora simulare: "Se iniettiamo X miliardi di dollari in riserve, come influisce su $p_{13,t}$ e $p_{23,t}$ (da Esplosivo a Collasso)?" Il modello fornisce risposte quantitative e probabilistiche.
4. Output: Un cruscotto di allerta: "ALTO RISCHIO di entrare in un regime di bolla speculativa entro 1-2 mesi. Azione raccomandata: Segnalare un forte impegno nella difesa della valuta e preparare un meccanismo di iniezione di liquidità."

7. Applicazioni Future & Direzioni di Ricerca

• Mercati delle Criptovalute: Applicare il framework Markov-switching TVTP per identificare bolle in Bitcoin o altre cripto-attività, utilizzando metriche on-chain (ad es., hash rate della rete, indirizzi attivi) come driver di transizione.
• Integrazione con AI/ML: Utilizzare i periodi di bolla identificati dal modello come dati etichettati per addestrare modelli di machine learning supervisionato (ad es., Random Forests, LSTMs) su un insieme più ampio di indicatori ad alta frequenza (sentiment delle notizie, flusso degli ordini) per una rilevazione ancora più precoce.
• Formulazione di Regole Politiche: Incorporare il modello all'interno di un framework di controllo ottimo stocastico per derivare regole formali e ottimali di intervento della banca centrale che minimizzino una funzione di perdita definita su inflazione, riserve e volatilità del tasso di cambio.
• Analisi Transnazionale: Applicare la stessa metodologia a un panel di mercati emergenti con tassi di cambio gestiti (ad es., Turchia, Argentina) per identificare precursori comuni dello stress valutario e testare la generalizzabilità di indicatori come l'intensità delle sanzioni.

8. Insight Principale dell'Analista: Una Scomposizione in Quattro Fasi

Insight Principale: Questo articolo fornisce una verità cruciale, ma spesso ignorata: nei regimi valutari gestiti sotto assedio esterno (come quello iraniano), i tassi di cambio riguardano meno la parità del potere d'acquisto e più la psicologia della sopravvivenza del regime. Gli autori riformulano brillantemente la "bolla" non come un errore di prezzo, ma come uno stato misurabile di panico collettivo del mercato, innescato da fondamentali politici (sanzioni) e sostenuto dall'aspettativa razionale di un ulteriore deprezzamento. Il loro contributo chiave è operazionalizzare questa intuizione in un modello Markov-switching TVTP che quantifica la probabilità del panico.

Flusso Logico: L'argomentazione è elegante e stringente: (1) I modelli standard falliscono per l'Iran → (2) Pertanto, incorporare bolle e regimi → (3) Ma i modelli di regime statici sono retrospettivi → (4) Soluzione: Far dipendere la probabilità di cambiare regime da fondamentali in tempo reale e rilevanti per le politiche (sanzioni, riserve). Ciò crea un ciclo di feedback in cui il deterioramento dei fondamentali non influisce solo sul livello dei prezzi, ma aumenta esponenzialmente il rischio di un crollo non lineare del mercato. È un sistema di allerta superiore perché modella l'"umore" latente del mercato, non solo i suoi movimenti passati.

Punti di Forza & Debolezze:
Punti di Forza: La sofisticazione metodologica è di prim'ordine. L'uso del TVTP è un significativo miglioramento rispetto ai modelli Markov-switching di base ed è perfettamente adatto alla previsione delle crisi. La scelta delle sanzioni come driver è contestualmente brillante e convalidata empiricamente. La corrispondenza dei periodi esplosivi identificati con crisi del mondo reale (ad es., 2017) fornisce una forte validità apparente.
Debolezze: Il successo del modello è anche il suo limite—è squisitamente calibrato sulla specifica patologia dell'economia iraniana, sanzionata, dipendente dal petrolio e con doppio tasso di cambio. La generalizzabilità ad altri contesti è discutibile senza una sostanziale riprogettazione degli indicatori. Inoltre, il modello è in definitiva uno strumento descrittivo e predittivo sofisticato; si ferma prima di prescrivere la scala e il tempismo ottimali dell'intervento. Come per tutti i modelli di cambio di regime, c'è il rischio di overfitting su regimi storici che potrebbero non ripetersi.

Insight Azionabili:

1. Per i Decisori Politici (CBI): Questo modello dovrebbe essere eseguito in tempo reale. L'output del cruscotto (probabilità dei regimi esplosivo/di collasso) deve essere un input primario nelle decisioni del comitato di politica monetaria. Sostiene un intervento preventivo, basato su segnali quando i rischi di transizione aumentano, piuttosto che un intervento reattivo dopo che la bolla si è accesa.
2. Per Investitori & Gestori del Rischio: Trattare il regime "tranquillo" non come una linea di base sicura, ma come uno stato fragile con una probabilità di fuga variabile nel tempo. Coprirsi o ridurre l'esposizione non quando il tasso spot si muove, ma quando il rischio di transizione del modello aumenta, anche se il tasso spot è calmo.
3. Per i Ricercatori: Il modello qui presentato—TVTP Markov-switching con driver di economia politica—è esportabile. Applicarlo a paesi che affrontano rischi simili di "arresto improvviso" o geopolitici. Il passo successivo è integrarlo con dati di microstruttura del mercato per vedere se i pattern del flusso degli ordini innescano i cambi di regime prima dei fondamentali.

9. Riferimenti Bibliografici

1. Hamilton, J. D. (1989). A new approach to the economic analysis of nonstationary time series and the business cycle. Econometrica, 57(2), 357-384.
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. Filardo, A. J. (1994). Business-cycle phases and their transitional dynamics. Journal of Business & Economic Statistics, 12(3), 299-308. (Lavoro seminale sui modelli TVTP).
4. Blanchard, O. J. (1979). Speculative bubbles, crashes and rational expectations. Economics Letters, 3(4), 387-389.
5. International Monetary Fund. (2019). Annual Report on Exchange Arrangements and Exchange Restrictions (AREAER). Washington, DC: IMF. (Per il contesto sul sistema dei tassi di cambio iraniano).
6. Gourinchas, P. O., & Obstfeld, M. (2012). Stories of the twentieth century for the twenty-first. American Economic Journal: Macroeconomics, 4(1), 226-65. (Sui precursori delle crisi).