Identificazione di Bolle Razionali nel Mercato dei Cambi Iraniano: Un Approccio Markov-Switching

1. Introduzione

Questo studio indaga la presenza e la dinamica delle bolle speculative razionali nel mercato dei cambi non ufficiale iraniano (USD/IRR). Il mercato dei cambi è una componente critica di qualsiasi economia, con un impatto diretto sulla competitività, il commercio, gli investimenti e l'inflazione. In Iran, questo mercato è caratterizzato da un'elevata volatilità, influenzata pesantemente dagli shock dei ricavi petroliferi, dalle sanzioni economiche e dal comportamento speculativo. Il problema centrale affrontato è la deviazione del tasso di cambio dal suo valore fondamentale, che può portare a crisi valutarie se non controllata dai decisori politici. Questo articolo mira a identificare questi periodi di bolla utilizzando un modello econometrico avanzato per fornire segnali di allerta precoce per un intervento di politica monetaria e valutaria più efficace.

2. Rassegna della Letteratura & Quadro Teorico

2.1. Bolle Razionali nella Valutazione degli Attivi

Il concetto di bolla razionale origina dalla letteratura sulla valutazione degli attivi, dove il prezzo di mercato di un'attività si discosta persistentemente dal suo valore fondamentale basato sul valore attuale dei flussi di cassa futuri attesi. In una bolla razionale, gli agenti sono disposti a pagare un prezzo superiore ai fondamentali perché si aspettano di venderlo a un prezzo ancora più alto in futuro (Blanchard & Watson, 1982). Questa profezia autoavverante può portare a traiettorie di prezzo esplosive.

2.2. Determinazione del Tasso di Cambio & Fallimenti del Mercato

I modelli macroeconomici tradizionali (ad es., Approccio Monetario, Bilancio del Portafoglio) spesso non riescono a spiegare la volatilità del tasso di cambio nel breve-medio termine, un enigma evidenziato da Meese e Rogoff (1983). La finanza comportamentale introduce elementi come il sentiment degli investitori, l'effetto gregge e gli attacchi speculativi come driver chiave. Il "disconnect puzzle" suggerisce che i tassi di cambio sono spesso guidati da fattori al di là dei fondamentali standard.

2.3. Il Contesto del Mercato Forex Iraniano

Il mercato dei cambi iraniano opera con un sistema multilivello con tassi ufficiali, secondari e non ufficiali (mercato nero). Il mercato non ufficiale, guidato da squilibri domanda-offerta, fuga di capitali e aspettative riguardo alle sanzioni e ai ricavi petroliferi, è altamente suscettibile alla formazione di bolle. Gli interventi della banca centrale, spesso attraverso la vendita di valuta estera derivata dal petrolio, mirano a stabilizzare il mercato ma possono essere sopraffatti dalle pressioni speculative.

3. Metodologia & Specificazione del Modello

3.1. Modello Markov-Switching con Probabilità di Transizione Variabili nel Tempo (MS-TVTP)

Lo studio utilizza un modello Markov-Switching, un modello di cambio di regime in cui l'economia può trovarsi in stati diversi (ad es., calmo, esplosivo, collasso). L'innovazione chiave è l'uso di Probabilità di Transizione Variabili nel Tempo (TVTP). A differenza dei modelli MS standard con probabilità fisse di cambio di stato, la variante TVTP consente alla probabilità di passare da un regime all'altro di dipendere da variabili economiche osservate (ad es., intensità delle sanzioni, variazioni delle riserve estere). Ciò rende il modello più realistico per catturare l'impatto dei cambiamenti di politica e degli shock esterni sul sentiment di mercato.

3.2. Specificazione del Modello & Identificazione delle Bolle

Il modello specifica tre distinti regimi per il tasso di cambio non ufficiale ($s_t$):

1. Regime Esplosivo: Caratterizzato da un rapido aumento del tasso di cambio (deprezzamento), segnale di una bolla.
2. Regime Calmo: Caratterizzato da una tendenza mite e stabile.
3. Regime di Collasso: Caratterizzato da una correzione o un declino brusco del tasso di cambio dopo lo scoppio di una bolla.

3.3. Dati & Variabili

L'analisi utilizza dati mensili da marzo 2010 a settembre 2018. La variabile primaria è il tasso di cambio di mercato non ufficiale del Dollaro USA contro il Rial iraniano. Le probabilità di transizione sono modellate come funzioni di:

• Indice delle Sanzioni: Un proxy per la pressione economica esterna, che aumenta la domanda di valute rifugio.
• Variazione delle Riserve Estere: Indica la capacità della banca centrale di intervenire e difendere la valuta.

4. Risultati Empirici & Analisi

4.1. Stima del Modello & Classificazione dei Regimi

Il modello MS-TVTP è stato stimato con successo. Il grafico delle probabilità smussate mostra chiaramente la capacità del modello di classificare la linea temporale nei tre distinti regimi. Il modello dimostra un'elevata accuratezza nell'individuare i periodi di stress di mercato.

4.2. Identificazione dei Periodi di Bolla

Il modello identifica diversi periodi di bolla esplosiva nel tasso USD/IRR non ufficiale:

• Maggio 2011 (5/90)
• Settembre-Ottobre 2011 (9/90 – 10/90)
• Luglio 2012 (7/91)
• Ottobre-Novembre 2012 (10/91 – 11/91)
• Aprile 2013 (4/92)
• Gennaio-Giugno 2018 (1/97 – 6/97)

4.3. Performance degli Indicatori di Allerta Precoce

L'indice delle sanzioni si è rivelato un driver altamente significativo delle transizioni verso il regime esplosivo. Un aumento dell'indice ha incrementato la probabilità che il mercato passi da uno stato calmo o di collasso a uno stato di bolla esplosiva. Anche le variazioni delle riserve estere sono risultate significative; un calo delle riserve (riducendo la capacità di intervento) ha aumentato la probabilità di entrare o rimanere in un regime esplosivo. I regimi di collasso tendevano a seguire i periodi esplosivi e spesso coincidevano con pesanti interventi della banca centrale o un temporaneo alleggerimento delle pressioni di mercato.

5. Discussione & Implicazioni

5.1. Intuizione Fondamentale & Flusso Logico

Intuizione Fondamentale: Il valore del Rial iraniano non è plasmato solo dai prezzi del petrolio o dall'offerta di moneta; è un campo di battaglia psicologico. Il genio del documento risiede nel formalizzare questo concetto: il tasso di cambio è una funzione di regimi di credenza. Le sanzioni non soffocano solo l'economia; attivano un interruttore psicologico nel mercato da "calmo" a "panico", innescando una bolla razionale in cui comprare dollari diventa una tattica di sopravvivenza, non una scommessa speculativa.

Flusso Logico: L'argomentazione è elegante. 1) I modelli standard falliscono (enigma di Meese-Rogoff). 2) Pertanto, incorporare aspettative e regimi. 3) Sanzioni e variazioni delle riserve sono i proxy osservabili che spostano queste aspettative. 4) Il modello MS-TVTP cattura questo, identificando finestre precise di bolla. La logica è inattaccabile: se si può modellare il meccanismo di cambio, si può prevedere la bolla.

5.2. Punti di Forza & Limiti dell'Approccio

Punti di Forza:

• Brillantezza Pragmatica: Evita l'impossibile compito di misurare i "fondamentali" in un'economia distorta come quella iraniana. Si concentra invece sul processo di deviazione, che è più osservabile.
• Output Pronto per le Politiche: Il modello non dice solo "c'è una bolla"; dice "la probabilità di entrare in una bolla il prossimo mese è X%, guidata dal livello di sanzioni Y". Questa è un'intelligenza operativa.
• Validazione Empirica: I periodi di bolla identificati corrispondono a crisi storiche, conferendo al modello una forte validità apparente.

• Indicatori di Allerta a Scatola Nera: L'"indice delle sanzioni" è una variabile costruita. La sua composizione e ponderazione sono critiche ma potenzialmente soggettive. Spazzatura dentro, spazzatura fuori.
• Realtà Ritardata: Il modello è stimato su dati storici. In una crisi in rapida evoluzione, gli indicatori (ad es., variazioni delle riserve) possono essere riportati con ritardo, riducendo l'utilità in tempo reale.
• Assunzione di Razionalità: Il quadro della bolla "razionale" potrebbe sottovalutare il panico puro e il comportamento gregario, che possono essere irrazionali e autoalimentarsi più velocemente di quanto qualsiasi modello possa catturare.

5.3. Indicazioni Operative per i Decisori Politici

Per la Banca Centrale dell'Iran e i comitati per la stabilità finanziaria, questa ricerca è un manuale tattico, non solo un esercizio accademico.

1. Monitorare i Cambi, Non Solo il Livello: Spostare l'attenzione dal livello assoluto del tasso di cambio alla probabilità di cambio di regime. Un mercato calmo con pressioni crescenti delle sanzioni è uno stato pre-esplosivo.
2. Conservare Strategicamente le Munizioni: Le riserve estere sono lo strumento primario per combattere le bolle. Il modello mostra che gli interventi sono più efficaci nella fase di "collasso". Sprecare riserve nel mezzo di una bolla esplosiva (quando il sentiment è schiacciantemente negativo) è futile. Gli interventi dovrebbero essere tempestivi per catalizzare il passaggio da esplosivo a collasso.
3. Gestire le Aspettative come Strumento di Politica Chiave: Poiché il mercato è guidato dalle credenze, comunicazione e credibilità sono fondamentali. Politiche di intervento trasparenti e basate su regole possono aiutare ad ancorare le aspettative e ridurre la probabilità di un passaggio al regime esplosivo. Politiche opache o erratiche hanno l'effetto opposto.
4. Costruire un Sistema di Allerta Precoce in Tempo Reale: Rendere operativo questo modello. Alimentarlo con dati in tempo reale sul flusso di notizie sulle sanzioni (usando NLP sulle agenzie di stampa), stime quasi in tempo reale delle riserve e indicatori di profondità di mercato. Questo crea un cruscotto per la prevenzione delle crisi.

6. Appendice Tecnica

6.1. Formulazione Matematica

Il nucleo del modello MS-TVTP può essere rappresentato come segue. Sia $s_t$ il logaritmo del tasso di cambio non ufficiale. Il processo è modellato come:

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

dove $S_t \in \{1,2,3\}$ denota il regime non osservato (1=Calmo, 2=Esplosivo, 3=Collasso). La transizione tra i regimi è governata da una matrice di probabilità $P_t$, dove ogni elemento $p_{ij,t} = Pr(S_t = j | S_{t-1} = i)$ è variabile nel tempo.

Queste probabilità variabili nel tempo sono modellate utilizzando una specificazione logit multinomiale:

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

dove $Z_{t-1}$ è un vettore di indicatori di allerta precoce (ad es., indice delle sanzioni, variazione delle riserve) al tempo $t-1$, e $\theta_{ij}, \beta_{ij}$ sono parametri da stimare. Questa configurazione consente alla probabilità di passare a un regime di bolla di dipendere direttamente dalle pressioni economiche osservabili.

6.2. Esempio di Quadro di Analisi

Scenario: Un analista della Banca Centrale dell'Iran vuole valutare il rischio di formazione di una bolla speculativa nel prossimo trimestre.

Applicazione del Quadro:

1. Input dei Dati: Raccogliere gli ultimi valori per l'Indice delle Sanzioni (ad es., derivato dall'analisi del sentiment delle notizie dei principali media occidentali e dichiarazioni governative) e la variazione mensile delle riserve di valuta estera.
2. Interrogazione del Modello: Inserire questi valori nel modello MS-TVTP stimato. Il modello utilizza lo stato di regime inferito corrente (dai dati più recenti sul tasso di cambio) e i valori di input $Z_t$.
3. Interpretazione dell'Output: Il modello restituisce le probabilità di essere in ciascuno dei tre regimi per il prossimo periodo. Ad esempio:
   • $Pr(Calmo) = 0.15$
   • $Pr(Esplosivo) = 0.80$
   • $Pr(Collasso) = 0.05$
4. Conclusione Operativa: Una probabilità dell'80% di entrare nel regime esplosivo è un segnale di allarme rosso. Il rapporto dell'analista evidenzierebbe che, data l'attuale elevata pressione delle sanzioni e il calo delle riserve, il mercato ha un'alta probabilità di entrare in una fase di bolla. Ciò attiva una raccomandazione per la banca centrale di preparare piani di emergenza, considerare una comunicazione preventiva per gestire le aspettative e rivedere la strategia di dispiegamento delle riserve.

7. Applicazioni Future & Direzioni di Ricerca

La metodologia e le intuizioni di questo studio hanno un'ampia applicabilità al di là del contesto specifico iraniano.

• Altre Economie Sottoposte a Sanzioni o Fragili: Il modello può essere adattato per paesi come Venezuela, Russia o Turchia, dove i rischi geopolitici e la volatilità dei flussi di capitale creano dinamiche simili. La chiave è identificare i corretti indicatori di allerta precoce locali (ad es., indice di stabilità politica, volatilità dei prezzi delle materie prime).
• Mercati delle Criptovalute: I mercati crypto sono notoriamente inclini a bolle guidate dal sentiment e dalle notizie normative. Un modello MS-TVTP che utilizza il sentiment dei social media, indici di annunci normativi e metriche on-chain potrebbe essere potente per identificare regimi di bolla in Bitcoin o Ethereum.
• Integrazione con il Machine Learning: Il lavoro futuro potrebbe sostituire la specificazione logit per le probabilità di transizione con un classificatore di machine learning (ad es., Random Forest, Neural Network) per catturare relazioni più complesse e non lineari tra indicatori e cambi di regime.
• Sviluppo di un Cruscotto in Tempo Reale: Il passo logico successivo è costruire un cruscotto software che acquisisca feed di dati in tempo reale, esegua il modello continuamente e avvisi visivamente i decisori politici dell'aumento delle probabilità di bolla, simile a una "mappa meteorologica della stabilità finanziaria".
• Simulazione delle Politiche: Il modello potrebbe essere utilizzato per simulare l'impatto di diverse azioni politiche (ad es., una grande iniezione di riserve, un cambiamento dei tassi di interesse) sulle probabilità di transizione, aiutando a valutare la potenziale efficacia degli strumenti politici prima del loro dispiegamento.

8. Riferimenti Bibliografici

1. Blanchard, O. J., & Watson, M. W. (1982). Bolle, aspettative razionali e mercati finanziari. In P. Wachtel (Ed.), Crisi nella Struttura Economica e Finanziaria. Lexington Books.
2. Meese, R. A., & Rogoff, K. (1983). Modelli empirici del tasso di cambio degli anni settanta: funzionano fuori campione? Journal of International Economics, 14(1-2), 3-24.
3. Hamilton, J. D. (1989). Un nuovo approccio all'analisi economica delle serie temporali non stazionarie e del ciclo economico. Econometrica, 57(2), 357-384.
4. Filardo, A. J. (1994). Fasi del ciclo economico e loro dinamica transitoria. Journal of Business & Economic Statistics, 12(3), 299-308.
5. Taiebnia, A., Mehraara, M., & Akhtari, A. (2019). [Bolle Razionali e Attacchi Speculativi nel Mercato del Tasso di Cambio Non Ufficiale Iraniano con Modello Markov-Switching con Probabilità di Transizione Variabili nel Tempo]. Scientific-Research Quarterly Journal of Economic Research, 19(74), 111-164. (Pubblicazione originale in Farsi).
6. Fondo Monetario Internazionale. (2023). Rapporto Annuale sugli Accordi e le Restrizioni di Cambio (AREAER). Estratto da 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. (Citato come esempio di tecniche di modellazione avanzate applicabili al rilevamento dei regimi).