Gelembung Rasional dan Krisis Forex: Analisis Pertukaran Markov bagi Kadar Pertukaran Tidak Rasmi Iran

1. Pengenalan & Gambaran Keseluruhan

Penyelidikan ini menyiasat kewujudan dan dinamik gelembung spekulatif rasional dalam pasaran pertukaran asing tidak rasmi Iran (USD/IRR) dari 2010 hingga 2018. Masalah teras yang ditangani ialah penyimpangan berterusan kadar pertukaran daripada nilai asasnya, didorong oleh serangan spekulatif dan tingkah laku kumpulan, yang boleh mencetuskan krisis mata wang sepenuhnya jika tidak dikawal oleh pembuat dasar. Objektif utama kajian ini adalah untuk membangunkan sistem amaran awal yang kukuh yang mampu mengenal pasti rejim gelembung secara masa nyata, seterusnya membolehkan campur tangan bank pusat yang lebih berkesan.

Penulis berhujah bahawa model kadar pertukaran tradisional (contohnya, Meese & Rogoff, 1983) gagal menjelaskan turun naik jangka pendek, yang memerlukan model yang menggabungkan psikologi pasaran dan peralihan rejim. Mereka menggunakan model autoregresif pertukaran Markov lanjutan dengan tiga keadaan berbeza (Letupan, Tenang, Runtuh) dan kebarangkalian peralihan berubah masa (TVTP) yang bergantung pada penunjuk asas seperti rizab asing dan intensiti sekatan. Pendekatan ini membolehkan model bukan sahaja mengenal pasti gelembung tetapi juga meramalkan kemungkinan peralihan ke keadaan krisis.

2. Kerangka Teori & Sorotan Literatur

2.1 Gelembung Rasional dalam Penentuan Harga Aset

Konsep gelembung rasional menyatakan bahawa harga aset boleh menyimpang secara sistematik daripada nilai asasnya jika peniaga menjangkakan untuk menjual aset terlebih nilai itu kepada "orang bodoh yang lebih besar" pada masa hadapan. Dalam konteks forex, ini menjelma sebagai ramalan yang memenuhi diri sendiri di mana jangkaan susut nilai meningkatkan permintaan spekulatif, seterusnya mendorong kadar naik lebih tinggi. Gelembung ini berterusan selagi kadar pertumbuhan jangkaan komponen gelembung sepadan dengan kadar diskaun.

2.2 Teka-teki Ketidaksambungan & Kewangan Tingkah Laku

"Teka-teki ketidaksambungan kadar pertukaran" yang banyak didokumenkan merujuk kepada hubungan jangka pendek yang lemah antara kadar pertukaran dan asas makroekonomi. Kajian ini selari dengan literatur kewangan tingkah laku, mencadangkan bahawa emosi seperti ketakutan dan ketamakan, diperkuat oleh tingkah laku kumpulan, boleh mendominasi pergerakan pasaran dalam jangka pendek, mewujudkan penyimpangan yang tidak dapat dijelaskan oleh model asas.

2.3 Model Pertukaran Markov dalam Ekonomi

Diperkenalkan oleh Hamilton (1989), model pertukaran Markov membolehkan parameter proses siri masa berubah mengikut pemboleh ubah keadaan tidak cerap yang mengikuti rantai Markov. Ini amat sesuai untuk pasaran kewangan yang tertakluk kepada peralihan mendadak antara tempoh tenang dan bergelora. Lanjutan kepada Kebarangkalian Peralihan Berubah Masa (TVTP), seperti yang digunakan di sini, membolehkan kebarangkalian bertukar keadaan bergantung pada keadaan ekonomi yang dicerap, menambah lapisan kuasa ramalan.

3. Metodologi & Spesifikasi Model

3.1 Data & Pemboleh Ubah

Analisis menggunakan data bulanan untuk kadar USD/IRR tidak rasmi (pasaran gelap). Mekanisme TVTP menggabungkan dua penunjuk amaran awal utama: 1) Indeks Intensiti Sekatan: Proksi untuk kejutan luaran yang mewujudkan permintaan tertahan untuk forex. 2) Perubahan dalam Rizab Pertukaran Asing: Menandakan keupayaan bank pusat untuk mempertahankan mata wang.

3.2 Model Pertukaran Markov Tiga Rejim

Siri pulangan kadar pertukaran tidak rasmi ($r_t$) dimodelkan sebagai:

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

di mana $S_t \in \{1,2,3\}$ menandakan keadaan pendam pada masa $t$, sepadan dengan rejim Tenang ($\mu$ rendah, $\sigma$ rendah), Letupan ($\mu$ tinggi, $\sigma$ tinggi), dan Runtuh ($\mu$ negatif, $\sigma$ tinggi).

3.3 Kebarangkalian Peralihan Berubah Masa

Inovasi terletak pada menjadikan matriks kebarangkalian peralihan $P_t$ bergantung masa. Kebarangkalian bergerak dari keadaan $i$ ke keadaan $j$ dimodelkan sebagai fungsi logistik penunjuk amaran ($z_t$):

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

Ini membolehkan asas mempengaruhi secara langsung risiko memasuki keadaan gelembung atau krisis.

4. Keputusan Empirikal & Analisis

4.1 Pengenalpastian Rejim & Tempoh Gelembung

Model ini berjaya mengenal pasti beberapa tempoh gelembung letupan dalam pasaran forex tidak rasmi Iran, yang selaras rapat dengan tempoh tekanan ekonomi dan eskalasi sekatan yang diketahui:

• Rejim Letupan: Bertarikh tepat pada tempoh seperti 2011/07, 2012/04, 2012/10-11, dan terutamanya 2017/01-06. Episod 2017 sepadan dengan ketegangan geopolitik baharu dan jangkaan sekatan.
• Rejim Runtuh: Cenderung mengikuti tempoh letupan, menunjukkan fasa kemerosotan selepas gelembung memuncak.
• Rejim Tenang: Bertepatan dengan tempoh apresiasi ringan yang mengikut trend dan kestabilan pasaran relatif.

Penerangan Carta: Plot kebarangkalian terlicin akan menunjukkan kebarangkalian berada dalam Keadaan Letupan (paksi-y) sepanjang masa (paksi-x). Puncak yang mencapai hampir 1.0 akan menandakan dengan jelas episod gelembung yang disenaraikan di atas, secara visual menunjukkan kuasa pengelasan rejim model.

4.2 Prestasi Penunjuk Amaran Awal

Indeks sekatan terbukti sebagai pemacu penting peralihan ke keadaan letupan ($\beta_{ij}$ positif dan signifikan). Rizab asing yang berkurangan meningkatkan kebarangkalian peralihan dari keadaan letupan ke keadaan runtuh, menandakan kehilangan keupayaan pertahanan.

4.3 Analisis Campur Tangan Bank Pusat

Model mencadangkan bahawa campur tangan bank pusat yang bertujuan mengurangkan tekanan pasaran sering kali tidak mencukupi untuk mencegah atau memecahkan gelembung sebaik sahaja rejim letupan mengambil alih, menonjolkan kuasa jangkaan yang memenuhi diri sendiri.

5. Butiran Teknikal & Kerangka Matematik

Anggaran teras dilakukan melalui Anggaran Kemungkinan Maksimum (MLE) menggunakan algoritma jangkaan-pemaksimuman (EM) atau kaedah Bayesian MCMC, yang merupakan piawai untuk model pemboleh ubah pendam. Fungsi kemungkinan mengintegrasikan semua laluan keadaan yang mungkin:

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

di mana $\Theta$ merangkumi semua parameter ($\mu_{S_t}, \phi, \sigma_{S_t}, \alpha_{ij}, \beta_{ij}$). Pemilihan model kemungkinan menggunakan kriteria seperti Kriteria Maklumat Bayesian (BIC) untuk mewajarkan spesifikasi TVTP tiga keadaan berbanding alternatif yang lebih mudah.

6. Kerangka Analisis: Kajian Kes Praktikal

Skenario: Seorang penganalisis di Bank Pusat Iran pada awal 2017.

Input: Model pertukaran Markov TVTP yang dianggarkan daripada data sejarah (2010-2016). Data masa nyata: Peningkatan bulanan mendadak dalam indeks sekatan akibat ancaman perundangan baharu, digabungkan dengan pengurangan rizab asing yang stabil.

Aplikasi Kerangka:

1. Penapisan Keadaan: Menggunakan persamaan penapisan model, kira kebarangkalian pasaran kini berada dalam keadaan Tenang ($Pr(S_t = 1 | r_{1:t}, z_{1:t})$). Andaikan kebarangkalian ini jatuh dari 0.8 ke 0.4.
2. Pengiraan Risiko Peralihan: Masukkan indeks sekatan tinggi semasa ($z_t$) ke dalam fungsi logistik TVTP. Model mengeluarkan kebarangkalian tinggi $p_{13,t}$ (contohnya, 0.3) untuk bergerak langsung dari Tenang ke Letupan, berbanding garis dasar 0.05.
3. Simulasi Dasar: Penganalisis kini boleh mensimulasikan: "Jika kita suntik $X bilion dalam rizab, bagaimana ia mempengaruhi $p_{13,t}$ dan $p_{23,t}$ (Letupan ke Runtuh)?" Model memberikan jawapan kuantitatif dan kebarangkalian.
4. Output: Amaran papan pemuka: "RISIKO TINGGI memasuki rejim gelembung spekulatif dalam 1-2 bulan. Tindakan disyorkan: Isyarat komitmen kuat untuk pertahanan mata wang dan sediakan mekanisme suntikan kecairan."

7. Aplikasi Masa Depan & Hala Tuju Penyelidikan

• Pasaran Mata Wang Kripto: Mengaplikasikan kerangka pertukaran Markov TVTP untuk mengenal pasti gelembung dalam Bitcoin atau aset kripto lain, menggunakan metrik on-chain (contohnya, kadar hash rangkaian, alamat aktif) sebagai pemacu peralihan.
• Integrasi dengan AI/ML: Menggunakan tempoh gelembung yang dikenal pasti model sebagai data berlabel untuk melatih model pembelajaran mesin berpenyeliaan (contohnya, Random Forests, LSTM) pada set penunjuk frekuensi tinggi yang lebih luas (sentimen berita, aliran pesanan) untuk pengesanan lebih awal.
• Perumusan Peraturan Dasar: Menanamkan model dalam kerangka kawalan optimum stokastik untuk memperoleh peraturan campur tangan bank pusat optimum formal yang meminimumkan fungsi kerugian yang ditakrifkan ke atas inflasi, rizab dan turun naik kadar pertukaran.
• Analisis Rentas Negara: Mengaplikasikan metodologi yang sama kepada panel pasaran baru muncul dengan kadar pertukaran terurus (contohnya, Turki, Argentina) untuk mengenal pasti pendahulu biasa kepada tekanan forex dan menguji kebolehgeneralisasian penunjuk seperti intensiti sekatan.

8. Intipati Analisis Teras: Dekonstruksi Empat Langkah

Intipati Teras: Kertas ini menyampaikan kebenaran penting, namun sering diabaikan: dalam rejim forex terurus di bawah kepungan luaran (seperti Iran), kadar pertukaran kurang berkaitan dengan pariti kuasa beli dan lebih berkaitan dengan psikologi kelangsungan rejim. Penulis dengan cemerlang membingkai semula "gelembung" bukan sebagai ralat penetapan harga, tetapi sebagai keadaan panik pasaran kolektif yang boleh diukur, dicetuskan oleh asas politik (sekatan) dan dikekalkan oleh jangkaan rasional susut nilai selanjutnya. Sumbangan utama mereka adalah mengoperasionalkan pandangan ini ke dalam model pertukaran Markov TVTP yang mengukur kebarangkalian panik.

Aliran Logik: Hujahnya elegan dan ketat: (1) Model piawai gagal untuk Iran → (2) Oleh itu, gabungkan gelembung dan rejim → (3) Tetapi model rejim statik bersifat melihat ke belakang → (4) Penyelesaian: Biarkan kebarangkalian bertukar rejim bergantung pada asas berkaitan dasar masa nyata (sekatan, rizab). Ini mewujudkan gelung maklum balas di mana asas yang merosot bukan sahaja mempengaruhi tahap harga, tetapi meningkatkan secara eksponen risiko kerosakan pasaran tak linear. Ia adalah sistem amaran yang lebih unggul kerana ia memodelkan "suasana" pendam pasaran, bukan hanya pergerakan lampaunya.

Kekuatan & Kelemahan:
Kekuatan: Kecanggihan metodologi adalah tahap tertinggi. Penggunaan TVTP adalah peningkatan ketara berbanding model pertukaran Markov asas dan amat sesuai untuk ramalan krisis. Pemilihan sekatan sebagai pemacu adalah cemerlang secara kontekstual dan disahkan secara empirikal. Penyelarasan tempoh letupan yang dikenal pasti dengan krisis dunia sebenar (contohnya, 2017) memberikan kesahan muka yang kuat.
Kelemahan: Kejayaan model juga adalah batasannya—ia dikalibrasi dengan teliti kepada patologi spesifik ekonomi kadar pertukaran dwi, bergantung minyak, disekat Iran. Kebolehgeneralisasian ke konteks lain diragukan tanpa kejuruteraan semula penunjuk utama. Tambahan pula, model ini akhirnya adalah alat deskriptif dan ramalan yang canggih; ia berhenti sebelum menetapkan skala dan masa optimum campur tangan. Seperti semua model pertukaran rejim, terdapat risiko terlalu sesuaikan kepada rejim sejarah yang mungkin tidak berulang.