Выявление рациональных пузырей на валютном рынке Ирана: подход на основе марковских переключений

1. Введение

В данном исследовании изучается наличие и динамика рациональных спекулятивных пузырей на неофициальном валютном рынке Ирана (USD/IRR). Валютный рынок является критически важным компонентом любой экономики, напрямую влияя на конкурентоспособность, торговлю, инвестиции и инфляцию. В Иране этот рынок характеризуется высокой волатильностью, на которую сильно влияют шоки нефтяных доходов, экономические санкции и спекулятивное поведение. Основная рассматриваемая проблема — это отклонение обменного курса от его фундаментальной стоимости, что при отсутствии контроля со стороны политиков может привести к валютным кризисам. Цель данной работы — выявить эти периоды пузырей с использованием продвинутой эконометрической модели, чтобы обеспечить сигналы раннего предупреждения для более эффективного вмешательства в денежно-кредитную и валютную политику.

2. Обзор литературы и теоретическая основа

2.1. Рациональные пузыри в ценообразовании активов

Концепция рациональных пузырей берет начало из литературы по ценообразованию активов, где рыночная цена актива устойчиво отклоняется от его фундаментальной стоимости, основанной на приведенной стоимости ожидаемых будущих денежных потоков. В рациональном пузыре агенты готовы платить цену выше фундаментальной, потому что ожидают продать его по еще более высокой цене в будущем (Blanchard & Watson, 1982). Это самоисполняющееся пророчество может привести к взрывным траекториям цен.

2.2. Определение обменного курса и рыночные сбои

Традиционные макроэкономические модели (например, монетарный подход, модель портфельного баланса) часто не могут объяснить краткосрочную и среднесрочную волатильность обменных курсов — загадку, подчеркнутую Мизом и Рогоффом (1983). Поведенческие финансы вводят такие элементы, как настроения инвесторов, стадное поведение и спекулятивные атаки, в качестве ключевых драйверов. «Загадка разрыва» (disconnect puzzle) предполагает, что обменные курсы часто определяются факторами, выходящими за рамки стандартных фундаментальных показателей.

2.3. Контекст валютного рынка Ирана

Валютный рынок Ирана функционирует по многоуровневой системе с официальным, вторичным и неофициальным (черным рынком) курсами. Неофициальный рынок, движимый дисбалансом спроса и предложения, оттоком капитала и ожиданиями относительно санкций и нефтяных доходов, в высшей степени подвержен образованию пузырей. Интервенции центрального банка, часто через продажу валюты, полученной от нефти, направлены на стабилизацию рынка, но могут быть подавлены спекулятивным давлением.

3. Методология и спецификация модели

3.1. Модель марковских переключений с переменными во времени вероятностями перехода (MS-TVTP)

В исследовании используется модель марковских переключений — модель переключения режимов, в которой экономика может находиться в разных состояниях (например, спокойное, взрывное, коллапсирующее). Ключевое нововведение — использование переменных во времени вероятностей перехода (TVTP). В отличие от стандартных MS-моделей с фиксированными вероятностями смены состояний, вариант TVTP позволяет вероятности перехода из одного режима в другой зависеть от наблюдаемых экономических переменных (например, интенсивность санкций, изменения валютных резервов). Это делает модель более реалистичной для учета влияния изменений политики и внешних шоков на рыночные настроения.

3.2. Спецификация модели и идентификация пузырей

Модель определяет три различных режима для неофициального обменного курса ($s_t$):

1. Взрывной режим: Характеризуется быстрым ростом обменного курса (обесцениванием), сигнализирующим о пузыре.
2. Спокойный режим: Характеризуется умеренным, стабильным трендом.
3. Коллапсирующий режим: Характеризуется резкой коррекцией или снижением обменного курса после лопнувшего пузыря.

3.3. Данные и переменные

Анализ использует ежемесячные данные с марта 2010 года по сентябрь 2018 года. Основной переменной является неофициальный рыночный обменный курс доллара США к иранскому риалу. Вероятности перехода моделируются как функции:

• Индекс санкций: Прокси-переменная для внешнего экономического давления, которое увеличивает спрос на валюты-убежища.
• Изменение валютных резервов: Указывает на способность центрального банка вмешиваться и защищать валюту.

4. Эмпирические результаты и анализ

4.1. Оценка модели и классификация режимов

Модель MS-TVTP была успешно оценена. График сглаженных вероятностей четко показывает способность модели классифицировать временную шкалу на три различных режима. Модель демонстрирует высокую точность в определении периодов рыночного стресса.

4.2. Идентификация периодов пузырей

Модель идентифицирует несколько периодов взрывных пузырей на неофициальном рынке USD/IRR:

• Май 2011 (5/90)
• Сентябрь-октябрь 2011 (9/90 – 10/90)
• Июль 2012 (7/91)
• Октябрь-ноябрь 2012 (10/91 – 11/91)
• Апрель 2013 (4/92)
• Январь-июнь 2018 (1/97 – 6/97)

4.3. Эффективность индикаторов раннего предупреждения

Индекс санкций оказался высокозначимым драйвером переходов во взрывной режим. Рост индекса увеличивал вероятность перехода рынка из спокойного или коллапсирующего состояния во взрывное пузыревое состояние. Изменения валютных резервов также были значимыми; снижение резервов (уменьшение вмешательского потенциала) увеличивало вероятность входа или пребывания во взрывном режиме. Коллапсирующие режимы, как правило, следовали за взрывными периодами и часто совпадали с масштабными интервенциями центрального банка или временным ослаблением рыночного давления.

5. Обсуждение и выводы

5.1. Ключевая идея и логика исследования

Ключевая идея: Стоимость иранского риала определяется не только ценами на нефть или денежной массой; это поле психологической битвы. Гениальность работы заключается в формализации этого: обменный курс является функцией режимов убеждений. Санкции не просто душат экономику; они переключают психологический переключатель на рынке с «спокойствия» на «панику», инициируя рациональный пузырь, где покупка долларов становится тактикой выживания, а не спекулятивной азартной игрой.

Логика исследования: Аргументация элегантна. 1) Стандартные модели не работают (загадка Миз-Рогофф). 2) Следовательно, необходимо включить ожидания и режимы. 3) Санкции и изменения резервов — это наблюдаемые прокси, которые сдвигают эти ожидания. 4) Модель MS-TVTP улавливает это, идентифицируя точные временные окна пузырей. Логика безупречна: если можно смоделировать механизм переключения, можно предсказать пузырь.

5.2. Сильные стороны и недостатки подхода

Сильные стороны:

• Прагматичная гениальность: Подход обходит невозможную задачу измерения «фундаментальных показателей» в искаженной экономике, такой как иранская. Вместо этого он фокусируется на процессе отклонения, который более наблюдаем.
• Результаты, готовые для политики: Модель не просто говорит «есть пузырь»; она говорит: «вероятность входа в пузырь в следующем месяце составляет X%, обусловленная уровнем санкций Y». Это информация для принятия решений.
• Эмпирическая валидация: Выявленные периоды пузырей совпадают с историческими кризисами, что придает модели высокую очевидную валидность.

• «Черный ящик» индикаторов предупреждения: «Индекс санкций» — это сконструированная переменная. Его состав и взвешивание критически важны, но потенциально субъективны. Мусор на входе — мусор на выходе.
• Запаздывание от реальности: Модель оценивается на исторических данных. В быстро развивающемся кризисе индикаторы (например, изменения резервов) могут публиковаться с задержкой, снижая полезность в реальном времени.
• Предположение о рациональности: Фреймворк «рационального» пузыря может недооценивать чистую панику и стадное поведение, которые могут быть иррациональными и самоподдерживающимися быстрее, чем любая модель может уловить.

5.3. Практические рекомендации для политиков

Для Центрального банка Ирана и комитетов по финансовой стабильности это исследование является тактическим руководством, а не просто академическим упражнением.

1. Мониторьте переключения, а не только уровень: Сместите фокус с абсолютного уровня обменного курса на вероятность смены режима. Спокойный рынок при растущем санкционном давлении — это предвзрывное состояние.
2. Стратегически сохраняйте «боеприпасы»: Валютные резервы — основной инструмент борьбы с пузырями. Модель показывает, что интервенции более эффективны в «коллапсирующей» фазе. Тратить резервы в середине взрывного пузыря (когда настроения крайне негативны) бесполезно. Интервенции следует рассчитывать так, чтобы катализировать переход от взрывного к коллапсирующему режиму.
3. Управляйте ожиданиями как основным инструментом политики: Поскольку рынком движут убеждения, коммуникация и доверие являются ключевыми. Прозрачная, основанная на правилах политика интервенций может помочь закрепить ожидания и снизить вероятность перехода во взрывной режим. Непрозрачная или непоследовательная политика имеет противоположный эффект.
4. Создайте систему раннего предупреждения в реальном времени: Операционализируйте эту модель. Подавайте в нее данные в реальном времени о потоке новостей о санкциях (используя NLP для новостных лент), квази-реальные оценки резервов и индикаторы глубины рынка. Это создает панель управления для предотвращения кризисов.

6. Техническое приложение

6.1. Математическая формулировка

Основу модели MS-TVTP можно представить следующим образом. Пусть $s_t$ — логарифм неофициального обменного курса. Процесс моделируется как:

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

где $S_t \in \{1,2,3\}$ обозначает ненаблюдаемый режим (1=Спокойный, 2=Взрывной, 3=Коллапсирующий). Переход между режимами управляется матрицей вероятностей $P_t$, где каждый элемент $p_{ij,t} = Pr(S_t = j | S_{t-1} = i)$ является переменной во времени.

Эти переменные во времени вероятности моделируются с использованием спецификации мультиномиального логита:

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

где $Z_{t-1}$ — вектор индикаторов раннего предупреждения (например, индекс санкций, изменение резервов) в момент времени $t-1$, а $\theta_{ij}, \beta_{ij}$ — оцениваемые параметры. Такая настройка позволяет вероятности перехода в пузыревой режим напрямую зависеть от наблюдаемых экономических давлений.

6.2. Пример аналитической схемы

Сценарий: Аналитик Центрального банка Ирана хочет оценить риск формирования спекулятивного пузыря в следующем квартале.

Применение схемы:

1. Ввод данных: Соберите последние значения Индекса санкций (например, полученные из анализа тональности новостей основных западных СМИ и правительственных заявлений) и ежемесячное изменение валютных резервов.
2. Запрос к модели: Подайте эти значения в оцененную модель MS-TVTP. Модель использует текущее выведенное состояние режима (из последних данных об обменном курсе) и введенные значения $Z_t$.
3. Интерпретация вывода: Модель выводит вероятности нахождения в каждом из трех режимов в следующем периоде. Например:
   • $Pr(Спокойный) = 0.15$
   • $Pr(Взрывной) = 0.80$
   • $Pr(Коллапсирующий) = 0.05$
4. Практический вывод: Вероятность входа во взрывной режим в 80% — это красный флаг. В отчете аналитика будет подчеркнуто, что при текущем высоком санкционном давлении и снижающихся резервах рынок с высокой вероятностью войдет в фазу пузыря. Это запускает рекомендацию для центрального банка подготовить планы действий в чрезвычайных ситуациях, рассмотреть упреждающую коммуникацию для управления ожиданиями и пересмотреть стратегию использования резервов.

7. Будущие применения и направления исследований

Методология и выводы этого исследования имеют широкую применимость за пределами конкретного контекста Ирана.

• Другие страны под санкциями или со слабой экономикой: Модель может быть адаптирована для таких стран, как Венесуэла, Россия или Турция, где геополитические риски и волатильность потоков капитала создают схожую динамику. Ключ — определение правильных локальных индикаторов раннего предупреждения (например, индекс политической стабильности, волатильность цен на сырьевые товары).
• Рынки криптовалют: Криптовалютные рынки печально известны своей подверженностью пузырям, движимым настроениями и регуляторными новостями. Модель MS-TVTP, использующая настроения в социальных сетях, индексы регуляторных объявлений и ончейн-метрики, может быть мощным инструментом для идентификации пузыревых режимов в Bitcoin или Ethereum.
• Интеграция с машинным обучением: В будущих работах спецификацию логита для вероятностей перехода можно заменить классификатором машинного обучения (например, Random Forest, нейронная сеть), чтобы улавливать более сложные, нелинейные взаимосвязи между индикаторами и сменами режимов.
• Разработка панели управления в реальном времени: Следующий логический шаг — создание программной панели управления, которая принимает потоки данных в реальном времени, непрерывно запускает модель и визуально предупреждает политиков о растущих вероятностях пузырей, подобно «карте погоды финансовой стабильности».
• Моделирование политики: Модель может использоваться для имитации воздействия различных политических действий (например, крупной инъекции резервов, изменения процентных ставок) на вероятности перехода, помогая оценить потенциальную эффективность инструментов политики до их применения.

8. Список литературы

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). [Рациональные пузыри и спекулятивные атаки на неофициальном валютном рынке Ирана с использованием модели марковских переключений с переменными во времени вероятностями перехода]. Scientific-Research Quarterly Journal of Economic Research, 19(74), 111-164. (Оригинальная публикация на фарси).
6. International Monetary Fund. (2023). Annual Report on Exchange Arrangements and Exchange Restrictions (AREAER). Retrieved from 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. (Цитируется как пример передовых методов моделирования, применимых к обнаружению режимов).