Systemic Risk and Default Cascades in Global Equity Markets: A Network and Tail-Risk Approach Based on the Gai Kapadia Framework

Diese Studie erweitert das Gai-Kapadia-Rahmenwerk auf globale Aktienmärkte und zeigt, dass systemische Risiken zwar durch eine hohe globale Resilienz begrenzt sind, jedoch in stark vernetzten, regionalen Subnetzwerken wie dem brasilianischen Markt durch die Wechselwirkung von Netzwerktopologie und schweren Verteilungsenden lokalisiertes Ausfallrisiko entstehen kann.

Das Wesentliche

🌍 Wenn das Finanzsystem ein riesiges Dorf ist: Eine Reise durch die Welt der Aktien-Kaskaden

Stellen Sie sich die globalen Aktienmärkte nicht als trockene Zahlenkolonnen vor, sondern als ein riesiges, vernetztes Dorf. In diesem Dorf wohnen 30 verschiedene Nachbarn: 15 aus Brasilien (die „emerging markets") und 15 aus entwickelten Ländern wie den USA oder Europa (die „developed markets").

Diese Nachbarn sind nicht isoliert; sie sind durch unsichtbare Seile miteinander verbunden. Wenn einer stolpert, kann er den nächsten mitreißen. Genau das untersucht diese Studie: Wie weit kann ein Stolperer reichen, bevor das ganze Dorf zusammenbricht?

1. Das Seil-Netzwerk (Die Verbindungen)

Die Forscher haben ein Netz aus Seilen gebaut, das zeigt, wie stark die Nachbarn miteinander verbunden sind.

• Das brasilianische Dorf: Hier sind die Häuser sehr eng beieinander gebaut. Die Nachbarn kennen sich alle, halten sich an den Händen und bilden dichte Gruppen. Wenn einer hier hinfällt, ziehen die anderen sofort mit. Man nennt das in der Studie „hohe Clusterung". Es ist wie ein enges Tanzpaar: Wenn einer stolpert, stolpert der andere fast sofort mit.
• Das Dorf der entwickelten Märkte: Hier sind die Häuser weiter voneinander entfernt. Die Nachbarn sind höflich, aber nicht so eng miteinander verbunden. Wenn hier jemand hinfällt, bleibt es oft bei ihm. Die Seile sind lockerer.

2. Der Test: Was passiert bei einem Sturm?

Die Forscher haben simuliert, was passiert, wenn ein starker Windstoß (ein Schock) kommt. Sie haben zwei Arten von Tests gemacht:

• Der deterministische Test (Der gezielte Stoß): Sie haben einen Nachbarn (z. B. VIVT3.SA) gezielt gestoßen.

  • Ergebnis: Im brasilianischen Teil des Dorfes gab es ein kleines Chaos. Die Nachbarn zogen sich gegenseitig mit. Aber das Chaos hörte schnell auf. Es breitete sich nicht auf das ganze Dorf aus.
  • Im entwickelten Teil: Der Stoß blieb fast wirkungslos. Die Nachbarn wackelten kaum.

• Der Zufallstest (Das Monte-Carlo-Spiel): Die Forscher ließen 1.000 Mal einen zufälligen Sturm los (wie einen Würfelwurf).

  • Das überraschende Ergebnis: Trotz aller Angst vor einem totalen Zusammenbruch ist niemals das ganze Dorf kollabiert. Die Wahrscheinlichkeit, dass mehr als 5 Nachbarn gleichzeitig pleitegehen, war null.
  • Im Durchschnitt fiel bei einem einzelnen Schock nur ein Nachbar aus. Bei zwei gleichzeitigen Schocks waren es zwei. Das System ist widerstandsfähiger als gedacht, aber es gibt „Hotspots".

3. Die versteckte Gefahr: Die „schweren Schwänze"

Hier kommt ein wichtiges Detail ins Spiel: Nicht alle Nachbarn sind gleich stabil.

• Einige brasilianische Nachbarn tragen schwere, wackelige Kisten (sie haben hohe Risiken). In der Statistik nennt man das eine „schwere Verteilung" (heavy tails). Das bedeutet: Es ist unwahrscheinlich, aber wenn es passiert, ist die Katastrophe riesig.
• Die entwickelten Märkte tragen eher leichte Rucksäcke. Sie sind stabiler.

Die Studie zeigt: Die Gefahr entsteht nicht nur durch das Stolpern eines Nachbarn, sondern durch die Kombination aus:

1. Dass sie in einer sehr engen Gruppe wohnen (viele Seile).
2. Dass sie selbst sehr wackelig sind (hohe Risiken).

Wenn diese beiden Faktoren zusammentreffen, kann ein kleiner Funke lokal ein großes Feuer entfachen. Aber dieses Feuer bleibt meist in diesem einen Viertel stecken und greift nicht auf das ganze Dorf über.

4. Was bedeutet das für uns? (Die Lehre)

• Kein Weltuntergang, aber lokale Brände: Das globale Finanzsystem ist wie ein robustes Netz. Ein einzelnes Problem führt selten zum totalen Kollaps aller Aktien.
• Aber Vorsicht bei den „dichten Gruppen": Wenn Sie investieren, sollten Sie wissen, dass bestimmte Märkte (wie Brasilien in dieser Studie) wie ein enges Seilnetz funktionieren. Ein Problem dort breitet sich dort schneller aus als anderswo.
• Die Rolle der Regulierer: Für Politiker und Banker ist das eine gute Nachricht, aber auch eine Warnung. Sie müssen nicht das ganze Dorf evakuieren, aber sie sollten die „dichten Gruppen" im Auge behalten und dafür sorgen, dass die Nachbarn dort nicht zu viele schwere Kisten tragen.

Zusammenfassung in einem Satz:

Die Studie zeigt, dass unser globales Finanznetzwerk überraschend stabil ist und selten komplett kollabiert, aber es gibt bestimmte, eng verbundene Ecken (wie den brasilianischen Markt), in denen sich Probleme schnell ausbreiten können – ähnlich wie ein Feuer in einem dichten Wald, das aber glücklicherweise nicht den ganzen Kontinent verbrennt.

Technische Zusammenfassung

Technische Zusammenfassung: Systemisches Risiko und Ausfallkaskaden in globalen Aktienmärkten

Titel: Systemic Risk and Default Cascades in Global Equity Markets: A Network and Tail-Risk Approach Based on the Gai Kapadia Framework
Autorin: Ana I. Castillo Pereda (Universität São Paulo)
Zeitraum der Daten: 2015 – 2026

---

1. Problemstellung und Motivation

Traditionelle Risikomaße wie Value-at-Risk (VaR) und Conditional Value-at-Risk (CVaR) erfassen zwar das individuelle Downside-Risiko, vernachlässigen jedoch oft die netzwerkbasierten Ansteckungseffekte (Contagion), die in hochverflochtenen Finanzsystemen auftreten. Während das Gai-Kapadia-Framework ursprünglich für die Analyse von Ansteckungen im Interbankenmarkt entwickelt wurde, bleibt seine Anwendung auf globale Aktienmärkte unterrepräsentiert.

Die Studie adressiert die Frage, wie Schocks in einem globalen Netzwerk von 30 Aktien (15 brasilianische Schwellenmarkt-Aktien und 15 Aktien aus entwickelten Märkten) propagieren. Ziel ist es, die Wechselwirkung zwischen der Netzwerktopologie (Struktur der Verbindungen) und dem Tail-Risiko (Schwanzrisiko schwerer Verlustverteilungen) zu quantifizieren, um systemische Instabilität besser zu verstehen.

---

2. Methodik

Die Studie kombiniert Netzwerkwissenschaft, stochastische Simulationen und Extremwerttheorie in einem erweiterten Gai-Kapadia-Modell.

A. Datengrundlage und Vorverarbeitung

• Daten: Tägliche Tiefstkurse von 30 Aktien (Januar 2015 bis April 2026) aus Yahoo Finance.
• Vorverarbeitung: Bereinigung fehlender Werte, Anwendung des Interquartilsabstands (IQR) zur Filterung von Ausreißern bei gleichzeitiger Erhaltung des Schwanzverhaltens.
• Renditen: Berechnung logarithmierter Renditen ($r_{i,t}$) zur Standardisierung.

B. Netzwerkkonstruktion

Ein exposuresbasierter Finanznetzwerk wird aus den Preis-Korrelationen abgeleitet:

1. Korrelationsmatrix: Berechnung der Pearson-Korrelation ($\rho_{ij}$) der Renditen.
2. Exposure-Metrik: Die Exposition zwischen Asset $i$ und $j$ wird definiert als:
   $$E_{ij} = \rho_{ij} \cdot \sigma_i \cdot P_i$$
   wobei $\sigma_i$ die Volatilität und $P_i$ ein Referenzpreis ist. Dies erzeugt ein gerichtetes, gewichtetes Netzwerk.
3. Schwellenwert-Filterung: Um signifikante Verbindungen zu isolieren, werden Schwellenwerte $\theta \in \{0.3, 0.5\}$ angewendet. Nur Exponierungen $\ge \theta$ bleiben im Netzwerk erhalten.
4. Strukturanalyse: Berechnung lokaler Clustering-Koeffizienten ($C_i$) zur Quantifizierung der lokalen Vernetzungsdichte.

C. Modellierung von Ausfallkaskaden

Zwei Ansätze werden verwendet:

1. Deterministische Propagation: Ein repräsentativer Schock (z. B. 30% Verlust bei VIVT3.SA) wird initiiert. Die Ausbreitung folgt einer rekursiven Bedingung, bei der ein Asset ausfällt, wenn der kumulierte Einfluss der ausgefallenen Nachbarn einen Schwellenwert ($T_i = 0.5$) überschreitet.
2. Stochastische Simulationen (Monte Carlo):
   • $n = 1000$ Simulationen.
   • Zufällige Schocks ($s \sim \text{Uniform}(0.1, 0.5)$) treffen einzelne oder mehrere Assets.
   • Kapital $K_i$ und Ausfallschwelle $K_{min,i}$ werden definiert. Verluste propagieren gemäß der verbleibenden Exponierung.
   • Systemisches Versagen ist definiert als der Ausfall von mehr als 5 Assets.

D. Tail-Risk-Analyse

• Analyse der empirischen komplementären kumulativen Verteilungsfunktion (CCDF) der Verluste.
• Schätzung des Pareto-Schwanzindex ($\alpha$) mittels Hill-Schätzer, um das Vorhandensein schwerer Verteilungsschwänze (Heavy Tails) zu bestätigen.

---

3. Hauptergebnisse

A. Strukturelle Asymmetrie und Netzwerktopologie

• Brasilianische Märkte (Schwellenländer): Zeigen eine extrem hohe lokale Vernetzung mit Clustering-Koeffizienten von $C_i \approx 0.8 - 1.0$. Dies bildet dicht verknüpfte Cluster, die als Verstärker für lokale Schocks fungieren.
• Entwickelte Märkte: Zeigen eine deutlich geringere Vernetzung ($C_i \approx 0.2 - 0.5$) und wirken als strukturelle Puffer, die die Ausbreitung von Schocks begrenzen.
• Korrelationsmatrix: Starke Intra-Markt-Korrelationen innerhalb Brasiliens (> 0.6), während die Inter-Markt-Korrelationen zwischen Brasilien und entwickelten Märkten schwach bleiben (0.1–0.3).

B. Dynamik der Ausfallkaskaden

• Stabilität: Unter allen simulierten Szenarien (einschließlich gleichzeitiger Schocks) betrug die Wahrscheinlichkeit eines systemischen Zusammenbruchs (> 5 Ausfälle) 0,000.
• Lokalisierte Verwundbarkeit:
  • Bei einzelnen Schocks: Durchschnittlich 1,0 ausgefallenes Asset.
  • Bei simultanen Schocks: Durchschnittlich 2,0 ausgefallene Assets.
• Die Kaskaden stabilisieren sich nach wenigen Iterationen innerhalb des brasilianischen Clusters, breiten sich aber nicht global aus. Das System operiert unterhalb des kritischen Perkolations-Schwellenwerts.

C. Tail-Risiko und Schwanzverteilungen

• Heavy Tails: Die Analyse der CCDF und der Hill-Schätzer bestätigt schwere Verteilungsschwänze, insbesondere bei brasilianischen Assets (geschätzter Index $\alpha \approx 1.5 - 1.84$).
• Kombinierte Wirkung: Assets mit hoher Vernetzung und schweren Verlustverteilungen (z. B. AMER3.SA mit CVaR = -0.0633) stellen die kritischen Knotenpunkte dar, die das Risiko einer lokalen Verstärkung erhöhen.

---

4. Wichtige Beiträge der Studie

1. Erweiterung des Gai-Kapadia-Frameworks: Erfolgreiche Übertragung des Interbanken-Modells auf globale Aktienmärkte unter Verwendung von preisbasierten Exponierungen statt Bilanzverknüpfungen.
2. Integration von Topologie und Tail-Risiko: Demonstration, dass systemisches Risiko nicht isoliert aus Extremverlusten oder Netzwerkdichte entsteht, sondern aus deren Interaktion.
3. Quantifizierung der Asymmetrie: Empirischer Nachweis, dass Schwellenmärkte (hier Brasilien) durch hohe Clustering-Koeffizienten anfälliger für lokale Ansteckungen sind, während entwickelte Märkte strukturell resilienter sind.
4. Skalierbarer Stress-Test-Ansatz: Bereitstellung einer Methodik, die deterministische und stochastische Simulationen kombiniert, um die Stabilität von Finanznetzwerken unter verschiedenen Schockintensitäten zu testen.

---

5. Bedeutung und Implikationen

• Für Regulierungsbehörden: Die Identifizierung hochvernetzter Knoten in Schwellenmärkten ermöglicht gezielte regulatorische Eingriffe. Die Studie zeigt, dass systemische Risiken oft in spezifischen, dicht vernetzten Clustern konzentriert sind, nicht im gesamten Markt gleichmäßig verteilt.
• Für Portfoliomanager: Die Ergebnisse unterstreichen die Bedeutung der Diversifikation über strukturell unterschiedliche Regionen hinweg. Eine reine Diversifikation innerhalb stark korrelierter Cluster (z. B. nur brasilianische Banken) bietet keinen Schutz gegen lokale Schocks.
• Theoretischer Fortschritt: Die Studie liefert Belege dafür, dass Finanzmärkte als "geclusterte Netzwerke" zu verstehen sind, in denen lokale Schocks amplifiziert werden können, aber durch schwache externe Verbindungen oft vom globalen System isoliert bleiben.

Einschränkungen und Ausblick:
Die Studie abstrahiert von Liquiditätseffekten (z. B. Fire Sales), die in Krisen eine zentrale Rolle spielen könnten. Zukünftige Forschung sollte adaptive Schwellenwerte und Liquiditätsbeschränkungen integrieren, um das Modell noch realistischer zu gestalten. Dennoch bietet der vorgestellte Rahmen eine robuste, empirisch fundierte Basis für das Verständnis der strukturellen Treiber systemischen Risikos.