国际清算银行-用机器学习预测金融市场压力（英）-2025.3_38页_2mb

报告摘要

总结：使用机器学习预测金融市场压力

核心内容

本研究探讨了如何利用机器学习（ML）模型预测金融市场压力，并提出了一种新的市场状况指标（MCIs），以捕捉市场波动、流动性不足和套利关系的破坏。研究结果显示，基于树的机器学习模型在预测未来市场压力分布方面显著优于传统的时序模型，特别是在较长的预测期内（3-12个月）。此外，通过Shapley值分析，研究揭示了哪些变量对预测市场压力的尾部风险最为关键。

主要观点

市场压力指标（MCIs）的构建
MCIs是基于美国三大关键市场（国债市场、外汇市场和货币市场）的微观结构变量构建的，这些变量包括：
- 波动性（如外汇市场的隐含波动率、国债市场的MOVE指数）
- 流动性不足（如买卖价差、回购-OIS利差）
- 套利关系的破坏（如跨货币套利偏差、利率平价关系的偏离）
MCIs通过滚动窗口主成分分析（PCA）标准化并聚合，以每日频率提供市场健康状况的实时指标，正负值分别代表市场状况比平均水平更紧或更松。
MCIs的性能表现
MCIs能够有效捕捉过去二十年中多个已知的市场压力事件，例如2011-2012年欧洲主权债务危机、2015年瑞士法郎脱钩、2016年英国脱欧公投以及2020年新冠疫情。它们还提供了与VIX（标普500指数波动率指数）不同的视角，特别是在市场压力事件未伴随股票市场波动率上升时（如2015-2016年外汇市场压力上升而VIX未显著变化）。
机器学习模型的预测优势
通过量纲回归（quantile regression）方法，研究发现基于树的模型（如随机森林）在预测MCIs的尾部风险方面优于传统时序模型（如自回归模型和多元量纲回归）。例如，在3个月的预测期限内，随机森林模型在90%分位点上的预测误差比自回归模型低27%。这表明机器学习模型在处理非线性关系和复杂市场互动方面具有更强的适应性。
关键预测变量
Shapley值分析显示，以下变量对预测市场压力的尾部风险具有重要意义：
- 投资者过度杠杆（如基金流动、全球金融周期）
- 中介商的流动性约束（如主要交易商的证券持有量）
- 其他市场的MCIs历史值
- 市场的自身历史压力指标
这些变量揭示了市场压力的自我强化性质（如流动性螺旋）以及不同市场之间的相互影响。
政策与学术意义
本研究为政策制定者提供了新的工具，用于实时监测金融市场压力和识别系统性脆弱性。同时，它也验证了机器学习在金融经济学中的应用价值，尤其是在信号稀疏和非线性动态的环境下。

关键信息

预测时间范围：研究评估了3至12个月的预测表现。
模型比较：
- 自回归模型（AR）在样本外预测中表现较差，特别是在较长的预测期限内。
- 多元模型在样本内表现优于AR模型，但在样本外预测中出现过拟合问题。
- 随机森林（RF）和极端梯度提升（XGBoost）等基于树的模型在样本外预测中表现更优。
变量选择：
- 共有44个预测变量，涵盖市场流动性、投资者行为、宏观经济指标和金融风险指标。
- Shapley值用于解释模型预测结果，以提高机器学习模型的可解释性。
市场关联性：
- 不同市场之间存在显著的相互影响（如外汇市场压力对国债市场的影响）。
- 市场压力具有自我强化的特性，如流动性螺旋和套利关系的破坏。

结构与方法

方法论：
- 使用滚动窗口PCA构建MCIs。
- 采用量纲回归评估模型预测性能。
- 利用Shapley值分析模型变量的重要性。
数据来源：
- 包括高频市场数据（如买卖价差、利率互换利差）。
- 涵盖宏观经济指标（如经济意外指数、全球金融周期指数）。
- 涉及基金流动数据和金融风险指标（如VIX、SKEW）。

结论

本研究强调了机器学习在预测金融市场压力和识别系统性风险方面的潜力，特别是在处理非线性关系和复杂市场动态方面。MCIs的构建和应用为政策制定者提供了更精细的市场压力监测工具，而基于树的模型则在实际预测中表现出更高的准确性和稳健性。此外，研究还指出了传统指标（如VIX）在捕捉市场特定压力方面的局限性，并通过Shapley值分析增强了模型的可解释性，为未来的研究和政策制定提供了新的方向。

展开完整摘要