使用机器学习预测金融市场压力_38页_2mb

研究概述

这篇国际清算银行(BIS)工作论文《利用机器学习预测金融市场压力》，由BIS货币与经济部门成员撰写，旨在分析和预测美国国债、外汇和货币市场的金融市场压力。

主要内容

• 研究背景：金融市场压力对宏观经济稳定构成威胁，传统指标（如金融压力指数FSIs和金融状况指数FCIs）往往混淆市场情绪与结构性脆弱性，导致预测不准确。本文提出构建新市场条件指标(MCIs)来捕捉市场微观结构扭曲，如流动性危机和套利失败。
• 方法：采用基于树的机器学习模型（如随机森林）进行分位数回归，预测市场条件分布的全样本。MCIs通过两个步骤构建：收集波动率、流动性、套利崩溃等变量，并使用滚动窗口主成分分析(PCA)标准化为实时指数。
• 基准比较：与自回归(AR)模型和多元分位数回归基准相比，随机森林在样本外预测中表现更优，尤其在3-12个月预测周期上，分位数损失降低高达27%。
• 关键发现：
  • 机器学习模型有效捕捉市场压力的尾部风险，显示出其在高频数据和非线性动态中的优势。
  • 预测因子包括资金流动性（如回购-OIS价差）、投资者过度扩张（如基金流动）、全球金融周期（如GFC指数）。
  • Shapley值分析提高模型透明度，帮助识别市场条件自我强化和跨市场溢出效应。
• 政策应用：MCIs可辅助中央银行进行实时诊断、压力测试和监管，提升金融稳定性监控。
• 贡献：填补了金融经济学中ML与可解释性分析的空白，提供工具用于识别系统性风险。

结论

研究证实，结合MCIs和随机森林，机器学习在预测金融市场压力方面显著优于传统方法，突出了资金、投资者行为和全球周期的影响，并为未来研究提供了方向，如扩展市场覆盖和融合结构模型。