使用机器学习预测金融市场压力

货币经济部门2025年3月JEL 分类：G01, C53, G17, G12, G28.关键词：机器学习、金融压力、分位数回归分析、预测、Shapley值。由伊纳基·阿尔达索罗、彼得·霍尔多、安德烈亚斯·施里姆普和辛雨·索尼娅·朱撰写国际清算银行工作论文No 1250利用机器学习预测金融市场压力 国际清算银行工作论文由货币与经济部门成员撰写。国际清算银行部门，以及不时由其他部门提供。经济学家撰写，并由银行出版。论文涵盖当前热点主题。兴趣且具有技术性质。其中表达的观点是原作者的观点。作者的观点，并不一定是BIS的观点。本出版物可在国际清算银行（BIS）网站（www.bis.org）上获取。© 国际清算银行 2025。版权所有。在注明来源的情况下，可复制或翻译简短摘录。ISSN 1020-0959 (印刷版) ISSN 1682-7678 (网络版)∗1摘要利用机器学习预测金融市场压力I˜nakiAldasoro国际清算银行（BIS）彼得·霍达尔国际清算银行（BIS）安德烈亚斯·施里姆普夫国际清算银行与欧洲经济政策研究中心郑宇 索尼娅 朱国际清算银行（BIS）2025年2月JEL CodesG01, C53, G17, G12, G28.关键词机器学习、财务压力、分位数回归、预测、Shapley价值。利用新构建的市场状况指标（MCIs）针对三个关键的美国市场（国债、外汇和货币市场），我们证明了基于树的机器学习（ML）模型在预测未来市场压力的完整分布方面显著优于传统的时序方法。通过分位数回归，我们发现随机森林比自回归基准实现了高达27%的分位数损失降低，尤其是在较长的预测周期（3-12个月）上。Shapley值分析揭示，资金流动性、投资者过度扩张和全球金融周期是未来市场状况尾部实现的 重要预测因子。MCIs自身也发挥了突出的作用，不仅在同一市场（自我强化的动态）中，而且在其他市场中也发挥着重要作用。 在...之内 市场和市场间（溢出效应）在...之间/跨... 市场在这些结果中凸显了机器学习在预测尾部风险和实时识别系统性脆弱性方面的价值，从而弥合了高频数据与宏观经济稳定性框架之间的差距。∗ 所有作者均来自国际清算银行（BIS），货币与经济部门，瑞士巴塞尔中央火车站广场2号，CH-4002。 相应作者: 珠珊·朱（sonya.zhu@bis.org）。我们感谢乔恩·弗罗斯特、马可·隆巴迪、费尔南多·佩雷斯-克鲁斯以及BIS研讨会参与者提供的有益评论和建议。本文所表达的观点仅代表作者，并不一定代表BIS。利益声明：无。21 简介本文提出了两项相互关联的贡献。首先，我们为美国三个关键市场构建了新颖的市场条件指标（MCIs）：国债、外汇（FX）和货币市场。与传统的指数不同，MCIs强调市场微观结构扭曲，这体现在流动性危机和偏离无套利条件的事件中，这些事件反映了中介机构的资产负债表约束以及套利能力的损害。其次，我们采用基于树的人工智能（AI）模型（随机森林（RF））通过分位数回归（Koenker和Bassett，1978；Adrian等人，2019）预测未来市场条件分布的全样本。我们的结果显示，机器学习（ML）模型在经典时间序列方法（例如自回归和多元分位数回归）上持续表现出色，特别是在较长的时间范围（3-12个月）内。人工智能/机器学习模型的一个公认缺点是缺乏可解释性，即理解复杂模型如何得出其输出的挑战，以及哪些输入变量在产生该输出中起重要作用。我们依赖Shapley值来解决这一问题（Shapley，1953）。从政策角度来看，这是至关重要的，因为它可以提供哪些变量有助于解释MCIs预测分布变化的线索。我们发现证据表明，投资者过度扩张（例如，基金流入、全球金融周期）和金融市场压力是宏观经济稳定的一个持续威胁，会对信贷供应、资产价格和经济增长产生连锁效应。《大金融危机》（GFC）、新冠“抢现金”以及市场流动性不足的反复出现都凸显了不稳定和失灵的金融市场带来的系统性风险。此类事件通常起源于看似孤立的领域——如货币市场或外汇掉期——然后在全球范围内传播，因为相互关联的中间机构和杠杆投资者放大了冲击。 11 参见Brunnermeier和Pedersen（2009）、Brunnermeier和Oehmke（2009）、Adrian和Shin（2010）、Duffie（2020）、Duffie（2021）以及Ranaldo和Rossi（2017）等众多文献。政策制定者和学者们长期以来一直在寻找工具来实时测量和预测这些压力动态。传统的做法，包括金融压力指数（FSIs）和金融状况指数（FCIs），提供了市场健康状况的总体快照，但往往将广泛的情绪变化（例如，通过VIX的股票波动性）与结构性脆弱性（如流动性短缺或套利崩溃）混淆。这种混淆限制了它们在识别市场特定压力方面的实用性，而市场特定压力对于有针对性的干预至关重要。解决这些差距需要一个优先考虑实时数据并适应非线性动态的框架——这是一个非常适合机器学习（ML）的任务。3我们的MCI是通过两步过程构建的。 3 首先，我们编纂市场特定的变量，这些变量代表波动性（例如，外汇市场的隐含波动性、国债的MOVE指数），流动性（例如，买卖价差、新旧券差价、回购-OIS价差），以及套利崩溃（例如，覆盖利率平价（CIP）偏离、货币三元组的三角无套利差异）。 4 这些变量通过滚动窗口主成分分析（PCA）进行标准化和汇总，生成每日实时指数，这些指数均值为零，方差为1——即正值（负值）表示比平均市场条件更紧（更松）。MCIs很好地捕捉了市场中的已知压力事件，例如，2011-2012年欧洲债务危机和2016年英国脱欧公投期间外汇MCI的飙升，而国债MCI反映了2013年后紧缩恐慌和2020年大流行期间的流动性恶化。关键的是，MCIs为VIX提供了补充信息，如2015-2016年所见，当时外汇压力激增，而没有相应的股票波动率飙升。这种粒度解决了FSIs/FCIs的关键局限性，这些指标往往过度依赖来自股票的信号（Carlson等，2014；Kliesen等，2012）。武装了MCIs，我们接下来着手评估如何最佳地预测其从3个月到12个月期限的实现情况。我们将其与两种经典方法进行基准比较：一个自回归（AR）模型和一个包含44个可能预示脆弱性的预测因子的多元分位数回归。我们将预测因子分为两大类，一类反映投资者的风险感知和过度扩张，另一类则捕捉市场更结构性的特征，如中介的市场创造能力以及资金流动性状况（Brunnermeier和Pedersen，2009；Duffie等人，2023；Gorton和Metrick，2012）。尽管多元模型在样本内优于AR模型，但其在样本外的准确性在较长的预期下恶化，表明过度拟合。例如，在12个月期限下，多元模型对美国国库券MCI的量位损失比AR模型高出18%。这强调了其局限性。中介流动性约束（例如，一级交易商证券持有量）是这种分布变化的重要驱动因素。 2 同样，其他市场以及同一市场过去MCI的实现也发挥着相关作用，这表明了在这些集成市场中的溢出效应的重