使用机器学习预测金融市场压力

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 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。 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) 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 摘要 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。 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。 1 简介 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。1 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。 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 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要性，以及市场压力的自我强化性质。 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。 线性模型在捕捉复杂相互作用，例如经销商资产负债表与资金流动性之间的反馈，这些可能引发市场压力的方面存在局限。 基于树的模型在此环境下表现出色，因为它们在处理市场条件快速变化和非线性关系方面具有更好的能力。特别是随机森林，由于其由去相关决策树组成的集成，能够在允许预测因子之间存在非线性交互的同时，对过拟合具有鲁棒性（Breiman，2001；Grinsztajn等人，2022）。例如，对于外汇市场压力的90百分位数（3个月期限），随机森林相对于AR模型实现了27%的较低百分位数损失。在未报告的稳健性检验中，我们发现极端梯度提升（XGBoost）表现出相当的性能，尽管它的计算成本更高。 已经确立了机器学习模型在预测MCIs分布上界方面的优越性，我们接下来评估哪些变量可能驱动这种性能。机器学习模型的可解释性常常受到批评，但Shapley值（Lundberg等人，2018年）通过量化每个预测器的边际贡献来缓解这一点——这是使我们所开发的方法对脆弱性监控和政策制定有用的一个重要标准。对于外汇市场，欧元和英镑衍生品的隐含波动率、通过基金流动捕捉到的市场情绪，以及外汇和国债MCIs的过去实现值特别突出。同样，家族基金流向风险较高的部分（Ben-Rephael等人，2021年）以及全球金融周期的一个衡量指标（Rey，2013年）成为未来货币市场压力尾部实现的重要预测因素。因此，在看似平静和低波动性的时期，投资者过度扩张往往为随后的市场压力播下了种子。这些见解可以帮助政策制定者关注非银行中介和杠杆周期监控中的关键领域，正如最近的金融稳定报告所指出（例如，联邦储备委员会（2022年））。先前MCI实现的相关性以及其他市场的MCIs突出了流动性螺旋的自我加强性质（Brunnermeier和Pedersen，2009年；Plantin和Shin，2018年；Aymanns等人，2017年）以及这些市场之间的相互关联性，尽管它们各不相同，但在现代基于市场的金融体系中却紧密相连。 我们的框架有三个政策应用。首先，市场条件指数（MCIs）充当央行实时诊断工具，标记出综合指数未能捕捉到的特定市场压力。其次，机器学习（ML）架构为压力测试框架提供了一个模板，其中预测结果分布（例如，左侧尾部流动性冲击）至关重要。相关地，该方法还为政策制定者提供了一个工具，以实时预测市场压力的早期迹象。第三，Shapley值识别系统性脆弱性——例如，经纪商资产负债表约束或拥挤交易（Duffie等人，2023年；Brown等人，2022年）——这些脆弱性需要宏观审慎监管。对于学者而言，这些结果…… idate ML在金融经济学中的作用，特别是在信号稀疏和非线性动态的环境下。 相关文献。我们的论文为文献的多个分支做出了贡献。首先，我们为机器学习在银行和金融领域应用方面的文献做出了贡献（参见Fouliard等人，2021年的研究）。越来越多的文献研究机器学习在资产定价和回报可预测性方面的应用（例如，参见Jensen等人，2024年和Kelly等人，2024年的研究及其参考文献）。Gu等人（2020年）通过使用机器学习预测相对于领先的回归策略，证明了美国股票投资者可以获得巨大的经济收益。与他们的论文和Grinsztajn等人（2022年）的研究发现一致，我们证明了基于树的模型在预测金融变量方面的优越性。我们关注市场功能障碍及其对金融稳定性的影响，这也将我们的工作与Aquilina等人（2025年）的研究联系起来，他们表明循环神经网络可以帮助预测欧元-日元-美元三重汇率市场的60天预测期内违反三角形套利关系的情况。5我们的Shapley值应用，建立在Lundberg等人（2018）的基础上，有助于弥合机器学习与可解释性之间的差距。6近期的研究也探讨了机器学习及相关方法在预测银行和金融危机方面的能力（Ward, 2017；Beutel等，2019；Bluwstein等，2020）。7我们通过专注于金融市场压力预测，聚焦于比银行危机积累过程中的缓慢移动不平衡更高的频率维度，从而作出贡献。 其次，我们为金融压力测量的文献做出了贡献。8虽然FSIs（Monin，2017）和FCIs（Hatzius等，2010；Adrian等，2022）汇总了广泛信号，但我们的方法强调对市场流动性、定价失误以及标准套利关系崩溃的破坏，这些都是市场功能受损的明显迹象。此外，我们还通过聚焦由做市和抵押品支持的投资策略相互关联的关键市场作出贡献。这种对识别市场运行不良时期的关注——在过去的二十年里有几次需要央行进行昂贵的“最后贷款人”干预（Al-dasoro等，2025）——正是我们研究工作与衡量更广泛范围的其他人工作的不同之处。 资金市场条件。 最后，我们的工作交汇于金融经济学两大基础领域：市场微观结构与流动性提供中的角色，以及基于中介机构的资产定价，其焦点在于中介机构约束作为系统性风险的驱动因素。9我们通过引入高频、市场特定的指标并利用机器学习来建模它们之间的相互作用来弥补这些差距。市场微观结构文献强调了交易摩擦、信息不对称和制度设计如何塑造流动性和价格形成。Kyle（1985年）和Glosten与Milgrom（1985年）的开创性工作将买卖价差确立为逆向选择和库存成本的代理指标，而最近的研究（例如，Brunnermeier和Pedersen（2009年））将流动性与融资条件联系起来——这是我们市场微观结构指标的核心主题。最近的实证研究强调了套利失败作为市场压力信号的作用（Du等人，2018年；Rime等人，2022年；Huang等人，2025年）。我们的市场微观结构指