使用机器学习预测金融市场压力

本文提出了两项相互关联的贡献。首先，为美国三个关键市场（国债、外汇和货币市场）构建了新颖的市场状况指标（MCIs），这些指标强调市场微观结构扭曲，如流动性危机和偏离无套利条件的事件。其次，采用基于树的机器学习模型（随机森林）通过分位数回归预测未来市场条件分布，结果显示机器学习模型在预测市场压力的完整分布方面优于传统的时序方法，特别是在较长的时间范围（3-12个月）内。

研究发现，随机森林模型在预测MCIs分布方面显著优于自回归模型和包含44个预测因子的多元分位数回归模型，尤其是在较长的预测周期上。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，突出了市场间溢出效应。

研究结果表明，MCIs为央行提供了实时诊断工具，用于识别市场失灵，补充现有的金融服务指数（FSIs）和金融市场指数（FCIs）。Shapley值识别系统性脆弱性，如经纪商资产负债表约束或拥挤交易，这些脆弱性需要宏观审慎监管。研究还验证了基于树形结构的机器学习在金融预测中的有效性，尤其是在充斥着非线性关系和稀疏信号的环境中。

研究结论：机器学习模型在预测金融市场压力方面具有优越性，特别是随机森林模型在预测市场状况的尾部风险和实时识别系统性脆弱性方面表现出价值。MCIs能够捕捉到传统金融状况和压力指数经常忽视的流动性错配、波动性和套利条件，为政策制定者和学者提供了重要的参考工具。