本文研究了利用机器学习模型预测金融市场压力的方法，并构建了针对美国国债市场、外汇市场和货币市场的市场状况指标（MCIs）。研究发现，基于树结构的机器学习模型，特别是随机森林模型，在预测未来市场压力的完整分布方面显著优于传统的时间序列方法。
核心观点：
- MCIs的构建： MCIs通过滚动窗口主成分分析（PCA）将市场波动性、流动性不足和套利关系破裂等指标标准化并聚合，生成每日实时指数，以衡量市场状况。与传统指数相比，MCIs更关注市场微观结构中的异常情况，并提供更细致的市场状况信息。
- 机器学习模型的预测能力： 通过量化回归，研究发现随机森林模型在预测市场压力的上限（如90分位数）方面显著优于自回归模型和多变量量化回归模型，尤其是在3-12个月的预测范围内。例如，在3个月期限的90分位数预测中，随机森林模型的量化损失比自回归模型低27%。
- 预测变量的重要性： Shapley值分析揭示了影响市场压力预测的关键变量，包括：
- 资金流动性： 如美联储的国债购买、美国国债的广义账户余额等。
- 投资者过度扩张： 如基金流量、全球金融周期等。
- 市场状况指标的自身影响： 市场状况指标自身及其在其他市场的表现，反映了市场压力的自我强化效应和市场间的溢出效应。
研究结论：
- 机器学习模型在预测金融市场压力方面具有显著优势，可以帮助政策制定者更准确地识别市场风险，并采取针对性的干预措施。
- MCIs作为一种新的市场状况指标，能够提供比传统指数更细致的市场信息，有助于监测市场微观结构中的异常情况。
- 投资者过度扩张和资金流动性是导致市场压力的重要因素，政策制定者需要密切关注这些风险因素。
- 市场压力具有自我强化效应，一个市场的压力可能会蔓延到其他市场，需要加强跨市场风险监测。
未来研究方向：
- 将MCIs扩展到公司债券和衍生品市场。
- 将机器学习模型与结构框架相结合，提高模型的可解释性。
- 利用替代数据，如交易员库存、基于文本的情绪分析或区块链衍生品流动性指标，进一步提高预测精度。
- 解决实时应用中计算瓶颈问题，例如高维模型中Shapley值计算的延迟。
