預(yù)測金融市場壓力是一項(xiàng)重大挑戰(zhàn)，因?yàn)閭鹘y(tǒng)模型往往難以捕捉復(fù)雜且非線性的動態(tài)變化。本文重點(diǎn)介紹人工智能工具在預(yù)測金融市場壓力方面的兩項(xiàng)最新進(jìn)展。第一項(xiàng)是利用機(jī)器學(xué)習(xí)預(yù)測金融市場壓力并解釋其主要驅(qū)動因素的新型框架。第二項(xiàng)則利用大型語言模型將數(shù)值數(shù)據(jù)與文本信息相結(jié)合，以預(yù)測市場壓力并識別其潛在驅(qū)動因素。政策制定者可以利用這些工具實(shí)時(shí)監(jiān)測新興風(fēng)險(xiǎn)，將定量預(yù)測與來自財(cái)經(jīng)新聞和評論的定性見解相結(jié)合。

在金融市場相互關(guān)聯(lián)的今天，政策制定者和監(jiān)管機(jī)構(gòu)面臨著一項(xiàng)復(fù)雜的任務(wù)：在風(fēng)險(xiǎn)升級為危機(jī)之前識別并應(yīng)對它們。2008-09年的全球金融危機(jī)以及近期發(fā)生的市場失靈事件凸顯了實(shí)時(shí)預(yù)警工具的重要性，以便及時(shí)發(fā)現(xiàn)市場脆弱性。然而，預(yù)測金融市場壓力仍然充滿挑戰(zhàn)，因?yàn)閭鹘y(tǒng)的計(jì)量經(jīng)濟(jì)模型往往難以捕捉現(xiàn)代金融體系復(fù)雜的非線性動態(tài)及其相互關(guān)聯(lián)性。

人工智能（AI）的最新進(jìn)展為應(yīng)對這些挑戰(zhàn)提供了新的工具。人工智能方法擅長分析高維數(shù)據(jù)集并挖掘隱藏模式。盡管它們已被廣泛應(yīng)用于資產(chǎn)定價(jià)（Kelly et al. 2024），但越來越多地被用于金融穩(wěn)定監(jiān)測（Fouliard et al. 2021, du Plessis and Fritsche 2025）。然而，人工智能模型的“黑箱”特性限制了它們產(chǎn)生可操作政策見解的能力。

本文重點(diǎn)介紹了近期兩項(xiàng)研究（Aldasoro et al. 2025, Aquilina et al. 2025），這兩項(xiàng)研究推進(jìn)了人工智能工具在預(yù)測金融市場壓力方面的應(yīng)用。這些研究表明，人工智能在預(yù)測市場壓力和功能失調(diào)方面具有巨大潛力，通過解決“黑箱”問題，為政策制定者提供了方法論上的創(chuàng)新和切實(shí)可行的見解。

預(yù)測金融市場壓力的挑戰(zhàn)

金融市場壓力可能以多種形式出現(xiàn)，包括流動性短缺、價(jià)格錯(cuò)位和套利關(guān)系破裂。1998年的長期資本管理公司（LTCM）危機(jī)、2008-2009年的全球金融危機(jī)以及2020年的“現(xiàn)金搶購潮”等事件凸顯了市場功能失調(diào)帶來的系統(tǒng)性風(fēng)險(xiǎn)。這些混亂通常始于特定的市場板塊，例如外匯市場或貨幣市場，但會迅速蔓延至整個(gè)金融體系，威脅其穩(wěn)定。此外，壓力也日益從傳統(tǒng)銀行轉(zhuǎn)移到非銀行金融中介機(jī)構(gòu)，反映出金融中介模式的演變。

傳統(tǒng)的預(yù)警系統(tǒng)主要用于預(yù)測全面爆發(fā)的危機(jī)，但其效果參差不齊。這些模型往往誤報(bào)率高，且難以解釋壓力時(shí)期會放大沖擊的非線性相互作用和反饋回路。

機(jī)器學(xué)習(xí)（ML）提供了一種極具前景的替代方案，尤其是在生成早期預(yù)警信號方面。與傳統(tǒng)模型不同，機(jī)器學(xué)習(xí)算法能夠處理海量數(shù)據(jù)集、識別復(fù)雜關(guān)系并適應(yīng)不斷變化的市場環(huán)境。本文討論的研究表明，這些工具具有預(yù)測市場壓力并為政策制定者提供及時(shí)預(yù)警的潛力。

利用機(jī)器學(xué)習(xí)對金融市場尾部行為進(jìn)行建模

Aldasoro等人（2025）提出了一種利用機(jī)器學(xué)習(xí)預(yù)測金融市場壓力的新框架。該研究首先構(gòu)建了對美國金融穩(wěn)定至關(guān)重要的三個(gè)關(guān)鍵市場——國債市場、外匯市場和貨幣市場——的市場狀況指標(biāo)（MCI）。這些指標(biāo)（如圖1所示）反映了流動性、波動性和套利條件的錯(cuò)位。

圖1美國國債、外匯和貨幣市場的市場狀況指數(shù)

注：該圖顯示了美國國債、貨幣和外匯市場（FX）市場狀況指數(shù)的五日移動平均值（分別對應(yīng)上、中、下三個(gè)面板）。樣本期為2003年1月1日至2024年5月31日。

本文采用隨機(jī)森林模型（一種流行的基于樹的機(jī)器學(xué)習(xí)算法）來預(yù)測未來市場狀況的完整分布。該方法使用多個(gè)決策樹并取其預(yù)測結(jié)果的平均值，從而降低過擬合的風(fēng)險(xiǎn)。結(jié)果顯著：隨機(jī)森林模型優(yōu)于傳統(tǒng)的時(shí)序方法，尤其是在預(yù)測較長時(shí)間范圍（長達(dá)12個(gè)月）的尾部風(fēng)險(xiǎn)方面。這一點(diǎn)在預(yù)測外匯市場狀況時(shí)尤為明顯（圖2）。

圖 2隨機(jī)森林和自回歸模型的預(yù)測精度

注：該圖比較了基于樣本外預(yù)測結(jié)果，隨機(jī)森林模型和自回歸模型在不同預(yù)測周期內(nèi)的分位數(shù)損失。負(fù)值表示隨機(jī)森林模型的性能更優(yōu)。

為了解決“黑箱”問題，本研究運(yùn)用沙普利值分析法來解釋驅(qū)動市場壓力預(yù)測的主要因素。分析表明，宏觀經(jīng)濟(jì)預(yù)期和不確定性，尤其是貨幣政策方面的不確定性，是造成市場脆弱性的重要因素。流動性狀況和全球金融周期也發(fā)揮著關(guān)鍵作用。這種方法不僅提高了預(yù)測準(zhǔn)確性，還為政策制定者提供了可操作的見解，使他們能夠積極應(yīng)對市場脆弱性的累積。

將機(jī)器學(xué)習(xí)與大型語言模型相結(jié)合

Aquilina等人（2025）采用了一種不同的方法，他們利用大型語言模型（LLM）將數(shù)值數(shù)據(jù)與文本信息相結(jié)合。該研究聚焦于歐元/日元貨幣對偏離三角套利平價(jià)（TAP）的情況，這是外匯市場失靈的關(guān)鍵指標(biāo)。通過將循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）與LLM相結(jié)合，作者構(gòu)建了一個(gè)兩階段框架，用于預(yù)測市場壓力并識別其潛在驅(qū)動因素。

該循環(huán)神經(jīng)網(wǎng)絡(luò)能夠提前最多 60 個(gè)工作日檢測到三角套利平價(jià)偏差加劇的時(shí)期，從而有效預(yù)測可能在一個(gè)月內(nèi)發(fā)生的市場失靈。對 3.5 年數(shù)據(jù)的樣本外測試證明了該模型的實(shí)用價(jià)值。例如，盡管該模型僅使用截至 2020 年底的數(shù)據(jù)進(jìn)行訓(xùn)練，但它仍識別出了 2023 年 3 月銀行業(yè)動蕩之前的風(fēng)險(xiǎn)升高（圖 3）。然而，由于新冠疫情的根源在于金融體系之外，因此該模型未能預(yù)測到疫情爆發(fā)引發(fā)的市場異常。

圖 3市場功能失調(diào)事件的預(yù)測準(zhǔn)確性

注：真實(shí)數(shù)據(jù)：以美元為交易貨幣的歐元兌日元每日三角套利平價(jià)差的20天平均值，按分鐘計(jì)算。垂直紅色虛線代表訓(xùn)練期結(jié)束時(shí)間，即2020年底；該線右側(cè)的所有數(shù)據(jù)均視為偽樣本外數(shù)據(jù)。

為了應(yīng)對“黑箱”挑戰(zhàn)，Aquilina等人（2025）開發(fā)了一種新的循環(huán)神經(jīng)網(wǎng)絡(luò)模型架構(gòu)，該架構(gòu)能夠動態(tài)地為輸入變量分配權(quán)重。這使得模型能夠識別出在任何給定時(shí)間點(diǎn)對預(yù)測未來市場狀況最為重要的指標(biāo)。這些權(quán)重隨后可以輸入到LLM（邏輯回歸模型）中，以搜索財(cái)經(jīng)新聞和評論中的背景信息，從而幫助發(fā)現(xiàn)潛在的市場壓力觸發(fā)因素。

例如，在2023年3月的銀行業(yè)動蕩期間，該模型發(fā)出信號，指出歐元流動性和交叉貨幣套利風(fēng)險(xiǎn)上升。在這些信號的引導(dǎo)下，LLM模型識別出討論美元融資環(huán)境收緊和地緣政治緊張局勢加劇的新聞報(bào)道。這種有針對性的方法將晦澀難懂的統(tǒng)計(jì)預(yù)測轉(zhuǎn)化為政策制定者能夠理解并采取行動的敘述性解釋。

政策啟示和結(jié)論

雖然還需要對這些問題進(jìn)行更多研究，但這些方法展現(xiàn)了利用人工智能工具進(jìn)行金融穩(wěn)定監(jiān)測和分析的前景。

首先，我們的研究表明，機(jī)器學(xué)習(xí)模型在預(yù)測各種市場的未來狀況方面非常有用。

其次，通過機(jī)器學(xué)習(xí)和大型語言模型整合數(shù)值數(shù)據(jù)和文本數(shù)據(jù)，可以更深入地了解市場動態(tài)。政策制定者可以利用這些工具實(shí)時(shí)監(jiān)測新興風(fēng)險(xiǎn)，將定量預(yù)測與來自財(cái)經(jīng)新聞和評論的定性見解相結(jié)合。

最后，機(jī)器學(xué)習(xí)模型的可解釋性對于其在政策制定中的應(yīng)用至關(guān)重要。諸如 Shapley 值分析和變量特定加權(quán)等技術(shù)不僅提高了預(yù)測的透明度，而且還提供了關(guān)于市場壓力驅(qū)動因素的可操作信息。

總體而言，這些方法代表著利用人工智能檢測金融市場脆弱性方面邁出的重要一步。通過結(jié)合不同的方法，這些研究為預(yù)測市場壓力和理解其潛在驅(qū)動因素提供了新的工具。然而，這些方法并非完美無缺，例如存在過擬合的風(fēng)險(xiǎn)以及需要大量的計(jì)算資源。政策制定者和監(jiān)管機(jī)構(gòu)應(yīng)投資于必要的數(shù)據(jù)和基礎(chǔ)設(shè)施，以充分發(fā)揮這些工具的潛力。