BIS 用随机森林预测市场压力:27% 的误差改善,和它没覆盖的那部分
央行研究压力,过去靠一个合成指数。这篇论文改问:坏的时候能坏到哪?对做杠杆的人,这个区别比 27% 更重要。

01档案:这篇论文想解决什么
BIS 的工作论文系列面向央行与监管机构,选题通常不追热点,而是补监测工具的缺口。这一篇的出发点很具体:现有的金融压力指数(FSI)和金融状况指数(FCI)在危机前给出的信号太粗,无法区分"市场情绪偏紧"与"某个市场正在出现结构性脆弱"。
作者的做法是下沉一层:不再用一个覆盖全市场的合成指数,而是分别给国债、外汇、货币市场各建一个"市场状况指标"(Market Condition Indicator,MCI),指标里装的是该市场特有的问题——流动性干涸、偏离无套利条件。然后用机器学习预测这些指标未来的整个分布。
为什么这对中文读者有意义:它提供的是一套"看流动性什么时候先坏"的框架。加密市场没有央行,但资金费率、稳定币溢价、借贷利用率这些量,本质上都是同一类流动性温度计。
02传统指标的毛病:分不清情绪与脆弱
论文对既有工具的批评很直接:合成指数把"市场情绪"和"具体脆弱点"混在一个数里,导致预测力被稀释。一个指数上涨,可能只是风险偏好回暖,也可能只是某个细分市场的流动性溢价扩大,两者的后续走势完全相反。
"Traditional measures of financial conditions, such as financial stress indices (FSIs) and financial conditions indices (FCIs), often fail to distinguish between general market sentiment and specific vulnerabilities, reducing their predictive power."
译文:传统的金融状况衡量指标,例如金融压力指数(FSI)与金融状况指数(FCI),往往无法区分一般性的市场情绪与具体的脆弱性,从而削弱了它们的预测能力。
注:这句话是整篇论文的立论基础。它不是说传统指标没用,而是说它们的加总方式丢掉了信息——把一个多维状态压成一个标量,必然丢掉"坏在哪一层"这个维度。
03方法:把压力拆成三个市场,再预测整个分布
论文的方法可以拆成四步,每一步都值得单独看,因为每一步都会引入假设。
- 第一步建指标为国债、外汇、货币市场分别构造 MCI,重点捕捉流动性问题与无套利条件偏离
- 第二步定目标不预测单一数值,而是预测未来某个时点 MCI 的整个分布(分位数回归)
- 第三步上模型用树模型(随机森林)与自回归基准对比,检验分布预测的误差
- 第四步做归因用 Shapley 值拆解哪些因子对尾部结果贡献最大
分位数回归是这里的关键设计。普通回归给你一个点预测,分位数回归给你一条条等分位线:中位数告诉你"最可能怎样",5% 分位告诉你"坏的时候能坏到哪"。对风险管理来说,后者的信息量通常更大。
随机森林在这里不是"更先进的模型",而是"更能处理非线性与交互项的工具"。流动性指标之间的关系很少是线性的:资金面紧到某个阈值之后,同样的冲击会被放大。树模型天然能表达这种门槛效应,线性自回归不能。
04结果:27% 的误差改善,和三个反复出现的因子
论文给出的主结果是:在分布预测上,随机森林的分位数损失最多比自回归基准低 27%,而且周期越长优势越明显,在 3 至 12 个月的区间最突出。
"Through quantile regression, we show that random forests achieve up to 27% lower quantile loss than autoregressive benchmarks, particularly at longer horizons (3–12 months)."
译文:通过分位数回归,我们展示随机森林相比自回归基准可将分位数损失最多降低 27%,在更长的预测周期(3 至 12 个月)上尤为明显。
注:"up to 27%"是上限,不是平均值;"lower quantile loss"是误差指标下降,不是预测准确率提升 27 个百分点。这两个读法在中文转述里经常被混掉。
归因部分给出了三个稳定出现的驱动因子:融资流动性、投资者过度扩张、全球金融周期。此外,MCI 自身也有预测力——同一市场内有自我强化,跨市场之间有溢出。
"Shapley value analysis reveals that funding liquidity, investor overextension and the global financial cycle are important predictors of future tail realizations of market conditions."
译文:Shapley 值分析显示,融资流动性、投资者过度扩张与全球金融周期,是未来市场状况尾部实现的重要预测因子。
注:Shapley 值衡量的是"某个因子对预测结果的边际贡献",它依赖模型与样本,不等于因果。论文用的是预测语言,不是因果语言,这一区分在引用时不能省。
05复算:分位数损失怎么算,27% 到底改善了什么
分位数损失(pinball loss)的写法很简单,但它的不对称性决定了模型的行为。设分位数为 q、实际值为 y、预测值为 ŷ:
代一个数看看。设 q=0.95,实际压力值 y=100:若预测 ŷ=80(低估 20),损失为 0.95×20=19;若预测 ŷ=110(高估 10),损失为 0.05×10=0.5。同样差 10 到 20 的误差,惩罚相差近 40 倍。
这解释了为什么"分位数损失降低 27%"不能读成"预警更准"。它更准确的含义是:在同样的样本上,模型对整个分布的刻画更贴近实际,尤其是尾部。副作用是高估尾部的倾向更强——也就是误报可能变多。对监管者,误报的成本低于漏报;对交易者,两者都要付钱。
| 读法 | 是否成立 | 原因 |
|---|---|---|
| 预测准确率提升 27 个百分点 | 不成立 | 分位数损失是连续误差指标,不是分类准确率 |
| 尾部预测误差降低最多 27% | 成立 | 论文原意,且为上限值 |
| 模型比传统指数更早预警 | 部分成立 | 论文比较的是自回归基准,不是 FSI/FCI 的实时表现 |
| 模型可以直接用于加密市场 | 不成立 | 样本为美国国债、外汇、货币市场,不含加密资产 |
06边界:它不覆盖加密资产,但因子可以迁移
必须说清楚:这篇论文的样本是美国的三个传统市场,没有任何加密资产。把它直接套到 BTC 或稳定币上,是把别人的结论挪用到没有验证过的样本上。
可以迁移的是因子结构,不是数值。论文指出的三类驱动因子,在加密市场都有对应物:融资流动性对应稳定币溢价与交易所借贷利率;投资者过度扩张对应未平仓合约与市值的比值、资金费率极值;全球金融周期对应美元指数与实际利率。这些映射是本文的推演,需要自己用数据验证。
另外要标注立场:BIS 工作论文页面明确写明,文中观点属于作者,不一定代表 BIS 或其成员央行的立场。引用时把"BIS 说"改成"BIS 工作论文的作者认为",是对读者更负责的写法。
07对中文读者的用法
这篇论文最实用的地方,不是那个 27%,而是它示范了一种提问方式:不要问"市场会不会跌",要问"哪一层的流动性先坏,坏了会通过什么渠道传出去"。
- 给自己的仓位建四个温度计:稳定币溢价、资金费率极值、未平仓/市值、美元指数偏离,每周记录一次。
- 用滚动窗口算 z 值,而不是用固定阈值;市场波动率变了,绝对阈值就失效。
- 关注"跨市场溢出":论文发现 MCI 之间有传导,对应到加密就是现货、永续、借贷三个池子的联动。
- 把误报当成本而不是噪音:任何尾部模型都会高估风险,仓位管理要为此留出余地。
- 引用机构研究时保留限定语:样本市场、样本期、作者立场,三者缺一就会变成标题党。
08延伸阅读
· BIS Working Papers No 1250,《Predicting financial market stress with machine learning》,bis.org/publ/work1250.htm,访问于 2026-10-25
· 同上页面的 Focus / Contribution / Findings / Abstract 四段,英文短引均出自该页
· 分位数损失公式与算例为本文依据标准定义自行推导;加密指标映射与权重为本文推演,非论文内容
访问日期:2026-10-25。英文短引均来自 BIS 工作论文页面,中文译文为本文自译;把指标映射到加密资产的部分是本文推演,不是论文结论。
常见问题
27% 是指预测准确率提升 27% 吗?
不是。它指分位数损失(一种连续误差指标)最多下降 27%,且是上限值;分位数损失衡量的是分布刻画质量,不是分类准确率。
这篇论文研究加密市场吗?
不研究。样本是美国的国债、外汇与货币市场,不含加密资产。文中把因子映射到稳定币溢价、资金费率等指标,是本文的推演,不是论文结论。
什么是 MCI?和 FSI 有什么不同?
MCI 是作者为单个市场构造的状况指标,聚焦该市场的流动性与无套利偏离;FSI 是把多个市场压成一个合成指数的传统做法,容易混淆市场情绪与具体脆弱点。
普通人能用这套方法吗?
可以简化使用:选四个可观察指标,用滚动 z 值合成一个压力分,每周记录。重点是看趋势与跨市场联动,而不是追求精确阈值。
本文为英文公开研究的摘译与独立分析,不构成投资建议。原文版权归原作者所有。 最后更新:2026-10-25。


