用于预测市场风险的多层机器学习与计量经济学管线：来自加密资产流动性溢出的证据
机器学习
2025-10-24 v1 计算工程、金融与科学
计量经济学
摘要
本文研究是否存在基于核心加密资产的流动性和波动性代理所产生的溢出，这些溢出可用于预测市场整体风险。我们的实证框架集成了三个统计层次：(A) 流动性与收益之间的相互作用，(B) 将流动性与收益关联起来的主成分关系，以及 (C) 捕捉横截面波动拥挤的波动因子投影。分析还辅以向量自回归冲击响应和预测误差方差分解（见 Granger 1969；Sims 1980）、带外生变量的异质自回归模型（HAR-X，Corsi 2009），以及使用时间分割、早期停止、仅基于验证集的阈值化以及 SHAP 基于解释的泄漏安全机器学习协议。我们使用 2021 年至 2025 年的每日数据（1462 个观测值，覆盖 74 个资产），记录了各层之间统计显著的格兰杰因果关系，并表现出中等的样本外预测准确性。我们报告了最具信息性的图表，包括管线概览、图层 A 热力图、图层 C 稳健性分析、向量自回归方差分解以及测试集的精确率-召回率曲线。完整的数据和图表输出均提供在工件存储库中。
引用
@article{arxiv.2510.20066,
title = {A Multi-Layer Machine Learning and Econometric Pipeline for Forecasting Market Risk: Evidence from Cryptoasset Liquidity Spillovers},
author = {Yimeng Qiu and Feihuang Fang},
journal= {arXiv preprint arXiv:2510.20066},
year = {2025}
}