跨境資本異常波動的風險預警：基于機器學習視角

譚小芬 王欣康 張碧瓊

摘要：基于“在險資本流動”的宏觀研究新范式，運用預測分位數(shù)回歸與穩(wěn)定分布擬合方法，識別出中國的跨境資本異常波動風險?；诎?71個指標的高維數(shù)據(jù)集，通過構建的Lasso-PCA雙重篩選機器學習方法，識別出不同類型跨境資本異動風險的關鍵預警因子。結果顯示：（1）構建的跨境資本異動風險指標能較好地衡量中國所面臨的資本流動尾部風險；（2）國內(nèi)外長期利差擴大是債券資本涌入風險的關鍵預警因子，美國貨幣政策收緊是債券資本撤離風險的關鍵預警因子，全球風險偏好降低是股票資本涌入風險的關鍵預警因子，而美元名義有效匯率上升是股票資本撤離風險的關鍵預警因子；（3）2022年以來，美聯(lián)儲持續(xù)加息與美元走強會增加中國的跨境資本撤離風險。在金融市場雙向開放進程加快的背景下，為中國防范化解外部沖擊風險提供了重要參考依據(jù)。

關鍵詞：跨境資本流動；異常波動風險；涌入風險；撤離風險；風險預警；機器學習；Lasso-PCA雙重篩選模型

文獻標識碼：A文章編號：1002-2848-2023（02）-0013-15

跨境資本異常波動會顯著影響一國的經(jīng)濟金融狀況，并且為貨幣當局的政策制定帶來挑戰(zhàn)，特別是在新興市場國家。一方面，國際資本的流入能夠緩解資本接收國的融資約束，促進其金融市場的發(fā)展，進而改善資本接收國的經(jīng)濟金融狀況；另一方面，跨境資本的大規(guī)模涌入還會助長資本接收國特別是新興市場國家的資產(chǎn)價格泡沫，增加金融機構的脆弱性并造成金融風險的累積。而當跨境資本流向出現(xiàn)逆轉時，往往會導致資本接收國資產(chǎn)價格的大幅下跌并增加本國貨幣的貶值壓力，引發(fā)新興經(jīng)濟體金融市場的劇烈波動進而威脅其金融穩(wěn)定［1-2］。嚴格來說，資本流動水平對于宏觀經(jīng)濟的影響存在閾值效應：穩(wěn)定的跨境資本流動不會對一國的經(jīng)濟和金融穩(wěn)定造成破壞性影響，只有跨境資本的異常波動或者趨勢性逆轉，才會損害和威脅宏觀經(jīng)濟金融穩(wěn)定［3］，因此也更加受到各國政策制定者的關注?；诖?，跨境資本的異常波動風險引起學者們的關注，即識別出各國尤其是新興市場國家跨境資本流動中的尾部風險［4-6］。全球金融危機以來，流入和流出中國的跨境資本尤其是組合投資規(guī)模顯著上升，流入中國債券和股票市場的海外資本規(guī)模由2010年的20.67億美元飆升至2020年的1?072.96億美元，占流入新興經(jīng)濟體總規(guī)模的比例也由2010年的8.2%上升至2020年的72.1%?？缇迟Y本流動規(guī)模的上升在改善中國融資環(huán)境的同時，也會不可避免地增加跨境資本異常波動的風險。

在此背景下，有兩個迫切需要解決的問題：一是如何衡量中國所面臨的跨境資本異常波動風險，二是能否對中國的跨境資本異動風險進行前瞻性的預警?？梢灶A期，隨著中國金融市場的雙向開放，中國應對大規(guī)?？缇迟Y本雙向流動的壓力將進一步上升。因此，識別中國跨境資本的異常波動風險并構建前瞻性的預警指標，具有重要的理論和現(xiàn)實意義。對此，本文基于“在險資本流動”的宏觀研究新范式，識別出中國不同類型跨境資本的涌入風險與撤離風險，并結合高維數(shù)據(jù)集與機器學習方法，構建預警模型。本文的邊際貢獻在于：第一，研究視角上，基于“在險資本流動”分析框架，對中國跨境資本流動的分布特征及尾部風險進行識別，揭示了中國跨境資本異常波動風險的生成機理；第二，研究內(nèi)容上，運用基于高維數(shù)據(jù)集的機器學習方法，發(fā)現(xiàn)了對中國跨境資本異常波動具有重要預測價值的關鍵預警因子，拓展了關于外部沖擊下風險跨境傳導的已有研究；第三，應用前景上，構建了Lasso-PCA雙重篩選機器學習方法以及中國跨境資本異動風險指標，為后續(xù)的相關研究提供方法論基礎和數(shù)據(jù)支撐，為防范和化解金融風險提供決策依據(jù)。

一、文獻回顧

跨境資本流動是國際經(jīng)濟學研究的核心話題［5］。已有文獻的研究主要集中于跨境資本流動的驅(qū)動因素、經(jīng)濟后果以及時變特征［6-12］方面。然而，其中大部分實證文獻都是建立在傳統(tǒng)線性回歸的方法之上，即探討國內(nèi)拉動因素、全球推動因素以及相關政策對跨境資本流動條件均值的影響，而忽略了其條件分布以及尾部風險這些具有重要理論與實踐價值的問題。

Adrian等［13］通過預測分位數(shù)回歸與偏態(tài)t分布擬合的兩階段方法，構建了“在險增長”（growth-at-risk，GaR）這一宏觀經(jīng)濟分析的新范式，通過將金融狀況與經(jīng)濟增長納入統(tǒng)一的研究框架，分析經(jīng)濟增長對金融狀況的脆弱性。運用預測分位數(shù)回歸與偏態(tài)t分布擬合的分析框架，Gelos等［4］提出了“在險資本流動”（capital?flow-at-risk，CFaR）分析框架，并且基于35個新興經(jīng)濟體1996年第4季度—2018年第4季度的面板數(shù)據(jù)，研究“推動—拉動”因素及相關政策對于未來流入新興市場國家跨境資本概率分布的影響，發(fā)現(xiàn)外匯干預和宏觀審慎政策可以降低在發(fā)生全球沖擊時跨境組合投資的左尾風險，而資本管制卻適得其反。

“在險資本流動”研究框架的優(yōu)勢體現(xiàn)在：（1）防范化解跨境資本大進大出帶來的外部金融沖擊是各國中央銀行的重要職責之一，盡管傳統(tǒng)線性回歸模型能夠提供針對資本流動的一系列無偏解釋，但是對于政策制定來說，風險識別與跨期預警有時比基于生成無偏估計量的因果推斷更加重要［14-15］；（2）相較于條件均值，分布擬合能夠通過對未來資本流動尾部風險的識別提供更加充足的政策設計時間與工具儲備空間?？梢哉f，“在險資本流動”的研究范式提供了一個針對跨境資本異常波動的情景分析框架。

目前，文獻中對中國跨境資本異動風險這一重要問題的探討相對匱乏。探討中國面臨的外部金融風險的部分文獻主要聚焦匯率這一指標［16-17］，即通過特定的技術手段識別出中國外匯匯率波動的尾部風險，并探討其內(nèi)在的生成機理。然而在現(xiàn)階段，盡管匯率市場化改革頗具成效，但是中國與真正意義上有管理的浮動匯率制仍存在差距［18］。匯率波動主要受到外匯市場供求和預期的影響，中國外匯市場的供求關系由過去的經(jīng)常賬戶順差主導逐漸轉變?yōu)榻鹑谫~戶主導，跨境資本流動對外匯市場供求的影響日益顯著；同時，市場預期也通過跨境資本流動影響外匯供求關系。作為國際經(jīng)濟學研究中的核心話題，中國仍然缺乏針對跨境資本流動尾部風險的相關研究。

除了對研究問題的本土化探索外，本文主要進行如下拓展：（1）基于“在險資本流動”的研究范式，Gelos等［4］參考Adrian等［13］的研究，采用基于5%、25%、75%以及95%四個分位點的最小二乘偏態(tài)t分布擬合，損失了預測分位數(shù)回歸中的部分尾部值信息及大部分中值信息，本文采用包含更多分位數(shù)回歸信息的穩(wěn)定分布形式，提高資本流動分布擬合的準確性。（2）Gelos等［4］進行了“推動—拉動”因素及相關政策影響跨境資本流動分布的定性研究，即通過圖像觀察概率密度函數(shù)的形態(tài)變化。本文在此基礎上通過計算跨境資本流動尾部事件發(fā)生的概率，對尾部風險進行量化，構建中國的跨境資本異常波動風險指標。（3）進一步，基于包含371個指標的高維數(shù)據(jù)集，運用本文構建的Lasso-PCA雙重篩選機器學習方法，捕捉不同類型跨境資本異常波動風險的關鍵預警因子。

二、模型設定與研究方法

（一）研究思路

本文進行跨境資本異常波動風險的識別與預警思路如圖1所示。首先，通過“在險資本流動”的研究框架，擬合跨境資本流動的時變分布；其次，對跨境股票和債券的涌入風險與撤離風險進行量化；最后，基于包含371個子指標的高維數(shù)據(jù)集，運用Lasso-PCA雙重篩選方法進行“關鍵預警因子”的識別。

圖1跨境資本異常波動風險的識別與預警思路

（二）中國跨境資本異常波動風險的識別策略

“在險資本流動”的研究框架主要分為預測分位數(shù)回歸與預測分布擬合兩步。具體來說，本文首先建立如下的預測分位數(shù)回歸模型：

β︿τ=argmin∑T-1???t=1（τ·I（yt+1≥xtβ）|yt+1-xtβτ|+（1-τ）·I（yt+1

其中，xt為包含被解釋變量滯后一期、“推動—拉動”因素、相關政策以及常數(shù)項在內(nèi)的預測變量在第t期的觀測值；yt+1為響應變量跨境資本流動在第t+1期的觀測值；I（·）為示性函數(shù)；針對不同的分位點τ，在分位數(shù)回歸的估計程序中，模型通過最小化分位數(shù)加權的絕對殘差得到待估參數(shù)的估計量β︿τ。通過以上的估計策略，可以得到在給定xt條件下的跨境資本流動條件分位數(shù)預測：

Q︿yt+1|xt（τ|xt）=xtβ︿τ?（2）

基于式（2），分位數(shù)回歸提供了對未來一個月跨境資本流動yt+1的近似估計Q︿yt+1|xt。在此基礎上，本文通過穩(wěn)定分布進行擬合。具體來說，由于穩(wěn)定分布并不存在統(tǒng)一、封閉的概率密度函數(shù)的解析表達式，隨機變量服從穩(wěn)定分布時，當且僅當其特征函數(shù)滿足

Eeity;α，β，γ，δ=exp-γαtα1+iβsignttanπα???2（γ|t|）1-α-1+iδt，α≠1

exp-γ|t|1+iβsigntπ???2ln（γ|t|）+iδt，α=1?（3）

其中，E（·）為期望函數(shù)，α、β、γ、δ分別為穩(wěn)定分布的第一形態(tài)參數(shù)、第二形態(tài)參數(shù)、尺度參數(shù)和位置參數(shù)，給定以上4個參數(shù)，可以確定唯一的穩(wěn)定分布。

在得到t期預測變量xt條件下的跨境資本流動y︿t+1的預測穩(wěn)定分布后，為進一步衡量跨境資本的涌入風險與撤離風險，本文以中國跨境資本流動的歷史數(shù)據(jù)為基準，分別計算y︿t+1大于歷史均值單位標準差的條件預測概率p︿s與y︿t+1小于歷史均值單位標準差的條件預測概率p︿r，

并將以上概率定義為中國跨境資本異常波動的風險。

進一步，由于穩(wěn)定分布并不具有解析形式的概率密度函數(shù)，本文采用程序直接積分法得到預測穩(wěn)定分布的近似條件概率密度函數(shù)f︿yt+1y|xt?；谝陨希袊缇迟Y本流動的涌入風險和撤離風險可表示為

p︿r=∫μ︿-σ︿-∞f︿yt+1y|xtdy?（4）

p︿s=∫+∞μ︿+σ︿f︿yt+1y|xtdy?（5）

其中，μ︿和σ︿分別為基于中國跨境資本流動歷史數(shù)據(jù)估計的均值及標準差。

（三）變量選取與數(shù)據(jù)來源

參考已有文獻，本文選取全球經(jīng)濟基本面、全球風險偏好

全球風險偏好指標的構建參考Datta等［19］的研究，計算摩根士丹利發(fā)達經(jīng)濟體股票指數(shù)、美國標普500指數(shù)、標普500的VIX波動率指數(shù)、道瓊斯歐指波動率指數(shù)（VSTOXX）、10年期美國國債收益率、10年期德國國債收益率、美國高收益公司債券利差、歐元區(qū)高收益公司債券利差、美元兌日元匯率、歐元兌瑞士法郎匯率、新興市場美元指數(shù)以及黃金現(xiàn)貨價格的月度變化（或變化率），對VIX、VSTOXX、美國和歐元區(qū)高收益公司債券利差、新興經(jīng)濟體美元指數(shù)、黃金價格取相反數(shù)后加總得到。、全球流動性水平以及美國貨幣政策作為推動跨境資本流入中國市場的全球性因素。對于拉動因素，本文選取中國經(jīng)濟基本面、國內(nèi)外短期利差、國內(nèi)外長期利差、國內(nèi)外匯差、國內(nèi)外資產(chǎn)價差以及中國經(jīng)濟政策不確定性

具體來說，中國經(jīng)濟基本面通過國家統(tǒng)計局公布的宏觀經(jīng)濟景氣指數(shù)、環(huán)亞經(jīng)濟數(shù)據(jù)有限公司（CEIC）公布的中國經(jīng)濟先行指標以及中金公司構建的中金宏觀經(jīng)濟景氣指數(shù)三個子指標的第一主成分衡量；國內(nèi)外短期利差以3個月Shibor利率與美國銀行間3個月同業(yè)拆借利率之差衡量；國內(nèi)外長期利差以中國10年期國債收益率與美國10年期國債收益率之差衡量；國內(nèi)外匯差以人民幣兌美元中間價漲跌幅與美元指數(shù)漲跌幅之差衡量；國內(nèi)外資產(chǎn)價差以滬深300指數(shù)漲跌幅與標普500指數(shù)漲跌幅之差衡量；中國經(jīng)濟政策不確定性采用Huang等［20］構建的中國經(jīng)濟政策不確定性指數(shù)衡量。。此外，本文的數(shù)據(jù)集中還包含宏觀審慎政策和資本管制措施

Pasricha等［21］提供了45個經(jīng)濟體的資本管制強度數(shù)據(jù)庫，更新時間截至2015年。本文在其基礎上，查閱國家外匯管理局官網(wǎng)，補充了中國2016—2021年的數(shù)據(jù)。具體來說，通過檢索外匯管理局官網(wǎng)中“政策法規(guī)”目錄下的“資本項目外匯管理”，選取涉及放松/收緊跨境組合投資管制的相關法令條款，根據(jù)放松/收緊傾向賦予“-1—1”虛擬變量。為衡量相關政策的沖擊效應，僅對法令頒布當月進行賦值，最后結合Fernández等［22］構建的年度資本管制水平數(shù)據(jù)庫進行校準。。

跨境資本流動數(shù)據(jù)來源為新興投資組合基金（EPFR）數(shù)據(jù)庫

Fratzscher等［9，23］指出EPFR是所有國際資本流動數(shù)據(jù)庫中最全面的一種，尤其是在高頻數(shù)據(jù)和地理覆蓋范圍層面。盡管所占市值較低，但是EPFR中的投資組合流量與BOP中的投資組合流量密切匹配。本文選取EPFR中期初未嘗投資額的百分比變化指標（Flow，%），該指標克服了基金數(shù)量隨時間變化的問題，這也是使用EPFR相關研究中的標準做法。，其中包含流入中國債券和股票市場的資本凈流量數(shù)據(jù)

本文主要探討跨境組合投資的原因。一方面是基于數(shù)據(jù)可得性；另一方面，已有研究表明跨境組合投資對外部因素的反應最為敏感，相比之下，后金融危機時期的跨境直接投資和跨境銀行貸款則對“推動—拉動”因素缺乏敏感性，且波動程度較低。。本文對M2等存量數(shù)據(jù)采用對數(shù)差分處理，全球?qū)嶓w經(jīng)濟活動指數(shù)、中國經(jīng)濟政策不確定性指數(shù)等指數(shù)型數(shù)據(jù)采用標準化處理，所有指標的頻率統(tǒng)一為月度。此外，全球經(jīng)濟在后金融危機時期進入了低利率與低通脹共存的新常態(tài)，跨境資本流動也呈現(xiàn)出諸多新特征，為盡可能地捕捉后金融危機時期的跨境資本流動的新特點，本文的樣本時間跨度為2011年1月—2021年12月。匯總的變量選取及數(shù)據(jù)來源如表1所示。

（四）跨境資本異常波動關鍵預警因子的識別動機

許多重要政策問題的本質(zhì)實際上都是基于最小預測偏差的預測問題，而非基于生成無偏估計量的因果推斷［14-15］。隨著統(tǒng)計學和計量技術的發(fā)展，對于經(jīng)濟金融活動中某一指標的度量方式可能是多樣且復雜的。例如本文涉及的“全球風險偏好”指標，現(xiàn)有文獻中主要的衡量方式有芝加哥期權交易所波動率指數(shù)（VIX）、美國BBB級公司信用債利差、風險厭惡指數(shù)、風險承擔/厭惡指數(shù)以及基于全球資產(chǎn)價格主成分的風險偏好指數(shù)等。

對于經(jīng)濟中的預測問題來說，主觀的指標選取往往不能達到最優(yōu)的樣本外預測效果，多重共線性以及過擬合問題又極大地限制了通過擴充變量集改善預測精度的做法［27］。在此背景下，能夠基于真實世界中的復雜信息，對高維數(shù)據(jù)集通過程式化法則而非主觀設定進行變量篩選的機器學習方法逐漸在經(jīng)濟學特別是預測問題中得到應用［28］。

本文基于機器學習的最小絕對值收縮和篩選算子（Lasso）技術以及主成分分析技術，構建了一個Lasso-PCA雙重篩選模型，從包含371個變量的高維數(shù)據(jù)集中篩選出對跨境資本異動風險貢獻最大的關鍵預警因子，并嘗試探討其背后的經(jīng)濟金融學邏輯。

（五）跨境資本異常波動關鍵預警因子的識別策略

首先，將式（4）（5）識別出的跨境資本異常波動風險作為被解釋變量，將高維數(shù)據(jù)集作為解釋變量，運用機器學習Lasso方法進行一次篩選，得到資本涌入風險和撤離風險的預警因子集；其次，對預警因子集進行主成分分析，不同主成分按照因子載荷排序得到關鍵預警因子；最后，估算關鍵預警因子的置信區(qū)間

方法細節(jié)留存?zhèn)渌?。。參考Belloni等［29］的研究，本文采用雙重選擇Lasso方法對關鍵預警因子的預測置信區(qū)間進行估計

需要說明的是，對于關鍵預警因子的篩選并不意味著其他“推動—拉動”因素或者相關政策不重要，本文的識別策略僅基于其是否具有最佳的預警效果，不代表“非關鍵預警因子”和跨境資本異常波動之間沒有因果聯(lián)系。。

綜合已有文獻，本文構建了一個涵蓋32個數(shù)據(jù)庫、經(jīng)典文獻以及筆者計算在內(nèi)包含371個子指標的月度高維預測數(shù)據(jù)集，指標涵蓋實體經(jīng)濟、金融市場（貨幣市場、資本市場、債券市場、外匯市場、大宗商品市場、衍生品市場）、公眾預期和不確定性等多個維度，一級指標與數(shù)據(jù)來源見表2。

三、實證結果與分析

（一）跨境資本異常波動風險的識別結果與分析

線性回歸模型的擬合情況如圖2所示。可以看出，針對跨境資本流動的不同分位點，線性模型的預測誤差存在顯著差異，無論是債券資本還是股票資本，線性模型對于其尾部事件的預測精度均顯著低于常規(guī)時期。這說明傳統(tǒng)的線性回歸擬合對樣本異常值缺乏敏感性，無法識別出跨境資本流動所面臨的尾部風險。

圖2線性回歸擬合結果

基于式（1）～（5）的識別策略，分別選取跨境債券資本流動和跨境股票資本流動作為預測響應變量p︿，分別得到債券資本涌入風險、債券資本撤離風險、股票資本涌入風險和股票資本撤離風險4個子指標，識別結果如圖3所示?？梢钥闯?，本文構建的跨境資本異動風險指標對于真實數(shù)據(jù)尤其是異常值具有較高的匹配度，即擁有良好的樣本外預測能力。模型預警的涌入風險較高時，往往伴隨著跨境資本的大規(guī)模流入，而模型預警的撤離風險較高時，則往往伴隨著跨境資本的大規(guī)模流出或流向逆轉

需要說明的是，本文構建的跨境資本異常波動風險指標本質(zhì)上是基于預測變量滯后一期的事前預警。事實上，較高的涌入風險是否會釋放為實際資本的大規(guī)模流入，還取決于當期的內(nèi)外部經(jīng)濟金融狀況以及相應的政策反饋，尤其是資本賬戶開放程度。本文將月度的實際股票/債券凈流入作為被解釋變量，將構建的股票/債券涌入風險和當月的資本管制強度作為解釋變量，通過回歸發(fā)現(xiàn)，資本賬戶開放程度越高，資本涌入風險越有可能釋放為實際的資本大規(guī)模流入。感謝匿名審稿專家的寶貴建議。。

1.?2011年—2013年

在2011—2013年上半年，由于美聯(lián)儲超寬松貨幣政策造成的全球流動性充裕，中國面臨較高的資本涌入風險。對于跨境債券而言，2011年4月—2011年9月以及2012年10月—2013年5月期間面臨較高的流入壓力；對于跨境股票而言，2012年10月—2013年4月期間面臨較高的流入壓力；而2012年10月恰好對應于美聯(lián)儲開啟第三輪量化寬松的時間；在該時期，除了2011年2月—2011年4月跨境股票撤離風險較高外，中國面臨的資本流出壓力整體偏低。

2.?2013年—2017年

2013年下半年—2017年的美聯(lián)儲貨幣政策緊縮周期，中國面臨的跨境組合投資撤離風險顯著上升。2013年6月，時任美聯(lián)儲主席的伯南克在國會演講時釋放出縮表信號。受到“縮減恐慌”情緒的影響，全球投資者風險偏好程度下降，表現(xiàn)在跨境債券和股票的撤離風險在2013年6月—2013年9月激增。

2014年1月—2015年12月美聯(lián)儲正式縮表，同時在2015年8月中國宣布實行“8·11”匯改，期間跨境債券分別在2014年2月—6月、2015年1月—4月以及2015年9月—12月面臨較高的流出壓力；跨境股票分別在2014年2月—6月、2014年10月—2015年5月以及2015年9月—12月面臨較高的流出壓力；除了2015年3月以及2015年6月—8月跨境股票涌入風險較高外，中國面臨的資本流入壓力處于較低水平。2015年12月，美聯(lián)儲宣布加息，造成中國的跨境債券撤離風險在2016年1月—3月顯著上升。2016年11月—2017年1月，由于人民幣兌美元大幅貶值，跨境組合投資流出壓力再次攀升。

3.?2018—2019年

隨著中國金融市場的對外開放，在2018—2019年底，跨境組合投資整體上呈現(xiàn)出凈流入的態(tài)勢，其中跨境股票在2018年1月—6月面臨較高的涌入風險；2018年10月，美國中期選舉的不確定性造成以美股為代表的發(fā)達經(jīng)濟體股價暴跌，引起中國股票市場的資本流入壓力在2018年10月—2019年1月顯著上升；然而，由于中美貿(mào)易摩擦的升級，美國在2019年8月宣布對總價值約3?000億美元的中國進口產(chǎn)品征收關稅，造成跨境股票在2019年8月—11月期間面臨較高的流出壓力。

4.?2020—2021年

2020年以來，新冠病毒感染疫情的全球“大流行”造成了跨境資本的大進大出。具體來說，在2020年上半年，由于新冠病毒感染疫情的暴發(fā)，全球經(jīng)濟陷入停滯，不確定性攀升，中國債市和股市海外資本的撤離風險經(jīng)歷了一輪短暫上行。這種趨勢自2020年6月開始發(fā)生逆轉，由于中國率先控制住了疫情的傳播并實現(xiàn)復工復產(chǎn)，海外投資者對中國經(jīng)濟復蘇的信心大增。同時，發(fā)達經(jīng)濟體中央銀行的超寬松貨幣政策使得國內(nèi)外利差擴大，在“追求收益”的驅(qū)動下，跨境資本的涌入風險加劇。事實上，在2020年下半年—2021年上半年，流入中國股票市場和債券市場的資本規(guī)模也屢創(chuàng)新高。

然而，由于“德爾塔”以及“奧密克戎”變異毒株的出現(xiàn)，中國國內(nèi)疫情出現(xiàn)反復。此外，以美國和歐元區(qū)為代表的發(fā)達經(jīng)濟體的通貨膨脹率居高不下。在此背景下，發(fā)達經(jīng)濟體中央銀行收緊貨幣政策的步伐逐漸加快，國內(nèi)外貨幣政策立場開始分化，美元走強，利差收窄?？缇迟Y本的流入壓力得到緩解，同時流出壓力顯著增加。

（二）跨境資本異常波動關鍵預警因子的識別結果與分析

基于本文構建的Lasso-PCA雙重篩選模型，分別將債券涌入風險、債券撤離風險、股票涌入風險和股票撤離風險作為預測響應變量，關鍵預警因子的識別結果如表3所示

Lasso回歸和主成分分析的詳細結果留存?zhèn)渌?。?？梢钥闯?，?jīng)過Lasso交叉驗證的初步篩選后，股票資本涌入風險和撤離風險的總預警因子數(shù)分別為28個和22個，債券資本涌入風險和撤離風險的總預警因子數(shù)分別為10個和5個，股票資本的預警因子個數(shù)顯著多于債券資本的預警因子數(shù)。這可能是因為股票資本跨境流動的成因相對來說更加復雜，會受到國內(nèi)外諸多“推動—拉動”因素及相關政策的共同影響；而債券資本跨境流動的驅(qū)動因素則相對集中，大量預測因子的加入并不能顯著改善模型的預測精度，即表現(xiàn)在被Lasso回歸的懲罰項剔除。

1.債券涌入風險

債券涌入風險的第一關鍵預警因子為國內(nèi)外長期利差，該指標通過中國10年期國債收益率和美國10年期政府債券收益率之差衡量。表3結果顯示，中美長期利差增加將顯著推升中國的債券涌入風險。其原因可能是國內(nèi)外長期利差一定程度上代表了中國債券市場對于海外投資者的相對吸引力，當國內(nèi)外長期利差擴大時，投資于中國債券尤其是長期國債的相對收益顯著上升。在此驅(qū)動下，中國未來面臨的債券資本大規(guī)模涌入的風險顯著增加。第二關鍵預警因子為人民幣兌美元外匯掉期的1個月遠端掉期點。外匯掉期能夠在一定程度上反映公眾對于匯率的預期，該指數(shù)上升意味著人民幣的遠期升值預期增強，在套匯動機的驅(qū)使下，國際資本涌入的概率上升。第三關鍵預警因子為中國經(jīng)濟基本面，其改善將增加海外投資者投資中國債券特別是長期債券的信心，增加未來債券資本的涌入風險。

2.債券撤離風險

債券撤離風險的第一關鍵預警因子為美國貨幣政策當月變化，本文使用美國影子利率的月度變化作為其代理變量。影子利率的當月變化能夠反映美聯(lián)儲的政策沖擊，雙重選擇Lasso回歸模型的結果顯示，美國貨幣政策的鷹派轉向?qū)@著增加中國跨境債券的撤離風險，與2014年量化縮減期間的經(jīng)驗保持一致。由于美聯(lián)儲的貨幣政策立場可以很大程度上反映為美國的短期利率水平，當美聯(lián)儲采取緊縮性貨幣政策時，美國短期利率上升，同時美元匯率走強，中美利差收窄，在套利和套匯的雙重動機下，流入中國債券市場的跨境資本面臨回流壓力。第二預警因子為CEIC中國宏觀指數(shù)，表3結果顯示，中國未來發(fā)生的債券撤離風險因經(jīng)濟基本面的惡化而上升。第三預警因子為宏觀審慎政策，宏觀審慎政策的收緊將顯著增加未來1個月跨境債券資本大規(guī)模流出的概率。

3.股票涌入風險

股票涌入風險的第一關鍵預警因子為全球風險偏好水平，全球風險偏好指標的上升意味著全球投資者的風險承擔。具體來說，表3的回歸結果顯示，全球風險偏好水平下降將增加中國的股票涌入風險，該結論與部分文獻的研究結果相反［4，33-34］。

中國跨境股票資本凈流入與滯后一期VIX指數(shù)的相關情況如圖4所示。可以看出，在整個樣本期內(nèi)，中國跨境股票資本凈流入與滯后一期VIX指數(shù)并無顯著相關關系，表現(xiàn)為全樣本的回歸線斜率較為平坦；然而，當聚焦跨境股票資本大規(guī)模流入的時期時（選擇實際凈流入的上10%分位數(shù)），二者卻呈現(xiàn)出顯著的正相關關系，即VIX指數(shù)的上升能夠為跨境資本涌入中國股市提供一定程度的預警?？赡艿脑蛉缦拢?/p>

（1）相較于已有文獻，本文對研究樣本進行了更新。Rey［33］研究的樣本時間跨度為1990—2012年，Chari等［34］研究的樣本時間跨度為2002—2019年，Gelos等［4］研究的樣本時間跨度為1996—2018年。以上研究的樣本時間節(jié)點均在新冠病毒感染疫情暴發(fā)以前，并且橫跨了2008年全球金融危機這一“黑天鵝”事件，危機的爆發(fā)與全球疫情造成的全球投資者風險規(guī)避驅(qū)動了跨境股票大規(guī)模撤離新興經(jīng)濟體，在實證結果上體現(xiàn)為VIX指數(shù)與凈流入新興經(jīng)濟體的跨境資本規(guī)模之間的顯著負相關關系。

（2）相較于已有文獻，本文的研究對象聚焦中國。Rey［33］研究的樣本國家為53個發(fā)達和新興經(jīng)濟體，Chari等［34］研究的樣本國家為21個不包含中國的新興經(jīng)濟體，Gelos等［4］研究的樣本國家為33個不包含中國的新興經(jīng)濟體。也就是說，VIX指數(shù)與跨境資本流入規(guī)模的負相關關系這一結論，很大程度上是基于不包括中國的新興經(jīng)濟體所得出的。理論上，盡管中國也屬于新興經(jīng)濟體，但是與其他新興經(jīng)濟體相比，中國在經(jīng)濟體量、金融體系、匯率制度以及資本賬戶開放程度等方面具有一定的獨特性。因此，以上結論并不適用于中國。

圖4中國跨境股票資本凈流入與滯后一期VIX指數(shù)的相關情況

注：圖中虛線為線性回歸擬合線；跨境資本流動的數(shù)據(jù)來源為EPFR，VIX指數(shù)的數(shù)據(jù)來源為圣路易斯聯(lián)儲；時間跨度為2011年1月—2021年12月。

（3）已有研究表明，全球跨境資本流動的模式在2008年金融危機以來，特別是新冠病毒感染疫情以來，呈現(xiàn)出諸多新特征。國際清算銀行的課題研究表明，新冠病毒感染疫情以來，國際資本變得更加“挑剔”，青睞經(jīng)濟復蘇更加迅速、制度框架更加成熟以及金融市場更加發(fā)達的新興市場國家［35］。由于在新冠病毒感染疫情暴發(fā)之初中國較好地控制住了疫情的擴散，并率先完成復工復產(chǎn)，加上彼時投資于中國股市能夠獲得相對穩(wěn)定的回報，中國的股票市場便成為全球跨境資本的主要流向。VIX指數(shù)在2020年第2季度—2020年第4季度的平均值分別達到了34.49、25.81和25.62，其中2020年第2季度更是創(chuàng)下2008年全球金融危機以來的新高。然而，全球風險偏好水平的驟降并未造成跨境股票大規(guī)模流出中國，期間流入中國股市的資本規(guī)模分別為897.67、792.25和2?512.06億美元，屢創(chuàng)新高

數(shù)據(jù)來源為圣路易斯聯(lián)儲和中國國家外匯管理局。。

本文為后疫情時代國際資本流向的新特征提供了初步的證據(jù)。新冠病毒感染疫情暴發(fā)初期，全球投資者轉向風險規(guī)避，大規(guī)模跨境資本涌入中國股市；而自2021年以來，全球投資者轉向風險承擔，流入中國股市的跨境資本卻出現(xiàn)驟停。以上證據(jù)說明，在后金融危機尤其是后疫情時代，全球風險偏好與股票涌入風險的正相關關系在中國并不穩(wěn)健，中國股票甚至在一定程度上起到了全球避險資產(chǎn)的作用，全球風險偏好水平下降成為能夠預警中國股票涌入風險的關鍵因子。因此，防范化解跨境股票大規(guī)模涌入造成的風險累積，需要格外關注全球風險偏好水平的變化。

芝加哥期貨交易所（CBOT）美國10年期國債期權的當月成交量是股票涌入風險的第二預警因子，該指標的大幅波動通常發(fā)生在發(fā)達經(jīng)濟體貨幣政策轉向或者全球風險偏好突變時。在不考慮嚴格因果關系的基礎上，CBOT美國10年期國債期權當月成交量的上升與未來中國應對股票的資本涌入壓力呈顯著的正相關關系。股票涌入風險的第三預警因子是中美長期利差，表3結果顯示，中美長期利差的收窄在降低債券涌入風險的同時會增加股票涌入風險，證明了跨境資本“投資組合再平衡”效應的存在。

4.股票撤離風險

美元匯率是股票撤離風險的第一關鍵預警因子，本文以名義美元匯率指數(shù)的當月漲幅作為代理變量，表3結果顯示，名義美元匯率指數(shù)上漲將增加中國的股票撤離風險。其可能的原因是，匯率預期對跨境資本流動的方向和規(guī)模具有重要影響。人民幣匯率可以視為人民幣相對于其他貨幣的價格，市場形成人民幣的貶值預期意味著投資者認為人民幣將變得“廉價”，因此便傾向于拋售人民幣資產(chǎn)以規(guī)避損失并追求更高的收益。在現(xiàn)階段，中國的匯率波動幅度整體偏低，人民幣兌美元匯率無法實現(xiàn)清潔浮動。而美元指數(shù)卻與人民幣匯率預期高度相關，當美元指數(shù)走強時，市場形成人民幣的貶值預期，在套匯動機的驅(qū)動下，跨境資本大規(guī)模流出中國股市的風險加劇。

上海證券綜合指數(shù)當月漲幅是股票撤離風險的第二預警因子。本文的結果顯示，上海證券綜合指數(shù)的上漲將對未來1個月的股票撤離事件起到關鍵預警作用，從風險生成機理的角度來看，金融風險往往生成于資產(chǎn)價格大幅上漲期間，因此應格外警惕股價大幅上漲帶來的未來資本撤離風險；股票撤離風險

的第三預警因子是法國CAC?40指數(shù)的月度漲幅，該指標由法國巴黎證券交易所公布，反映了在該交易所上市且市值排名前40名上市公司的整體股價變動情況。法國巴黎CAC?40指數(shù)能在一定程度上反映發(fā)達經(jīng)濟體股價的變動情況，在2011年1月—2021年12月的樣本期內(nèi)，其與MSCI發(fā)達經(jīng)濟體股價指數(shù)的相關系數(shù)為0.97，與美國標普500指數(shù)的相關系數(shù)為0.92。中國跨境股票凈流入的前5%分位數(shù)與滯后一期法國CAC?40指數(shù)當月漲跌幅的對比情況見表4。

從表4可以看出，在中國跨境股票出現(xiàn)撤離事件的前一個月，法國CAC?40均保持大幅上漲，平均月度漲幅達到4.45%，再次印證了該指標對于跨境股票左尾風險的預警作用。作為對比，美國標普500指數(shù)期間的平均月度漲幅也達到3.24%，然而在2014年2月卻下跌2.4%，無法對中國2014年3月的股票資本撤離發(fā)出預警信號，?Lasso-PCA模型捕捉到了這些細微差別并最終篩選出了法國CAC?40指數(shù)。理論上，發(fā)達經(jīng)濟體和中國的股票資產(chǎn)存在一定的替代關系，當發(fā)達經(jīng)濟體的股票價格上漲較快時，國內(nèi)外資產(chǎn)價差的收窄可能會引起流入中國股票市場跨境資本的大規(guī)?；亓鳌＞皖A測效果而言，法國CAC?40指數(shù)不失為中國股票撤離風險的一個關鍵預警因子。橫向?qū)Ρ葋砜?，中國?jīng)濟基本面能夠?qū)Y本的異常波動起到關鍵性的預警作用，而股票資本異動風險的預警因子則均為金融指標。

需要說明的是，已有文獻表明美聯(lián)儲貨幣政策與新興經(jīng)濟體以及中國的跨境資本流動緊密相關。但在本文對關鍵預警因子的識別中，美國貨幣政策僅為債券撤離風險的關鍵預警因子。其原因在于，機器學習Lasso方法對于預警因子的識別主要是基于其預警效果，并未對其背后的嚴格因果邏輯進行區(qū)分。如前文所述，在理論上，美國貨幣政策是中國跨境資本涌入和撤離的重要成因。而Lasso模型將其剔除的原因在于，相較于其他預警因子，美國貨幣政策對債券涌入風險、股票涌入風險以及股票撤離風險的預警效果并非最佳。美聯(lián)儲貨幣政策與其他關鍵預警因子的相關性見表5。

表5的結果顯示，美國貨幣政策和“關鍵預警因子”中美長期利差、中國經(jīng)濟基本面、美國10年期國債期權成交量、名義美元指數(shù)高度相關，即以上變量對中國跨境資本異常波動預警的背后，可能蘊含了美國貨幣政策變動的信息。此外，美國影子利率的變化趨勢與本文識別出的關鍵預警因子并不完全重合。模型的識別結果顯示，單純從預測精度的角度來看，以上因子對債券涌入風險、股票涌入風險和股票撤離風險的預警效果優(yōu)于美國影子利率，即表現(xiàn)為美國貨幣政策變量被有監(jiān)督Lasso回歸模型剔除。

為進一步驗證關鍵因子的預測效果，以第一關鍵預警因子的樣本均值為界，分別繪制其觀測值大于樣本均值和小于樣本均值時，未來一個月跨境資本實際流入的概率密度函數(shù)，如圖5所示。結果表明，本文構建的Lasso-PCA模型識別出的關鍵預警因子對于債券和股票的尾部風險具有良好的預測效果，即能夠?qū)ξ磥碇袊l(fā)生的跨境資本異常波動發(fā)出前瞻性的預警信號。

（三）2022年以來中國的跨境資本異常波動風險

新冠病毒的全球流行嚴重危害了公眾的生命健康安全，阻礙了正常的社交活動，并且迅速演變?yōu)橐粓鋈蛐缘慕鹑诤徒?jīng)濟危機。圖3結果顯示，2020年下半年，由于迅速完成新增確診病例的階段性“清零”以及率先完成復工復產(chǎn)，中國面臨的資本涌入壓力激增，跨境債券涌入風險更是在2020年上半年達到歷史峰值；然而，由于本土疫情的反復以及發(fā)達經(jīng)濟體股票價格的迅速反彈，中國面臨的跨境股票流入壓力在2021年初驟降，撤離風險顯著攀升，這意味著中國出現(xiàn)跨境資本流向逆轉的可能性增加。

作為中國跨境資本撤離風險的關鍵預警因子，美國貨幣政策和美元匯率走勢如圖6所示。結果顯示，2022年以來，美國貨幣政策持續(xù)收緊，且美元匯率走強。一方面，由于疫情發(fā)展存在不確定性，各國政府在取消一部分限制性政策的基礎上保留了諸如設定入境隔離以及貨運延遲交付等措施，這些限制性措施在一定程度上降低了全球經(jīng)濟活動的效率，往返于不同國家之間的船只被迫排隊數(shù)日才能進入港口，整個供應鏈的配送受阻，貿(mào)易運輸成本飆升［36］。尤其是對全球化水平較高的發(fā)達經(jīng)濟體而言，供給缺口的擴大造成了國內(nèi)物價水平的上行壓力，通貨膨脹率高企。為控制通貨膨脹，美聯(lián)儲等發(fā)達經(jīng)濟體央行連續(xù)加息，迅速收緊貨幣政策。在利率平價條件下，美元匯率同步走強。另一方面，由于2022年初爆發(fā)的俄烏沖突，全球不確定性攀升，投資者轉向風險規(guī)避，并增持美元安全資產(chǎn)，進一步推升了美元匯率。

根據(jù)本文的識別結果，美國貨幣政策和美元匯率分別是中國跨境債券和股票資本撤離風險的關鍵預警因子。因此，在美聯(lián)儲持續(xù)加息與美元走強的影響下，中國面臨較高的資本流出風險。數(shù)據(jù)顯示，2022年前三個季度，組合投資凈流出分別達到387億美元、351億美元和348億美元?數(shù)據(jù)來源為中國國家外匯管理局。

盡管美聯(lián)儲的鷹派轉向一定程度上抑制了物價急速上行，但是短期來看，中國仍需防范跨境資本的大規(guī)模流出風險。一方面，價格水平作為實體經(jīng)濟活動的重要指標，通常伴隨著企業(yè)的整個生產(chǎn)周期，并且具有一定的黏性與慣性。在經(jīng)歷持續(xù)的高通貨膨脹率后，市場均衡價格可能會緩慢調(diào)整而非迅速回落。另一方面，逆全球化思潮下全球供應鏈的阻塞與調(diào)整是本輪通貨膨脹的重要驅(qū)動因素。逆全球化主要表現(xiàn)為從全球化轉向區(qū)域集團化、從貿(mào)易自由化轉向貿(mào)易保護主義、從基于效率準則的全球價值鏈轉向基于安全準則的全球價值鏈，這在某種程度上改變了全球經(jīng)濟發(fā)展與分工模式，造成商品的生產(chǎn)和貿(mào)易成本上升，推動各國物價水平上漲。由于貨幣政策的直接作用目標是需求端而非供給端，因此供給驅(qū)動的通貨膨脹壓力短期內(nèi)難以消除；此外，俄烏沖突造成全球地緣政治風險飆升，在美元主導的國際貨幣體系下，美元資產(chǎn)仍然是國際投資者的主要避險工具。在不確定性環(huán)境下，美元安全資產(chǎn)整體上仍然供不應求。

因此，在發(fā)達經(jīng)濟體通貨膨脹壓力持續(xù)與全球不確定性較高的背景下，美國貨幣政策收緊與美元走強的趨勢短期內(nèi)可能很難逆轉。根據(jù)本文的研究結果，這將使中國面臨較高的跨境投資撤離風險。由于中國現(xiàn)階段面臨“需求收縮、供給沖擊、預期轉弱”的三重壓力，貨幣政策的收緊空間有限，國內(nèi)外金融周期錯位，國內(nèi)因素對短期資本的拉動作用同樣較弱。

四、結論與政策啟示

在“擴大高水平對外開放”以及“加強風險預警、防控機制和能力建設”的總體要求下，有必要對中國的跨境資本異常波動風險進行識別，并構建前瞻性的風險預警模型。本文基于“在險資本流動”的宏觀研究新范式，運用預測分位數(shù)回歸與穩(wěn)定分布擬合方法，識別出中國的跨境資本異常波動風險。在此基礎上，基于包含371個指標的高維數(shù)據(jù)集，通過構建的Lasso-PCA雙重篩選機器學習方法，識別出不同類型跨境資本異動風險的“關鍵預警因子”。結果顯示：（1）本文構建的跨境資本異動風險指標能較好地衡量中國面臨的資本流動尾部風險；（2）國內(nèi)外長期利差擴大是債券資本涌入風險的關鍵預警因子，美國貨幣政策收緊是債券資本撤離風險的關鍵預警因子，全球風險偏好降低是股票資本涌入風險的關鍵預警因子，而美元名義有效匯率上升是股票資本撤離風險的關鍵預警因子；（3）2022年以來，美聯(lián)儲持續(xù)加息與美元走強會增加中國的跨境資本撤離風險?；谝陨涎芯堪l(fā)現(xiàn)，本文提出如下政策建議：

一是加強對跨境資本異常波動的關注，嘗試將跨境資本異常波動風險納入政策的跨周期設計。歷史經(jīng)驗表明，跨境資本異常波動會顯著影響一國的經(jīng)濟金融狀況，并且為當局的政策制定帶來挑戰(zhàn)?；谫Y本流動“尾部事件”可能產(chǎn)生的巨大經(jīng)濟成本，政府應給予充分重視。具體來說，可以適當轉換政策的調(diào)控思路，從控制資本流向轉為平抑異常波動與降低尾部風險。理論上，中國的跨境資本流動存在較高的不確定性，并且難以預測。然而，本文的研究結論卻顯示存在能夠發(fā)出高質(zhì)量預警信號的“關鍵預警因子”。因此，政府可以在政策的跨周期設計中納入這些因素，在客觀評估中國所面臨的外部金融沖擊的基礎上，通過相應的政策工具化解跨境資本異常波動風險。

二是針對不同類型跨境資本，構建差異化和前瞻性的政策框架。本文研究結果顯示，跨境債券和股票的預警因子存在顯著差異，這表明不同類型資本的異常波動風險在生成機理與傳導路徑上很可能大相徑庭。因此，政策制定應當符合其異質(zhì)性的特點，通過精細化和差異化的調(diào)控方式，避免政策工具的外溢效應與相互影響。此外，人工智能和機器學習一定程度上增加了前瞻性政策制定的技術可操作性。即基于大樣本、高頻率、長時間的高維數(shù)據(jù)集，通過對模型進行程式化的有監(jiān)督訓練，獲得對跨境資本異常波動的高精度預測，并挖掘其背后的關鍵預警因子。實踐中，在模型發(fā)出預警信號后，可以結合當下的經(jīng)濟金融狀況與政策空間進行前瞻性的政策調(diào)控，在避免過度行政干預的基礎上，通過更加透明、規(guī)則、可預期的政策手段，防范化解跨境資本“大進大出”帶來的外部沖擊風險，避免事后補救需要付出的高昂成本。

參考文獻：

［1］BEKAERT?G，?HARVEY?C?R，?LUNDBLAD?C.?Does?financial?liberalization?spur?growth？［J］.?Journal?of?Financial?Economics，?2005，?77（1）：?3-55.

［2］MENDOZA?E?G.?Sudden?stops，?financial?crises，?andleverage［J］.?American?Economic?Review，?2010，?100（5）：?1941-66.

［3］CABALLERO?J?A.?Do?surges?in?international?capital?inflows?influence?the?likelihood?of?banking?crises？［J］.?The?Economic?Journal，?2016，?126：?281-316.

［4］GELOS?G，?GORNICKA?L，?KOEPKE?R，?et?al.?Capital?flows?at?risk：?taming?the?ebbs?and?flows［J］.?Journal?of?International?Economics，?2022，134：?103555.

［5］EGUREN-MARTIN?F，?ONEILL?C，?SOKOL?A，?et?al.?Capital?flows-at-risk：?push，?pull?and?the?role?of?policy［R］.?European?Central?Bank?Working?Paper，?2021.

［6］CHARI?A，?DILTS-STEDMAN?K，?FORBES?K.?Spillovers?at?the?extremes：?the?macroprudential?stance?and?vulnerability?to?the?global?financial?cycle［J］.?Journal?of?International?Economics，?2022，136：?103582.

［7］CABALLERO?R?J，?KRISHNAMURTHY?A.?Bubbles?and?capital?flow?volatility：?causes?and?risk?management［J］.?Journal?of?Monetary?Economics，?2006，?53：?35-53.

［8］ALFARO?L，?KALEMLI-OZCAN?S，?VOLOSOVYCH?V.?Why?doesnt?capital?flow?from?rich?to?poor?countries？?An?empirical?investigation［J］.?Review?of?Economics?and?Statistics，?2008，?90（2）：?347-368.

［9］FRATZSCHER?M.?Capital?flows，?push?versus?pull?factors?and?the?global?financial?crisis［J］.?Journal?of?International?Economics，?2012，?88（2）：?341-356.

［10］張明，肖立晟.?國際資本流動的驅(qū)動因素：新興市場與發(fā)達經(jīng)濟體的比較［J］.?世界經(jīng)濟，?2014（8）：?151-172.

［11］彭紅楓，祝小全.?短期資本流動的多重動機和沖擊：基于TVP-VAR模型的動態(tài)分析［J］.?經(jīng)濟研究，?2019（8）：?36-52.

［12］茍琴，耿亞瑩，譚小芬.?跨境資本涌入與非金融企業(yè)杠桿率［J］.?世界經(jīng)濟，?2022（4）：?54-79.

［13］ADRIAN?T，?BOYARCHENKO?N，GIANNONE?D.?Vulnerable?growth［J］.?American?Economic?Review，?2019，?109（4）：?1263-1289.

［14］KLEINBERG?J，?LUDWIG?J，?MULLAINATHAN?S，?et?al.?Prediction?policy?problems［J］.?American?Economic?Review，?2015，?105（5）：?491-495.

［15］ATHEY?S，?IMBENS?G?W.?The?state?of?applied?econometrics：?causality?and?policy?evaluation［J］.?Journal?of?Economic?Perspectives，?2017，?31（2）：?3-32.

［16］楊子暉，陳雨恬，張平淼.?股票與外匯市場尾部風險的跨市場傳染研究［J］.?管理科學學報，?2020（8）：?54-77.

［17］方意，賈妍妍.新冠肺炎疫情沖擊下全球外匯市場風險傳染與中國金融風險防控［J］.當代經(jīng)濟科學，2021（2）：1-15.

［18］丁志杰，嚴灝，丁玥.?人民幣匯率市場化改革四十年：進程、經(jīng)驗與展望［J］.?管理世界，?2018（10）：?24-32.

［19］DATTA?D，?LONDONO-YARCE?J?M，?SUN?B，?et?al.?Taxonomy?of?global?risk，?uncertainty，?and?volatility?measures［R］.?International?Finance?Discussion?Papers，?Board?of?Governors?of?the?Federal?Reserve?System，?No.1216，?2017.

［20］HUANG?Y，?LUK?P.?Measuring?economic?policy?uncertainty?in?China［J］.?China?Economic?Review，?2020，59：101367.

［21］PASRICHA?G?K，?FALAGIARDA?M，?BIJSTERBOSCH?M，?et?al.?Domestic?and?multilateral?effects?of?capital?controls?in?emerging?markets［J］.?Journal?of?International?Economics，?2018，?115：?48-58.

［22］FERNANDEZ?A，?KLEIN?M?W，?REBUCCI?A，?et?al.?Capital?control?measures：?a?new?dataset［J］.?IMF?Economic?Review，?2016，?64：?548-574.

［23］JOTIKASTHIRA?C，?LUNDBLAD?C，?RAMADORAI?T.?Asset?fire?sales?and?purchases?and?the?international?transmission?of?funding?shocks［J］.?Journal?of?Finance，?2012，?67（6）：?2015-2050.

［24］KILIAN?L.?Not?all?oil?price?shocks?are?alike：?disentangling?demand?and?supply?shocks?in?the?crude?oil?market［J］.?American?Economic?Review，?2009，?99：?1053-69.

［25］WU?J?C，?XIA?F?D.?Measuring?the?macroeconomic?impact?of?monetary?policy?at?the?zero?lower?bound［J］.?Journal?of?Money，?Credit?and?Banking，?2016，?48（2/3）：?253-291.

［26］ALAM?Z，?ALTER?A，?EISEMAN?J，?et?al.Digging?deeper-evidence?on?the?effects?of?macroprudential?policies?from?a?new?database［R］.?IMF?Working?Paper，?No.WP/19/66，?2019.

［27］MULLAINATHAN?S，?SPIESS?J.?Machine?learning：?an?applied?econometric?approach［J］.?Journal?of?Economic?Perspectives，?2017，?31（2）：?87-106.

［28］MASINI?R?P，?MEDEIROS?M?C，?MENDES?E?F.?Machine?learning?advances?for?time?series?forecasting［J］.?Journal?of?Economic?Surveys，?2023，?37（1）：?76-111.

［29］BELLONI?A，?CHERNOZHUKOV?V，?HANSEN?C.?Inference?on?treatment?effects?after?selection?among?high-dimensional?controls［J］.?Review?of?Economic?Studies，?2014，?81：?608-650.

［30］BAKER?S?R，?BLOOM?N，?DAVIS?S?J.?Measuring?economic?policy?uncertainty［J］.?Quarterly?Journal?of?Economics，?2016，?131（4）：?1593-1636.

［31］BEKAERT?G，?ENGSTROM?E?C，?XU?N?R.?The?time?variation?in?risk?appetite?and?uncertainty［J］.?Management?Science，?2022，?68（6）：?3975-4753.

［32］CALDARA?D，?IACOVIELLO?M.?Measuring?geopolitical?risk［J］.?American?Economic?Review，?2022，?112（4）：?1194-1225.

［33］REY?H.?Dilemma?not?trilemma：?the?global?financial?cycle?and?monetary?policy?independence［R］.?NBER?Working?Paper，No.21162，?2015.

［34］CHARI?A，?STEDMAN?K?D，?LUNDBLAD?C.?Capital?flows?in?risky?times：?risk-on/risk-off?and?emerging?market?tail?risk［R］.?NBER?Working?Paper，?No.?27927，?2020.

［35］Bank?for?International?Settlements.?Changing?patterns?of?capital?flows［R］.?Committee?on?the?Global?Financial?System?Papers，?No.66，?2021.

［36］譚小芬，王欣康，張碧瓊.?全球大宗商品價格周期的驅(qū)動因素：基于2000—2021年月度數(shù)據(jù)的實證分析［J］.?國際貿(mào)易問題，?2022（8）：?1-18.

編輯：鄭雅妮，高原