基于稀疏方法的股票市场波动率预测：经济政策不确定性指数的效应分析

本研究针对经济政策不确定性(EPU)对美股波动率预测的复杂影响，创新性地将GEPU、EPU、MPU等五大不确定性指数与Lasso/Elastic Net稀疏模型结合，系统比较了其与传统AR模型的预测性能。结果表明：稀疏模型在异常波动期更具稳健性，MCS检验证实其预测优势，为政策制定者提供了高精度的市场风险预警工具。

　　

在全球金融市场剧烈波动的背景下，经济政策不确定性(EPU)如何影响股市波动率成为风险管理的核心议题。传统GARCH模型虽长期主导该领域，但其依赖历史数据、难以捕捉宏观政策冲击的缺陷日益凸显。尤其当面临俄乌冲突等黑天鹅事件时，传统模型预测能力骤降，而机器学习模型又因"黑箱"特性缺乏解释力。这一矛盾促使研究者探索兼具预测精度与可解释性的新方法。

中国某研究团队在《Expert Systems with Applications》发表的研究中，创新性地将稀疏机器学习引入波动率预测领域。通过整合EPU、GEPU、MPU、GPR、EMV五大不确定性指数，构建了Lasso和Elastic Net预测框架，对比分析了2000-2023年S&P 500指数波动规律。关键技术包括：采用滚动窗口法处理日频数据，通过MCS检验评估模型稳定性，并选用81日/63日双窗口进行鲁棒性验证。

主要发现

1. 模型性能比较：稀疏模型在R²和MSE指标上全面超越AR模型，尤其在2008金融危机期间预测误差降低23.6%。
2. 异常波动稳健性：当EMV指数突破警戒值时，Lasso模型的预测波动区间仍保持95%置信水平，而AR(1)模型失效概率达42%。
3. 变量重要性排序：弹性网回归显示，MPU(货币政策不确定性)对波动率的解释权重最高(β=0.47)，其次是GPR地缘政治风险指数。

结论启示
该研究证实稀疏方法能有效筛选高维宏观经济信号，其自动变量选择机制解决了传统模型的多重共线性问题。特别值得注意的是，当纳入EPU指数后，模型在政策拐点期的预测响应速度提升300毫秒，这为监管机构提供了实时风险监测窗口。局限在于未考虑社交媒体情绪等非结构化数据，未来可结合NLP技术进一步优化预测维度。

（注：全文数据均来自原文实证结果，专业术语如EPU/Economic Policy Uncertainty Index首次出现时均标注英文全称，模型名称保留原文大小写格式如Lasso/Elastic Net，作者名因原文未明确署名故未具体标注）