基于Wasserstein距离的结构断点识别与GARCH-VaR模型在原油价格风险测度中的创新应用

针对原油价格序列因突发事件导致的结构突变问题，研究人员提出融合Wasserstein距离的断点检测方法，构建了嵌入断点虚拟变量的GARCH-VaR模型。实证表明，该模型能显著降低失败率，提升WTI和Brent原油风险测度精度，为能源市场风险管理提供新范式。

　　

国际原油市场素有"工业血液"之称，其价格波动牵动着全球政治经济神经。然而，这个市场却像个喜怒无常的巨人——地缘冲突、经济危机、公共卫生事件等突发事件频频搅动，让油价走势呈现出非线性的混沌特征。更棘手的是，传统GARCH模型在捕捉这种结构性突变时常常力不从心，导致风险价值(VaR)测度出现偏差。就像用老式血压计测量过山车乘客的血压，结果难免失真。

国家自然科学基金资助的研究团队决心攻克这个难题。他们独辟蹊径地将Wasserstein距离引入断点检测，就像给时间序列装上高精度CT扫描仪，能准确捕捉WTI和Brent原油价格中的12处和17处结构突变。这些断点恰与2005-2024年间重大历史事件吻合，印证了方法的可靠性。更巧妙的是，研究者将断点转化为虚拟变量嵌入GARCH-VaR模型，构建出能自动调节"测量灵敏度"的新型风险预警系统。发表在《Expert Systems with Applications》的成果显示，新模型使风险测度失败率显著降低，犹如为动荡的油市安上了减震器。

关键技术包括：基于滑动窗口和双遍历策略的Wasserstein距离断点检测、动态阈值优化算法、含断点虚拟变量的GARCH(1,1)模型构建，以及失败率回溯测试。数据涵盖2005-2024年WTI和Brent原油4846/4918个日交易数据点。

【Methodology】
研究团队开发四步法框架：1)通过移动窗口计算子序列Wasserstein距离；2)采用移动平均技术动态确定检测阈值；3)双重遍历确定最优参数组合；4)将断点作为虚拟变量引入GARCH方差方程。这种设计既保持模型简洁性，又增强对突发事件的响应能力。

【Data sources】
选取WTI和Brent原油期货日数据，样本跨越三次重大危机（2008金融危机、2020疫情、2022俄乌冲突）。描述性统计显示收益率序列具有典型尖峰厚尾特征，J-B检验证实非正态分布，为模型优化提供现实基础。

【Conclusions】
研究证实结构断点会显著影响GARCH模型的波动率持续性估计。新方法不仅准确定位2008年雷曼时刻、2020年负油价等关键转折点，更通过虚拟变量机制有效区分了暂时性波动与结构性突变。相比传统模型，改进后的GARCH-VaR将风险测度误差降低30%以上，为能源企业和监管机构提供了更精准的"风险雷达"。这项突破性工作也为其他受突发事件影响的金融市场风险建模提供了普适性框架。

值得注意的是，研究揭示了不同原油市场的异质性响应——Brent原油对地缘政治事件更敏感，这与其产地特性相关。团队在讨论中指出，未来可结合自然语言处理技术，实现从事件发生到断点识别的智能化闭环。正如研究者所言："在充满黑天鹅的能源市场，我们的方法不是预测风暴，而是建造更坚固的避风港。"