技术、加密货币和商品市场中的动态依赖与尾部风险

《Applied Sciences》：Dynamic Dependence and Tail Risk in Technology, Cryptocurrency and Commodity Markets

　　

本研究考察了2016年1月1日至2026年1月1日期间技术股票、比特币（Bitcoin）、黄金（Gold）和原油（Crude Oil）之间依赖结构的演变及尾部风险（tail risk）的传递。分析聚焦于英伟达（NVIDIA, NVDA）、超威半导体（AMD）、特斯拉（Tesla, TSLA）、比特币（Bitcoin, BTC）、黄金（Gold）和原油（Oil），涵盖了包括COVID-19大流行和俄乌冲突在内的重大冲击事件。一个综合的方法框架结合了动态条件相关广义自回归条件异方差（DCC-GARCH）模型、R藤蔓（R-vine）连接函数、尾部依赖（tail dependence）分析、复杂性测度以及基于机器学习的预测技术。研究结果揭示了波动持续性和时变相关性，尤其是在危机期间技术股票与比特币之间。制度分析表明，依赖结构在时间上并不稳定。在市场压力时期，下尾依赖性增强，表明下行风险传递增加。黄金与其他资产保持弱关联，而比特币对极端下行共动具有最强的暴露。基于尺度依赖李雅普诺夫指数（Scale-Dependent Lyapunov Exponent, SDLE）的复杂性分析显示了跨尺度的异质动态，其特征是局部发散和较宽尺度上的稳定化。基于随机森林（Random Forest）和极端梯度提升（XGBoost）模型的预测结果相对于基准模型提供了有限的预测增益，表明依赖性和尾部风险建模比短期收益预测能提供更深刻的见解。这些结果对于监测尾部风险传递以制定金融稳定政策具有重要意义。

随着数字金融生态系统的快速扩张和人工智能（AI）驱动分析技术的普及，技术股票、加密货币（如比特币）与商品市场（如黄金、原油）之间的相互联系显著增强。极端全球事件（如COVID-19大流行和俄乌冲突）进一步放大了市场不确定性和波动溢出效应。然而，传统线性模型难以捕捉危机期间资产间复杂的非线性、非对称依赖关系及尾部风险传播机制。现有研究分别关注了波动建模、依赖结构或机器学习预测，但缺乏一个整合了动态条件相关、尾部依赖、多尺度复杂性和AI预测的综合性框架。因此，这项研究旨在回答关键问题：在AI暴露的技术股、比特币与传统资产之间的尾部依赖结构是否随危机制度发生转变，这种转变是否在统计上可识别？通过引入制度依赖性测试、多尺度复杂性验证及基准比较，研究为理解数字化金融资产间的系统性风险提供了新视角。

研究人员基于2016年1月1日至2026年1月1日期间来自Yahoo Finance的六种代表性资产日度数据（NVDA、AMD、TSLA、BTC、Gold、Oil），开展了一项综合性实证分析。研究采用多个关键方法：首先，运用动态条件相关广义自回归条件异方差（DCC-GARCH）模型估计时变波动性和条件相关性；其次，通过R藤蔓（R-vine）连接函数族（包括Student-t、Gumbel、Joe、BB1、BB8、Tawn等及其旋转形式）以赤池信息准则（AIC）选择最优对，建模非对称尾部依赖；再次，采用尺度依赖李雅普诺夫指数（SDLE）分析多尺度的复杂动态；此外，利用随机森林（RF）和极端梯度提升（XGBoost）进行收益预测，并基于Diebold–Mariano检验与随机游走、历史均值、AR(1)基准模型比较。样本被划分为五个经济驱动力制度（COVID-19前、COVID-19冲击、恢复期、俄乌冲突期、危机后期），并在各制度内重新估计连接函数，通过块自助法（block-bootstrap）检验制度特定相关性是否与全样本均值有显著差异。

**4.1 DCC-GARCH模型**：通过对六种资产序列估计多元学生t分布下的DCC-GARCH(1,1)模型，发现所有资产（除黄金外）表现出显著的波动持续性和ARCH效应。NVDA与AMD、TSLA等股票之间以及它们与BTC之间的时变相关性在危机期间（尤其是COVID-19和俄乌冲突）显著上升。黄金的条件波动率最低，且其GARCH参数部分不显著，表明其短期冲击反应弱。动态条件相关性分析显示，NVDA-BTC相关性在2022年达到0.40以上，而NVDA-黄金相关性围绕零波动并偶尔为负，BTC-黄金相关性弱且不稳定，证明黄金作为避险资产的角色。

**4.2 尾部依赖**：通过R-vine连接函数的Tree 1分析，NVDA处于网络中心，与AMD（Kendall’s τ=0.4820）和TSLA（τ=0.2771）有强依赖，但无显著尾部依赖；BTC-NVDA对由Survival Gumbel连接函数描述，显示出显著的下尾依赖（LTD=0.1534），表明下行传染。NVDA-原油对也有下尾依赖（LTD=0.0925）。黄金与BTC仅有弱上尾依赖（UTD=0.0821）。制度依赖性测试（表13）显示，在15个资产-制度组合中，14个组合的制度特定相关性显著异于全样本均值，尤其是NVDA-BTC在俄乌冲突期间相关性偏移达+0.364，远超COVID-19冲击的+0.110。这证实了尾部依赖结构的制度非稳定性。

**4.3 尺度依赖李雅普诺夫指数**：对所有资产计算SDLE，发现均值为正，表明局部发散动态。正尺度比例（Positive Scale Share）接近0.5，说明发散与收敛机制共存。通过对嵌入参数（m∈{2,3,4}，τ∈{1,2}）的敏感性分析，正尺度比例稳定在0.41–0.57之间。替代数据检验（混淆原始序列）显示，NVDA、TSLA和原油的SDLE信号显著高于随机噪声，而AMD、BTC和黄金的复杂性很大程度上与独立同分布噪声不可区分。SDLE曲线在较小尺度上正值高，逐渐下降至零或负值，反映出局部不稳定和更大尺度上的稳定化机制。

**4.4 预测建模**：RF和XGBoost模型在2024年1月至2025年12月的样本外测试中表现不佳。基于RMSE，基准模型（历史均值、AR(1)）普遍优于机器学习模型，Diebold–Mariano检验表明，除个别资产外，两种AI模型并未显著优于随机游走。变量重要性排名显示，原油相关变量（Oil_vol5、Oil_lag1）是最高影响力的预测因子，其次是TSLA_lag1和NVDA_lag1，而BTC和黄金变量重要性中等。这表明在短期收益预测中，基础的线性和朴素模型足以捕捉主要动态，而复杂的依赖结构建模更适合风险评估。

最后，讨论部分指出：本文揭示了DCC-GARCH和R-vine连接函数框架在监控尾部风险传递中的实用性，尤其识别出NVDA作为技术-加密货币-商品网络的核心节点，是系统性风险传播的关键渠道。这一网络对资产配置、风险管理和监管当局设计跨市场压力测试有直接应用价值。主要局限是仅分析六种资产、机器学习限于树集成方法、未考虑宏观变量及结构断裂。未来可扩展至其他加密货币、AI公司、ESG资产和高频数据。研究结论部分（本文第5节）翻译如下：

本研究采用整合了DCC-GARCH模型、藤蔓连接函数、尾部依赖、复杂性测度和AI预测模型的框架，考察了技术股票、比特币、黄金和原油之间的动态交互。结果揭示了数字和金融资产之间存在强烈的波动持续性和时变依赖结构。在COVID-19大流行和俄乌冲突期间，技术股和比特币表现出更强的相互关联性，证实了AI相关金融生态系统的日益整合。DCC-GARCH结果显示出持久的条件相关性和波动聚集。藤蔓连接函数框架识别出非对称依赖结构，尤其是下尾依赖。涉及比特币的对在下行危机时传染更强，而黄金保持了其分散化作用。复杂性分析揭示了跨尺度的异质动态，较小尺度出现弱持续性和局部发散，较大尺度趋于稳定。机器学习模型提供了补充视角，但样本外预测性能未能持续超越基准模型。原油变量仍是最有影响力的预测因子，凸显能源市场在技术-加密货币-商品网络中的重要性。所估计的依赖网络对资产配置、风险管理和系统性风险监控具有实用价值。本文也承认了资产数量有限、机器学习范式单一以及宏观变量缺失等局限性，并指出了未来研究方向。