《International Journal of Financial Studies》：Research on Risk Spillovers and Early Warning Between Geopolitical Risk and China’s Financial Markets: A Quantile Time-Frequency Connectedness and Machine Learning Approach
编辑推荐：
在地缘政治不确定性上升的背景下，研究人员利用2013年至2025年的日度数据，涵盖地缘政治风险指数（GPR）以及中国股票、债券、货币、外汇、商品、黄金和房地产七个市场，构建了“分位数时频关联性（Quantile Time-Frequency Connected
在地缘政治不确定性上升的背景下，研究人员利用2013年至2025年的日度数据，涵盖地缘政治风险指数（GPR）以及中国股票、债券、货币、外汇、商品、黄金和房地产七个市场，构建了“分位数时频关联性（Quantile Time-Frequency Connectedness）–机器学习预警”框架。该框架检验了地缘政治风险变化与中国金融市场之间风险溢出的状态依赖性特征，以及识别高风险状态的能力。结果表明：第一，金融市场风险关联性呈现出显著的尾部放大效应：正常状态下的总关联性指数（TCI）为13.72%，但在极端下行和极端上行状态下分别上升至77.97%和78.47%。第二，风险关联性主要集中在短期，但在极端状态下长期关联性有所增强。第三，股票、房地产和商品市场通常充当风险的净发送方（Net Transmitter），而债券和外汇市场通常充当风险的净接收方（Net Receiver）。第四，基于动态关联性指标的机器学习模型能够有效识别未来高风险关联性状态。然而，朴素基准（Na?ve Benchmark）和消融测试（Ablation Test）表明，总关联性指数及其与滚动阈值的距离是主要信息源，而机器学习模型的贡献主要在于概率校准、多期限风险排序以及辅助变量的整合。这些发现为地缘政治风险下的跨市场风险监控和预警指标构建提供了经验证据。
论文解读文章
**研究背景与问题**
近年来，国际地缘政治格局深刻变化，区域冲突、贸易摩擦和大国战略竞争交织，地缘政治风险成为影响全球经济和金融动态的重要外部不确定性来源。Caldara和Iacoviello（2022）基于主要报纸文本信息构建的地缘政治风险指数（GPR）自2018年以来多次出现显著飙升。相关研究指出，地缘政治和政策不确定性通过减少企业投资（Gulen & Ion, 2016）和加剧股市波动（Balcilar et al., 2018）等渠道，与实体经济及金融系统波动相关联，并对国家股票收益具有可识别的影响（Zhang et al., 2024）。随着中国金融市场开放程度提高，跨市场关联性显著增强，外部地缘政治风险变化可能通过避险资本流动、能源和供应链中断、跨境资本流动及市场预期转变等渠道影响国内金融市场波动。局部扰动可能通过相互关联的市场网络结构被放大，演变为系统性风险（Acemoglu et al., 2015; Adrian & Brunnermeier, 2016）。因此，准确刻画地缘政治风险下中国金融子市场间风险溢出的方向、强度和动态关联性，对于维护金融稳定具有重要实践意义。
然而，现有研究存在两个主要局限：第一，传统溢出度量大多基于均值框架，如Diebold和Yilmaz（2012, 2014）提出的关联性方法主要捕捉条件均值处的平均关联，难以揭示市场在极端条件下（如急剧下跌或快速上涨）的尾部关联性，仅依赖均值关联性可能低估尾部风险联动。为克服此局限，Ando等人（2022）和Chatziantoniou等人（2021）将分位数回归引入向量自回归框架，提出分位数关联性方法，使得在不同市场状态下检验风险溢出成为可能。Baruník和K?ehlík（2018）的频域分解进一步将关联性分解为短期和长期成分。然而，如何将分位数视角与时频分解整合，系统考察地缘政治风险下中国金融市场的跨状态、跨期限关联性模式，仍未被充分探索。第二，多数研究聚焦于历史风险传导的解释性分析，对前瞻性预警机制的设计关注不足。机器学习方法因其捕捉高维和非线性特征的能力，在金融风险预测中展现出明显优势，集成模型如随机森林（Breiman, 2001）和XGBoost（Chen & Guestrin, 2016）已被应用于系统性金融风险和金融稳定状况的预警（Tan et al., 2023; Chowdhury et al., 2025）。可解释人工智能工具如SHAP（Lundberg & Lee, 2017）有助于阐明预警预测背后的关键信号。然而，这些研究采用的关联性特征多为均值基或相关基，极少使用同时编码尾部状态和期限信息的分位数时频关联性作为预警模型直接输入，导致关联性度量与风险预测之间存在“度量-预测”鸿沟。
**研究内容与结论**
该研究以地缘政治风险指数和中国七个主要金融子市场（股票、债券、货币、外汇、商品、黄金和房地产）为研究对象，构建了“分位数时频关联性–机器学习预警”集成框架。首先，采用分位数向量自回归（QVAR）方法，在极端下行（0.05分位数）、正常（0.50分位数）和极端上行（0.95分位数）状态下度量风险溢出，并利用Baruník和K?ehlík（2018）的频域分解将关联性划分为短期（1-22个交易日）和长期（超过22个交易日）成分。其次，考虑中美贸易战、新冠疫情和俄乌冲突三个重大事件窗口，刻画不同地缘政治事件下的风险联动模式。最后，基于动态总关联性指数构建时变风险阈值，采用Logit、随机森林和XGBoost模型识别未来高风险关联性状态，并利用SHAP方法解释模型依赖的主要信息源。该研究的主要结论包括：第一，中国金融市场风险关联性呈现显著状态依赖性，正常状态下总关联性指数（TCI）仅为13.72%，但在极端下行和极端上行状态下分别升至77.97%和78.47%，体现了尾部放大效应。第二，风险关联性主要集中在短期，但在极端状态下长期关联性显著增强。第三，股票、房地产和商品市场通常充当净发送方，而债券和外汇市场通常充当净接收方。第四，机器学习模型能够将动态关联性指标转化为识别未来高风险状态的概率信号，但朴素基准和消融测试表明，TCI及其与滚动阈值的距离是主要预测信息来源，机器学习模型的贡献在于非线性概率校准、多期限风险排序和辅助变量整合。
该研究发表在《International Journal of Financial Studies》，其意义在于为地缘政治风险下的跨市场风险监控、压力情景识别和预警指标构建提供了经验证据，将度量结果转化为可操作的预警概率，并提出了针对市场、状态和期限的差异化监控建议。
**关键技术方法**
该研究采用以下主要关键技术方法：（1）分位数向量自回归（QVAR）模型，用于在0.05、0.50和0.95分位数下估计状态依赖的风险溢出；（2）广义预测误差方差分解（GFEVD），用于计算时域关联性指标（总关联性指数TCI、溢出发送TO、溢出接收FROM、净溢出NET、净发送关系计数NTP）；（3）Baruník和K?ehlík（2018）的频域分解方法，将关联性分解为短期（1-22个交易日）和长期（超过22个交易日）成分；（4）基于滚动窗口（窗口长度200天）的动态关联性估计，并构建时变滚动阈值（基于历史252个交易日TCI的经验分位数）定义高风险状态标签；（5）机器学习预警模型，包括Logit回归、随机森林和XGBoost，用于识别未来1天、5天和16天的高风险状态，并采用SHAP方法进行可解释性分析。样本数据来源：2013年1月4日至2025年12月19日的日度数据，包括Caldara和Iacoviello构建的全球地缘政治风险指数，以及中国股票市场（沪深300指数）、债券市场（中债综合指数）、货币市场（7天加权银行间拆借利率）、外汇市场（美元兑人民币中间价）、商品市场（南华综合指数）、黄金市场（黄金现货价格）和房地产市场（申万房地产行业指数）的日度对数变化序列。
**研究结果**
**5.1 波动溢出效应的静态分析**
研究人员通过静态分析发现，在正常状态（0.50分位数）下，总关联性指数（TCI）为13.72%，表明跨市场风险联动强度有限。股票和房地产市场是主要的净风险发送方，债券、外汇、货币、黄金和商品市场倾向于净接收方。从期限看，风险关联性主要集中在短期（短期TCI为12.89%），长期TCI仅为0.83%。在极端下行状态（0.05分位数）下，TCI急剧上升至77.97%，房地产市场成为最重要的净发送方，股票和商品市场也是重要净发送方，债券、外汇、黄金和货币市场为净接收方。长期成分显著增加，地缘政治风险指数在长期中表现出核心净发送作用。在极端上行状态（0.95分位数）下，TCI为78.47%，接近极端下行状态，房地产、股票和商品市场保持强净发送特征，债券市场为最突出的净接收方。短期TCI为74.8%，长期TCI为3.67%。三个事件窗口（中美贸易战、新冠疫情、俄乌冲突）的分析显示，不同地缘政治事件下核心市场和风险传导路径存在差异。
**5.2 波动溢出效应的动态分析**
通过滚动窗口（200天）估计动态TCI，研究人员发现总溢出指数与短期溢出成分高度同步，长期成分保持较低水平。重大事件（如2014年克里米亚事件、2016年英国脱欧公投、2018年中美贸易战、2020年新冠疫情、2022年俄乌冲突）均伴随TCI不同程度上升，其中新冠疫情时期达到峰值。分位数下地缘政治风险与各市场的净配对溢出分析表明，正常状态下地缘政治风险的市场关联性较弱；极端下行状态下，地缘政治风险对各市场（尤其股票、债券和外汇）表现出显著的正向长期净溢出；极端上行状态下，地缘政治风险对股票、黄金、债券、外汇和房地产市场仍具有长期关联性。净溢出热力图显示，地缘政治风险对债券、外汇、货币和黄金市场的风险发送作用在尾部状态更明显，且随时间变化具有阶段性。
**5.3 基于QVAR时频关联性的高风险状态识别结果**
研究人员利用2023年1月1日至2025年12月19日的样本外测试期，基于90%极端高风险阈值，随机森林和XGBoost模型在1天、5天和16天预警期限下的PR-AUC最高分别达到0.966、0.914和0.856。朴素基准和消融测试表明，仅包含TCI与滚动阈值距离的Logit模型PR-AUC更高（1天、5天、16天分别为0.980、0.954、0.925），超过全模型；去除距离特征后，随机森林和XGBoost的PR-AUC显著下降。SHAP变量重要性显示，TCI与滚动90%阈值的距离是最重要的预测信号，GPR波动率、外汇市场波动率、房地产市场净溢出等提供辅助信息。因此，机器学习模型的主要作用是进行概率校准和多期限风险排序，而非独立发现新风险机制。
**5.4 稳健性检验**
研究人员从度量方法和预警模型两层面进行稳健性检验。在度量层面，改变滞后阶数（1、2、3）和滚动窗口长度（150、200、250天）后，动态TCI的走势和关键转折点高度一致，表明核心结论稳健。在预警模型层面，采用80%一般高风险阈值后，XGBoost在三个期限下的PR-AUC均超过0.950，Brier Score较低，表明预警结论对风险阈值选择不敏感，但朴素基准和消融测试仍显示这一稳健性主要由TCI与其滚动阈值的实时距离支撑。
**讨论与结论**
在讨论部分，研究人员强调，研究中识别的净发送方和净接收方是基于QVAR-GFEVD关联性框架的统计网络角色，反映的是对其他市场预测误差方差的相对贡献，应视为监控价值指标，而非严格因果意义上的风险源或监管责任归属。因此，风险监控含义主要涉及跨市场风险监控、压力情景识别和预警指标构建，而非直接支持针对特定市场的强力干预或优先监管。
研究结论部分翻译如下：
在分位数时频风险溢出框架内，并结合机器学习预警模型，研究人员检验了地缘政治风险变化与中国七个主要金融子市场（股票、债券、货币、外汇、商品、黄金和房地产）之间的风险关联性。主要结论如下：第一，中国金融市场风险关联性呈现显著的状态依赖性。正常波动条件下，总关联性指数仅为13.72%；但当市场进入极端下行或极端上行区域时，总关联性指数分别上升至77.97%和78.47%，反映了显著的尾部不对称放大模式，尾部状态下跨市场共振强烈。第二，风险溢出在不同时间尺度上差异显著。总体而言，短期成分始终是风险关联性的主导形式，但在极端状态下，长期溢出水平相比正常时期显著增加，表明外部不确定性可能通过能源供应、资本流动和政策预期等渠道持续存在。第三，不同金融子市场在风险关联性网络中的角色兼具相对稳定性和情境依赖性。总体而言，股票和房地产市场更常充当净发送方，债券和外汇市场更常充当净接收方。中美贸易战、新冠疫情和俄乌冲突等典型事件证据进一步表明，不同地缘政治事件窗口下风险关联性的核心市场和具体路径存在差异。第四，机器学习预警结果显示，动态关联性指标可以进一步转化为未来高风险关联性状态的概率信号。在90%风险阈值下，模型在1天、5天和16天预警期限上表现出一定的样本外排序能力。在80%一般高风险阈值下，XGBoost在所有三个预测期限上的PR-AUC均超过0.950。然而，朴素基准和消融测试表明，TCI及其与滚动阈值的距离是预测性能的主要来源；机器学习模型的贡献主要在于非线性概率校准、多期限风险排序和辅助市场信息的整合，而非独立发现新的风险传导机制。
