USD/CNY波动率预测中的油价冲击与中美地缘政治风险整合：GRU-BiLSTM-Transformer动态融合预测框架

《International Journal of Financial Studies》：Integrating Oil Price Shocks and China–US Geopolitical Risk: A GRU-BiLSTM-Transformer Dynamic Fusion Forecasting Framework for USD/CNY Volatility

　　

预测USD/CNY汇率波动率对跨境资本流动管理和货币政策制定具有重要的现实意义。近年来，中美地缘政治紧张局势引发的多重外部冲击与国际原油市场剧烈波动日益交织。传统预测模型往往无法及时捕捉此类突发风险信号，而单一模型也难以适应多尺度波动结构。为应对这些挑战，研究人员开发了一种基于深度学习的动态预测框架，将中美地缘政治风险特征体系（CUGRI）与国际油价冲击信号相结合。具体而言，CUGRI由15家权威中美媒体的新闻文本构建，结合金融领域语言模型与地缘政治领域情绪词典，构建了五维日度风险量化特征体系。在建模层面，研究人员提出了GRU-BiLSTM-Transformer动态融合模型，根据各子模型近期的预测表现自适应分配融合权重。所有实证分析均在Python编程环境与PyTorch深度学习框架下实现。利用近十年的日度数据，研究人员开展了样本外预测检验。实证结果表明，所提出的动态融合模型实现了0.342的样本外R²，相对于最优基线模型，均方根误差（RMSE）和平均绝对误差（MAE）分别降低了4.01%和3.72%。CUGRI表现出显著的增量预测价值，在地缘政治风险升高期间的预测增益明显高于正常条件。油价冲击提供了互补的预测信息，动态加权机制进一步提高了组合预测的准确性。在实践中，研究结果对跨境企业和金融机构追踪地缘政治与能源市场风险变化、调整外汇对冲策略具有参考意义。对于货币与监管当局，该模型有助于识别外部冲击可能放大USD/CNY波动率的时期，并支持汇率风险监测与宏观金融稳定分析。

USD/CNY汇率是连接中国金融市场与国际金融体系的重要价格变量，其波动直接影响跨境贸易结算、企业汇率风险管理、国际资本流动和宏观经济政策预期。国际清算银行（BIS）2025年三年期中央银行调查显示，USD/CNY货币对在全球外汇交易中的份额较2022年增长22.7%。近年来，中美经贸摩擦、地区冲突、国际制裁和能源安全事件频发，国际原油价格剧烈波动，外部不确定性日益交织。传统计量模型（如ARIMA、GARCH、HAR）依赖线性、平稳或特定分布假设，难以捕捉非线性波动结构和突发外部冲击；单一深度学习模型也受结构偏好限制，难以稳定适应多尺度波动。为此，研究人员构建了整合中美地缘政治风险特征体系（CUGRI）与国际油价冲击信号的深度学习动态预测框架，提出GRU-BiLSTM-Transformer动态融合模型。利用2016年1月1日至2026年4月24日共2423个交易日的数据，在严格的伪实时滚动样本外框架下进行预测评估。结果表明，完整动态融合模型的样本外决定系数（R²）为0.342，相对最优基线模型，RMSE和MAE分别降低4.01%和3.72%；CUGRI具有显著的增量预测价值，在高地缘政治风险时期预测增益显著更大；布伦特原油价格冲击提供互补预测信息；动态加权机制进一步提高组合预测准确性。该成果为跨境企业、金融机构和监管当局提供了汇率风险管理和宏观金融稳定监测的量化工具，发表于《International Journal of Financial Studies》。

关键技术方法：数据来源包括Wind金融数据库（USD/CNY即期汇率、布伦特原油期货收盘价）、CNKI中国重要报纸全文数据库（CCND）、Wind新闻数据库和道琼斯Factiva（中英文新闻）。按中国外汇交易中心（CFETS）交易日历对齐，严格采用16:30信息集约束。CUGRI构建采用金融领域BERT模型（中文用Entropy Simple FinBERT，英文用ProsusAI FinBERT）与地缘政治-金融情绪词典双轨测量，输出情绪得分并分解为风险缓和与风险升级两个非负维度，再按交易日聚合为五个日度特征。预测输入由HAR型历史波动率特征（7维）、布伦特油价冲击特征（6维）和CUGRI特征（5维）组成18维特征矩阵。在60天滑动窗口下分别训练GRU、BiLSTM（含残差连接、层归一化和多头自注意力增强）和Transformer子模型，并基于最近30天样本外误差倒数动态更新融合权重。采用滚动再训练（每60个交易日更新），每个子模型用5个随机种子（42、142、242、342、442）取中位数作为稳健输出。统计显著性采用Diebold-Mariano（DM）检验和Clark-West检验评估。

### 研究结果

**4.2 样本外预测结果**
无条件基准（朴素预测和历史均值）的样本外R²均为负，表明静态基准无法捕捉波动率动态。传统统计模型中HAR-OLS最优（R²=0.213），机器学习和深度学习模型整体优于传统模型；三个深度模型中GRU表现最佳（R²=0.286），BiLSTM次之，Transformer相对较弱。动态融合模型将R²提升至0.342，相对GRU的RMSE和MAE分别降低4.01%和3.72%，DM检验p值为0.006，表明异构模型组合能提供额外预测信息。多步预测结果显示，1天、3天、7天预测精度依次下降，7天时DM检验p值为0.061，统计优势减弱。

**4.3 多源风险特征的增量预测价值**
在HAR基准上加入CUGRI特征使R²提高0.029，DM检验和Clark-West检验均显著（p=0.011和0.008）；加入Brent特征仅提高0.013，且不显著。两者联合加入后R²达到0.342，显著优于HAR基准，表明CUGRI与Brent油价冲击包含互补的预测信息。

**4.4 动态融合机制的有效性检验**
静态逆误差加权比等权融合R²提高0.012；动态加权进一步将R²提高至0.342，相对静态加权RMSE降低1.19%，DM检验p=0.047。子模型消融实验显示，移除GRU后R²下降0.033（p=0.014），影响最明显；移除BiLSTM和Transformer导致较小且不显著的精度下降。

**4.5 地缘政治风险状态下的异质预测表现**
在正常风险状态下，CUGRI的增量预测价值不显著（R²仅提高0.0016，DM p=0.438）；在升高风险状态下，CUGRI使R²提高0.0583，DM p=0.014，且跨状态差异检验p=0.024。这表明CUGRI的预测价值具有显著的状态依赖性，主要集中于地缘政治风险升高时期。

**4.6 稳健性检验**
改变输入窗口长度（30、45、60、90天）后，完整模型R²在0.322至0.342之间，60天最优；改变风险状态分类参数（回望窗口30、60、120天，分位数阈值0.5、0.6、0.7）后，高风险状态下CUGRI的增量R²保持在0.0502至0.0591；替代特征构造方法（剔除新闻注意力、来源标准化、残差化）下R²为0.323至0.340。结论稳健。

### 讨论与结论

讨论部分指出，实证结果揭示了USD/CNY波动率预测的三个特征：一是地缘政治信息具有超越历史波动率的预测价值，且在中美地缘政治风险升高时显著增强，符合投资者注意力和避险情绪传导理论；二是布伦特油价冲击提供了不同的外部信息来源，与CUGRI联合使用优于单独使用任何一类，凸显多传导渠道同时考虑的价值；三是三种子模型具有不同的边际贡献，异构时间表征改善了组合预测，完整框架比单一外部风险源或单一预测架构更稳定。

结论部分可翻译为：本研究构建了整合CUGRI地缘政治风险特征、布伦特油价冲击与GRU-BiLSTM-Transformer动态融合模型的USD/CNY波动率预测框架。样本外结果表明，CUGRI在历史波动率之外增加预测信息，且在高风险时期增益更大；布伦特油价特征包含互补信息；动态融合相对于最优单一模型提高预测精度。理论层面，本研究从风险测度、信息渠道和模型构建三个角度丰富了汇率波动率预测理论：CUGRI具有显著增量预测力，且在地缘政治高风险期显著上升；中美地缘政治信息与布伦特油价信息通过不同经济渠道影响外汇市场；动态异构模型组合能适应非平稳金融数据，提升预测精度。实践层面，研究结论为市场参与者提供了外汇风险管理和对冲策略调整的量化依据，为货币与监管当局提供了汇率风险监测和宏观金融稳定分析工具。研究局限包括：新闻文本主要来自主流中美报纸，未来可扩展至政策声明和机构报告；预测目标基于日度低频代理变量，未来可纳入日内数据；外部风险信息集中于CUGRI和布伦特油价冲击，未来可引入利率差、全球美元条件等宏观金融变量；样本仅覆盖2016—2026年USD/CNY，未来可检验其他汇率和更多压力时期。