为什么汇率经常以即使是最优秀的模型也无法预测的方式变动？几十年来，研究人员发现，“随机游走”预测往往能超越基于基本面的模型（Meese & Rogoff, 1983a; Meese & Rogoff, 1983b）。这令人困惑。理论认为基本面变量应该很重要。但在实践中，外汇市场对新信息的反应如此迅速，以至于它们往往显得不可预测（Fama, 1970; Mark, 1995）。
传统模型为何不足
为了领先于这些快速变动的市场，后来的研究转向了高频率的、基于市场的信号，这些信号往往在大货币波动之前出现。汇率波动率和利率差额的激增通常会在货币市场出现重大压力之前显现出来（Babecký等，2014；Joy 等，2017；Tölö，2019）。交易者和政策制定者还会关注主权债务的信用违约互换（CDS）利差，因为利差的扩大表明市场对一个国家履行其义务能力的担忧在增加。同时，全球风险指标，如衡量股票市场波动预期的 VIX 指数，通常会预警可能蔓延到外汇市场的更广泛的市场动荡。
近年来，机器学习进一步推动了外汇预测的发展。这些模型将流动性指标、期权隐含波动率、信用利差和风险指数等多种输入结合起来，形成早期预警系统。
诸如随机森林、梯度提升和神经网络之类的工具能够检测传统模型所忽略的复杂非线性模式（Casabianca 等，2019；Tölö，2019；Fouliard 等，2019）。
但即使是这些先进的模型，也往往依赖于固定滞后指标——过去特定时间点的数据点，比如昨天的利率差或上周的 CDS 水平。这些快照可能无法捕捉到压力如何随着时间逐渐累积或演变。换句话说，它们通常忽略了数据是如何演变到现在的路径。
从快照到形态：更佳的市场压力读取方式
一种有前景的转变是不仅关注过去的价值，还关注这些价值是如何演变的形态。这就是路径签名方法发挥作用的地方。这些工具源自粗糙路径理论，能够将一系列回报转化为一种数学指纹——一种捕捉市场波动曲折和转变的方式。
早期的研究表明，这些基于形态的特征可以提高波动率和外汇预测的准确性，提供一种更动态的市场行为视角。
这意味着对预测和风险管理有何影响
这些发现表明，路径本身——收益如何随时间展开——可以预测资产价格变动和市场压力。通过分析近期收益的完整轨迹而不是孤立的快照，分析师可以检测到市场行为的微妙变化，这些变化预示着未来的变动。
对于任何管理外汇风险的人来说——无论是中央银行、基金经理还是企业财团团队——将这些特征添加到他们的工具箱中可能会提供更早且更可靠的外汇问题预警——为决策者提供关键优势。
展望未来，路径特征方法可以与先进的机器学习技术（如神经网络）结合使用，以捕捉金融数据中更丰富的模式。
引入额外输入，例如将期权隐含指标或 CDS 利差直接纳入路径为基础的框架中，可以进一步提高预测的准确性。
简而言之，拥抱金融路径的形状——而不仅仅是其终点——为更好的预测和更明智的风险管理打开了新的可能性。
参考文献
Babecký, J., Havránek, T., Matějů, J., Rusnák, M., Šmídková, K., & Vašíček, B. (2014). 发达国家的银行、债务和货币危机：简化事实与早期预警指标。金融稳定杂志，15，1-17。
卡萨宾卡, E. J., 卡塔拉诺, M., 丰尼, L., 吉达, E., & 帕塞里, S. (2019). 从回归分析到机器学习技术的银行危机预警系统。马可·法诺经济科学系技术报告。
Cerchiello, P., Nicola, G., Rönnqvist, S., & Sarlin, P. (2022). 使用新闻和常规财务数据评估银行困境。人工智能前沿, 5, 871863.
Fama, E. F. (1970). 有效资本市场：理论与实证研究综述. 金融杂志, 25(2), 383–417.
Fouliard, J., Howell, M., & Rey, H. (2019). 回答女王的问题：机器学习与金融危机. 工作论文.
Joy, M., Rusnák, M., Šmídková, K., & Vašíček, B. (2017). 银行和货币危机：发达国家的差异诊断. 国际金融与经济学杂志, 22(1), 44–69.
Mark, N. C. (1995). 汇率与基本面：长周期可预测性证据. 美国经济评论, 85(1), 201–218.
Meese, R. A., & Rogoff, K. (1983a). 有关实证汇率模型的外样本失败：抽样误差还是模型设定错误？——在 J. A. Frenkel 编著的《汇率与国际宏观经济》(第 67-112 页) 中。芝加哥大学出版社。
Meese, R. A., & Rogoff, K. (1983b). 20 世纪 70 年代的实证汇率模型。国际经济学杂志，14（1-2），3-24。
Tölö, E. (2019). 使用循环神经网络预测系统性金融危机。芬兰银行技术报告。
韭菜热线原创版权所有，发布者：风生水起，转载请注明出处：https://www.9crx.com/91356.html
