国际金融研究中心副主任、北京航空航天大学经济管理学院教授谭小芬，中央财经大学金融学院教授张碧琼、博士研究生王欣康在《当代经济科学》2023年第2期发表论文《跨境资本异常波动的风险预警: 基于机器学习视角》。

极端资本流动会显著影响一国的经济金融状况，并且为当局的政策制定带来挑战。特别是，当资本流向出现大规模逆转，或者发生极端资本流动事件时，会加剧目标国的金融市场波动，威胁其宏观经济金融稳定。随着中国金融市场的双向开放，中国应对大规模跨境资本双向流动的压力将进一步上升。在此背景下, 有两个迫切需要解决的问题：一是如何衡量中国所面临的跨境资本异常波动风险，二是能否对中国的跨境资本异常波动风险进行前瞻性预警。

本文基于“在险资本流动”的宏观研究新范式，运用预测分位数回归与稳定分布拟合方法，识别出中国的跨境资本异常波动风险。在此基础上，基于包含371个指标的高维数据集，通过构建的Lasso-PCA双重筛选机器学习方法，识别出不同类型跨境资本异动风险的关键预警因子。结果显示：（1）本文构建的跨境资本异动风险指标能较好地衡量我国所面临的资本流动尾部风险；（2）国内外长期利差扩大是债券资本涌入风险的关键预警因子，美国货币政策收紧是债券资本撤离风险的关键预警因子，全球风险偏好降低是股票资本涌入风险的关键预警因子，而美元名义有效汇率上升是股票资本撤离风险的关键预警因子；（3）2022年以来，美联储持续加息与美元走强会增加中国的跨境资本撤离风险。

相比于以往文献，本文从以下三个方面进行拓展：第一，研究视角上，基于“在险资本流动”分析框架，对中国跨境资本流动的分布特征及尾部风险进行识别，揭示了中国跨境资本异常波动风险的生成机理；第二，研究内容上，运用基于高维数据集的机器学习方法，发现了对中国跨境资本异常波动具有重要预测价值的关键预警因子，拓展了关于外部冲击下风险跨境传导的已有研究；第三，应用前景上，本文构建的Lasso-PCA双重筛选机器学习方法以及中国跨境资本异动风险指标，能够为后续的相关研究提供方法论基础和数据支撑，为防范和化解金融风险提供决策依据。

基于以上，本文建议：一是加强对跨境资本异常波动的关注，尝试将跨境资本异常波动风险纳入政策的跨周期设计。可以适当转换政策的调控思路, 从控制资本流向转为平抑异常波动与降低尾部风险，在政策的跨周期设计中纳入能够发出高质量预警信号的“关键预警因子”。二是针对不同类型跨境资本, 构建差异化和前瞻性的政策框架。一方面根据不同类型资本的特点，进行精细化和差异化的调控。另一方面结合大数据和人工智能技术，提升政策制定的前瞻性，避免事后补救需要付出的高昂成本。