A Multi-Layer Machine Learning and Econometric Pipeline for Forecasting Market Risk: Evidence from Cryptoasset Liquidity Spillovers
预测市场风险的多层机器学习与计量流程：加密资产流动性溢出证据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以市场整体风险预测为目标，并明确使用波动率代理变量和金融因子分析。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
预测市场风险的多层机器学习与计量流程：加密资产流动性溢出证据
- 研究问题
- 核心加密资产的流动性和波动率代理变量，是否包含可预测全市场风险的溢出信息，其样本外预测能力如何评估？
- 方法与思路
- 作者结合流动性与收益交互、主成分关系和波动率因子投影，并辅以 VAR、HAR-X 及采用时间划分的机器学习预测流程。
- 材料陈述的贡献
- 摘要称，多层分析发现显著的格兰杰因果关系和中等样本外预测表现，并提供图形、数据及解释预测结果的分析流程。
- 阅读关注点
- 应核对市场风险标签、代理变量构造、时间划分和阈值选择，以及因子提取、特征生成与调参是否全程避免未来信息泄漏。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出预测指标与完整稳健性结果，格兰杰因果关系不能直接解释为结构因果。
原文摘要
We study whether liquidity and volatility proxies of a core set of cryptoassets generate spillovers that forecast market-wide risk. Our empirical framework integrates three statistical layers: (A) interactions between core liquidity and returns, (B) principal-component relations linking liquidity and returns, and (C) volatility-factor projections that capture cross-sectional volatility crowding. The analysis is complemented by vector autoregression impulse responses and forecast error variance decompositions (see Granger 1969; Sims 1980), heterogeneous autoregressive models with exogenous regressors (HAR-X, Corsi 2009), and a leakage-safe machine learning protocol using temporal splits, early stopping, validation-only thresholding, and SHAP-based interpretation. Using daily data from 2021 to 2025 (1462 observations across 74 assets), we document statistically significant Granger-causal relationships across layers and moderate out-of-sample predictive accuracy. We report the most informative figures, including the pipeline overview, Layer A heatmap, Layer C robustness analysis, vector autoregression variance decompositions, and the test-set precision-recall curve. Full data and figure outputs are provided in the artifact repository.