生成式人工智能能否保留尾部风险网络？来自加密货币市场的证据
Can Generative AI Preserve Tail-Risk Networks? Evidence from Cryptocurrency Markets
发布时间：
状态：工作论文，Management & Marketing 要求修回。
作者：
Jiajing Sun（孙佳婧）、Ruting Wang、Junda Wu。通讯作者：Ruting Wang。
研究简介与贡献：
本文考察生成的金融情景能否保留网络风险监测与资产配置所依赖的尾部风险关系。评估分为三个层面：常规分布与风险诊断；相对于经验网络抽样不确定性的条件下尾网络保留；以及基于网络节点排名的配置规则所产生的实际投资结果。文中的网络反映条件下尾关联，不代表因果传导。
数据与方法：
主要实证使用 2020—2025 年十种加密货币的小时数据，在滚动窗口框架下比较平稳自助法、GARCH-t copula 模型与去噪扩散概率模型（DDPM）。研究通过惩罚分位数回归估计有向尾部风险网络，并评估网络配置规则。Kraken 价格、第二组资产样本和受控模拟提供补充证据。
主要发现：
常规诊断、网络保留与配置结果可能对同一生成器给出不同评价。GARCH-t 可能通过总体分布比较，却未能保留网络；DDPM 虽未通过联合常规诊断标准，却能在部分单次评估中保留网络。网络差异会改变配置权重与波动率暴露，但事前风险匹配后，实证中的预期损失（expected shortfall）差异无法在统计上与零区分。受控模拟进一步表明，当尾部枢纽主要体现为非对称下行依赖时，节点排名错误可能带来实际损失。
关键词：
生成式人工智能；合成金融数据；尾部风险网络；分位数 LASSO；加密货币；预期损失。
推荐引用：Sun, J., Wang, R., & Wu, J. (2026). Can Generative AI Preserve Tail-Risk Networks? Evidence from Cryptocurrency Markets. Working paper.