📈 economics

CausalAlpha: A Real-Time Geopolitical Risk Index from OSINT Channels for Causal Discovery in Financial Markets

本文介绍了 CausalAlpha，这是一个利用 Telegram 开源情报（OSINT）数据进行自然语言处理（NLP）来构建实时地缘政治风险指数的开源框架，并采用因果发现算法证明了政治动荡和能源媒体报道驱动了冲突叙事，进而影响能源板块股票回报，同时揭示了这些信号向更广泛金融市场的每日传递在统计学上是微弱的。

原作者： Andres Azqueta-Gavaldon, Borja Ureta

发布于 2026-06-08

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Andres Azqueta-Gavaldon, Borja Ureta

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下你正在试图预测一场风暴。传统上，气象学家会等待政府发布的官方天气报告，虽然准确，但往往在云层已经开始聚集一两天后才会送达。

CausalAlpha 是一个全新的工具，它就像是一个由成千上万名业余天气观察员组成的网络（通过 Telegram 应用程序）。它并不等待官方报告，而是实时监听这些观察员，不仅是为了弄清楚是否有一场风暴正在到来，更是为了弄清楚这场风暴系统的不同部分是如何相互连接的。

以下是该论文实际研究结果的拆解，使用了简单的类比：

1. 工具：一个“地缘政治天气雷达”

研究人员构建了一个名为 CausalAlpha 的系统。它扫描六个由独立记者和调查人员运营的特定 Telegram 频道。

运作方式： 它使用计算机程序每天阅读数千条消息。它将消息分为五个类别：冲突（战争/战斗）、政治动荡（动乱/选举）、能源（石油/天然气）、贸易（航运/制裁）以及金融压力（银行危机）。
目标： 该系统不仅仅是统计使用了多少个可怕的词汇，它还试图弄清楚其中的因果链条。它会问：“关于政治麻烦的新闻是导致了战争新闻，还是战争导致了政治麻烦？”

2. 侦探工作：寻找“谁对谁做了什么”

为了解决这个谜题，作者使用了一种特殊的数学侦探工具，称为 PC 算法。

类比： 想象你正在观察房间里的一群朋友。你看到他们都在交谈和做出反应。一个简单的观察者可能会说：“他们都在对同一件事做出反应。”但 PC 算法就像一个侦探，他会问：“如果我们忽略其他所有因素，朋友 A 的行为是否直接导致了朋友 B 的反应？”
为什么重要： 这有助于研究人员避免被那些仅仅是同时发生的现象所误导。他们寻找的是真正的“多米诺骨牌效应”。

3. 主要发现：“多米诺骨牌链条”

在对数据进行了侦探式分析后，他们发现地缘政治新闻传播中存在一个非常一致的模式：

“汇聚”效应： 把“冲突”（战争新闻）想象成厨房里的一个巨大排水口或水槽。
- 发现： 关于政治动荡和能源安全（如石油管道或发电厂）的新闻，始终向“冲突”这个水槽中流动。
- 含义： 在实时的新闻周期中，关于政治麻烦和能源威胁的报道往往发生在实际战斗升级的报道之前。战斗是那些早期紧张局势的最终结果。
“能源市场”的联系：
- 发现： 当新闻周期在讨论冲突时，随后会引发能源公司股票价格的变化（特别是 XLE 基金）。
- 含义： 论文指出，当世界开始讨论一场战斗时，能源市场会对之做出反应。有趣的是，关于战斗的新闻似乎领先于市场，而不是相反。

4. 令人惊讶的转折：“新闻与价格之间的沉默之墙”

这是论文中最反直觉的部分。

预期： 你可能会认为，如果一个新闻频道大喊“战争即将来临！”，股票市场应该立即跳涨或暴跌。
现实： 研究人员发现，在日度层面上，这种联系非常微弱。
类比： 想象城市里响起了巨大的警报声（新闻），但交通（股市）似乎并没有立即改变速度。
原因： 论文认为，金融市场就像一群非常快速、聪明的交易员，他们在新闻到达 Telegram 频道之前就已经洞察了这些信息。等到“新闻”被写出来并广播时，市场已经消化了这些信息。因此，新闻信号主要告诉我们的是媒体是如何讨论这场危机的，而不是市场在实时如何波动。

5. 这意味着什么（根据论文）

论文得出结论，该工具非常适合用于监测叙事。

它可以告诉你政治动荡和能源威胁正在积聚，这很可能导致冲突报道的激增。
然而，它也警告说，仅仅因为新闻在疯狂叫嚣一场危机，并不意味着股票市场在今天就会做出反应。市场通常比新闻周期快一步。

简而言之： CausalAlpha 是一个实时倾听地面动态的工具，它绘制出了地缘政治故事是如何从微小的政治或能源火星演变成全面的冲突故事的。它告诉我们，媒体叙事的移动遵循特定的顺序，但股市往往太快了，以至于无法被日常新闻周期所捕捉。

技术摘要：“CausalAlpha：一种基于 OSINT 通道的实时地缘政治风险指数，用于金融市场的因果发现”

1. 问题陈述

传统的地缘政治风险（GPR）指数（如 Caldara 和 Iacoviello 在 2022 年的开创性研究）依赖于报纸档案。这些来源由于编辑策划、过滤和出版周期的存在，存在系统性的滞后，导致地缘政治事件与其测量值之间存在延迟。虽然社交媒体提供了实时数据，但其作为金融信号的应用——特别是来自 Telegram 等加密消息平台（冲突监测往往先于传统媒体发生）的研究——仍处于欠缺阶段。此外，将风险与市场联系起来的标准方法（如格兰杰因果关系）通常无法解释共同原因，从而导致伪相关推断。因此，需要一种源自开源情报（OSINT）的高频、实时 GPR 指数，并采用严谨的因果发现方法来绘制地缘政治叙事与金融市场变量之间的定向依赖关系。

2. 方法论

本文介绍了一个名为 CausalAlpha 的开源框架，该框架将自然语言处理（NLP）与基于约束的因果发现相结合。

数据构建：
- OSINT 语料库： 系统使用 Telethon 库从六个 Telegram 频道（如 Bellingcat、WarTranslated、Reuters World）抓取实时消息。语料库侧重于冲突监测，并排除了亲俄或虚假信息来源。
- NLP 指标： 该框架并非生成单一的聚合指数，而是生成了五个特定类别的 GPR 指标：冲突（Conflict）、政治动荡（Political Instability）、能源安全（Energy Security）、贸易中断（Trade Disruption）以及金融压力（Financial Stress）。
- 度量标准： 对于每个类别 $c$ 和日期 $t$ ，原始指标是包含特定类别关键词的消息占比。为了保留每周的变化同时平滑每日噪声，计算了 7 天滚动占比。
- 金融变量： 研究使用了涵盖四个资产类别的 16 个变量的每日收盘价：大宗商品（如布伦特原油、黄金）、外汇汇率、股票指数/行业 ETF（如 XLE、ITA）以及信用工具。所有价格序列均经过一阶差分以确保平稳性。
因果发现（PC 算法）：
- 核心方法采用 Peter–Clark (PC) 算法（Spirtes 等人，2000）来恢复真实因果有向无环图（DAG）的马尔可夫等价类。
- 流程： 算法从一个完整的无向图开始，根据在变量子集上进行条件独立性检验（Fisher's Z 检验）的结果移除边。随后利用 Meek 传播规则对边进行定向，以识别 V-结构。
- 鲁棒性协议： 为确保可靠性，作者在 $4 \times 3$ $4 \times 3$ 的扫描范围内估计 PC 算法：
  - 4 种 DAG 规范： 改变金融变量子集（核心宏观、大宗商品、信用与外汇、行业 ETF），同时保持五个 NLP 指标不变。
  - 3 个显著性水平： $\alpha \in \{0.05, 0.10, 0.15\}$ 。
- 重采样： 使用块自助法（block-bootstrap，500 次重采样，块大小为 7 天）来量化识别出的边的抽样不确定性，同时保留滚动窗口数据的自相关结构。
- 验证： 在核心宏观面板上估计结构向量自回归模型（SVAR），利用从 PC 算法中导出的拓扑排序生成脉冲响应函数（IRF）和预测误差方差分解（FEVD）。

3. 核心贡献

高频 GPR 指数： 构建了一个全新的、五维度的 GPR 指数，直接源自实时 Telegram OSINT 频道，为基于报纸的度量提供了一个低延迟的替代方案。
因果发现的应用： 应用 PC 算法来识别地缘政治不确定性与金融市场之间的定向因果结构，通过对全变量集进行条件化处理，避免了与成对格兰杰因果关系相关的伪相关推断风险。
生产系统： 在 Google Cloud Run 上部署了一个开源、自动化的生产应用（CausalAlpha），负责处理数据采集、指数构建、因果图估计及报告生成。

4. 关键结果

分析得出了关于地缘政治叙事及其向市场传导的因果架构的具体发现：

叙事的因果架构： 在所有四个 DAG 规范下，有两个边在 $\alpha = 0.10$ $α = 0.10$ 时具有全局鲁棒性：
- 政治动荡 $\rightarrow$ 冲突覆盖
- 能源媒体覆盖 $\rightarrow$ 冲突覆盖
- 这确立了“冲突”是 OSINT 频道中地缘政治叙事升级的主要因果汇（causal sink），表明冲突覆盖聚合了来自政治和能源维度的先行信号。
市场传导：
- 在最严格的显著性水平（ $\alpha = 0.05$ ）下，识别出 冲突覆盖 $\rightarrow$ 能源板块股票收益率（ $\Delta$ XLE）。这表明地缘政治升级在完全传播到更广泛的媒体周期之前，会先传导至能源股票市场。
- 新兴市场债券 $\rightarrow$ VIX： 边 $\Delta$ EM Bonds $\rightarrow$ VIX 在 $\alpha = 0.05$ 时依然存在，表明主权债券压力是更广泛市场波动性的早期预警信号。
- 微弱的每日传导： SVAR 分析显示，从 NLP 信号到金融市场价格的动态传导在日频上统计意义较弱。脉冲响应函数显示，大多数变量对的置信区间包含零，且 FEVD 表明地缘政治 NLP 指标对市场价格的预测方差解释程度不足 5%。
信息排序： 结果表明，地缘政治新闻信号主要在媒体叙事系统内运行（塑造事件如何被报道），而不是在日频层面产生立即且统计可检测的短期价格波动。

5. 重要性与主张

本文声称为实时宏观金融风险监测提供了迈进的一步。其主要意义在于：

方法论的严谨性： 证明了基于约束的因果发现（PC 算法）可以在不施加预设排序限制的情况下，恢复高维金融数据中的定向依赖关系，这与结构向量自回归（SVAR）不同。
经验洞察： 挑战了“实时 OSINT 新闻会立即驱动每日资产价格”的假设。相反，研究结果表明存在一个层级结构：政治和能源叙事驱动冲突覆盖，随后在严格的显著性水平下影响特定的行业股票（能源），而更广泛的市场传导在日频层面仍然较弱。
实用价值： 为主权风险监测提供了一个框架，通过系统性观察 OSINT 频道中的政治和能源叙事，可能在这些事件出现在传统指数之前，捕捉到冲突升级的领先信号。

作者对其发现的普适性保持审慎，指出其语料库高度偏向于俄乌冲突，且“金融”指标较为稀疏。他们明确表示，该框架是监控过程中的一个生产步骤，未来的工作需要将其扩展到更低频率，并纳入预测市场数据作为第三层信息层。