风控模型像一名既要算得准、又要说清依据的天气预报员：只报“可能有暴雨”不够，还得解释判断从哪来，而且今天和明天不能无缘无故换套说法。Lin与Xia提出一套混合框架，尝试同时预测VaR（多数情况下亏损不会越过的门槛）与ES（越过门槛后，最差情形平均亏多少），并让验证人员能拆开检查。
它先用线性的HAR波动率模型提供有经济含义的基准，再让梯度提升模型——一种逐步修正预测误差的机器学习方法——补捉非线性变化。最值得注意的是解释稳定性：作者用SHAP衡量各变量对预测的贡献，并称模型在滚动重新估计时，稳定性得分仍高于0.85。这意味着模型更新后，风险归因没有频繁跳到短暂噪声上。
作者还称，该框架在八个全球主要股票指数上接受逐期向前检验，并在多周预测期取得最大改善；VaR与ES的联合校准也优于线性基准和纯机器学习模型。不过，现有材料未披露具体误差降幅及各指数结果，实际部署价值仍需据此进一步判断。