文章构建了新型事件级资本管制措施（CCM）数据集，覆盖196个国家1999-2023年的5198个政策事件，包含行动类型、强度、方向等27个结构化字段。通过两步提示框架（GPT-4.1）从IMF AREAER报告中提取多维政策特征，并微调开源Llama 3.1-8B模型（CCM-Llama）实现自动化分类，在类别分类准确率达90.09%，状态预测准确率99.55%。实证应用表明，限制性资本管制显著减少资金流入，且政策效果存在跨国异质性。
资本管制在国际资本流动研究中至关重要，但现有政策数据集存在显著局限：传统指数（如Chinn-Ito指数）依赖IMF AREAER报告的二元状态指标（是/否），仅能提供低频年度数据，且忽略政策强度、工具类型和实施细节的异质性。这种粗粒度表征将性质迥异的干预措施等同处理，难以捕捉政策动态。文章提出事件级资本管制措施（CCM）数据集，利用基于提示的大语言模型（LLM）从文本中提取多维属性，突破传统数据构建的人力密集型瓶颈。
核心数据源于IMF《汇率安排与汇兑限制年报》（AREAER）1999-2023年文本，涵盖196国家的政策变更描述与生效日期。通过两阶段提示框架驱动GPT-4.1模型：系统提示定义分类模式（如行动类型、强度、方向），用户提示输入非结构化政策文本。关键字段包括：
模型输出附带原文引用与推理过程，确保可解释性。最终生成5198个事件记录，形成首个日频粒度的资本管制政策数据库。
CCM数据集揭示关键规律：资本市场工具（XI.A.2类别）占比最高（图4），2008年金融危机与COVID-19期间干预频率显著上升。中高收入国家更频繁使用管制措施（图7），且高收入国家政策变动常引领全球趋势。自由化行动中"许可"类最多，而限制性措施以"限额"为主（图6），COVID-19期间"暂停"类政策激增。
为支持实时多源政策分类，基于Llama 3.1-8B微调构建CCM-Llama模型。训练数据整合AREAER终版报告与年度变更日志，通过三阶段流程构建29,012条样本：
微调采用自回归语言建模目标，损失函数为：
\[ \mathcal{L}_{\text{LM}}=-\sum_{i=1}^{n}\log P_{\theta}(t_{i}\mid t_{1},\ldots,t_{i-1}) \]
在500条测试样本上，CCM-Llama二分类准确率99.55%，层级分类准确率（L3-L6）达72.98%，超越GPT-4.1等基线模型8.88个百分点（表5）。模型在细粒度分类（如XI.A.5.b.对内直接投资）表现突出，证明领域适应对政策文本解析的有效性。
使用EPFR全球资金流数据，以事件研究法检验资本管制效果。回归模型设定为：
\[ \text{Flowpct}_{it}=\sum_{\tau=-6}^{+6}\sum_{k\in\{\mathbb{L},\mathbb{R}\}} \beta^{k}_{\tau}\cdot\mathbbm{1}\{t=\tau\text{ and Intensity}=k\}+\alpha_{i}+ \gamma_{t}+\varepsilon_{it} \]
关键发现包括：
结果表明限制性政策效果更强，且存在跨国异质性，与制度背景和市场条件相关。
文章贡献包括：首创事件级CCM数据集，突破传统指数低频局限；开发高精度自动化分类模型CCM-Llama；实证验证资本管制效果异质性。该框架可扩展至实时新闻与央行公告分析，为资本流动预警系统提供支持。