劉靜一，唐 碩，李 彤

(鄭州大學(xué) 商學(xué)院，河南 鄭州 450001)

一、引 言

經(jīng)濟政策不確定性是指宏觀經(jīng)濟金融和產(chǎn)業(yè)政策等變動的不可預(yù)知性，這種不可知性會對消費、投資、資本流動和資產(chǎn)價格等經(jīng)濟變量產(chǎn)生重大影響。特別地，在中國當下經(jīng)濟和金融供給側(cè)改革的背景下，對內(nèi)為了提高經(jīng)濟增長和金融發(fā)展質(zhì)量，對外為了應(yīng)對歐債危機和貿(mào)易摩擦等極端沖擊，宏觀審慎監(jiān)管體系的構(gòu)建迫在眉睫，防范系統(tǒng)性金融風(fēng)險首當其沖，中國經(jīng)濟政策的不確定性處于相對高位。作為一種包含了投資者預(yù)期特征的系統(tǒng)性風(fēng)險，經(jīng)濟政策不確定性對金融市場和實體經(jīng)濟的負面影響愈加凸顯。

學(xué)術(shù)界關(guān)于經(jīng)濟政策不確定性的開創(chuàng)性研究始于Bloom(2009)[1]，Baker et al.(2016)[2]提出的經(jīng)濟不確定性指數(shù)(EPU)則被廣泛引用，二者測度不確定性時均將股票市場特別是金融業(yè)的運行狀況作為關(guān)鍵參考。熨平極端沖擊引致的金融市場特別是股票市場的劇烈波動，促進金融業(yè)的健康平穩(wěn)發(fā)展是我國制定經(jīng)濟金融政策的重要考量因素，因而，經(jīng)濟政策的不確定性必然與金融市場系統(tǒng)性風(fēng)險密切相關(guān)。而有關(guān)研究表明，金融市場系統(tǒng)性風(fēng)險高達50%以上來源于股票市場系統(tǒng)性風(fēng)險，金融股對外部沖擊的反應(yīng)更加靈敏，進而會將風(fēng)險傳遞給其他行業(yè)。基于此，本文從金融業(yè)系統(tǒng)性風(fēng)險的視角對我國經(jīng)濟政策不確定性進行預(yù)測，不僅能夠為政府政策制定和評估提供參考，而且為企業(yè)的經(jīng)營決策和投資者的投資決策提供方向指引。

已有大量關(guān)注經(jīng)濟政策不確定性對金融市場影響的文獻，主要集中于對金融資產(chǎn)的收益率、波動率和金融市場溢出效應(yīng)的影響這三個方面。Anderson et al.(2009)[3]考察了不確定性和風(fēng)險在股票預(yù)期收益率預(yù)測中的作用，認為不確定性對預(yù)期收益率的影響更大；Pástor和Veronesi(2012，2013)[4] [5]從理論上闡述了政策不確定性對股票價格的影響，明確指出政策不確定性具有風(fēng)險溢價；Brogaard 和 Detzel(2015)[6]通過實證研究表明EPU是導(dǎo)致股票價格下降的原因；Li(2017)[7]檢驗了中國經(jīng)濟政策不確定性帶來正風(fēng)險溢價的假設(shè)，發(fā)現(xiàn)EPU越高股票的平均回報也更高；陳國進等(2017)[8]發(fā)現(xiàn)政策不確定性會影響隨機貼現(xiàn)因子和股票價格，是股票市場的定價因子。在政策不確定性對股票波動率的影響和預(yù)測方面，Liu和Zhang(2015)[9]在HAR模型中以日度EPU作為解釋變量，發(fā)現(xiàn)EPU指數(shù)的加入能夠顯著提高股票波動率的預(yù)測效果；Byun(2016)[10]采用GARCH-X的方式將EPU指數(shù)納入波動率的建模中，發(fā)現(xiàn)其對波動率的預(yù)測效果顯著；李力等(2018)[11]在門限VAR模型下研究表明EPU指數(shù)上升1個單位，個股波動率平均增加0.37%；雷立坤等(2018)[12]采用GARCH-MIDAS模型實證表明EPU指數(shù)能夠顯著改善上證綜指波動率的預(yù)測精度。在經(jīng)濟政策不確定性對金融市場溢出效應(yīng)的影響方面，Khalifa et al.(2016)[13]將經(jīng)濟政策不確定性納入MCMS模型，發(fā)現(xiàn)經(jīng)濟政策不確定性會增加市場間的相互依存效應(yīng)和波動溢出效應(yīng)。Tsai(2017)[14]通過研究股票市場之間的動態(tài)關(guān)聯(lián)和與EPU的因果關(guān)系，發(fā)現(xiàn)如果幾個國家的股票市場都受到同一個國家EPU的影響，則EPU會增加股票市場的系統(tǒng)性風(fēng)險，他還發(fā)現(xiàn)一個國家的EPU傳染風(fēng)險可以擴散到其他國家的股票市場。Bernal et al. (2016)[15]也得出相似的結(jié)論。

綜上所述，相關(guān)研究多關(guān)注于政策不確定性對金融市場或股票市場的單向影響，而事實上，已有學(xué)者表明，長期來看，僅存在股票市場對經(jīng)濟政策不確定性之間的單向溢出(陳學(xué)進等，2014)[16]。同時，考慮在當前防范金融系統(tǒng)性風(fēng)險攻堅戰(zhàn)的壓力下，股票市場的系統(tǒng)性風(fēng)險極有可能是經(jīng)濟政策不確定性的主要來源之一，本文將重點探討股票市場系統(tǒng)性風(fēng)險對經(jīng)濟政策不確定性的影響。其中，系統(tǒng)性風(fēng)險的度量采用Diebold 和 Yilmaz(2014)[17]構(gòu)造的波動溢出指數(shù)。

此外，為了全面衡量波動溢出效應(yīng)對EPU指數(shù)的影響，觀察不同分位數(shù)下波動溢出指數(shù)對EPU指數(shù)影響的非線性效應(yīng)，本文使用Sim 和 Zhou(2015)[18]提出的分位數(shù)與分位數(shù)回歸方法進行建模，將股市波動溢出效應(yīng)分位數(shù)與經(jīng)濟政策不確定性分位數(shù)聯(lián)系起來。Sim和Zhou(2015)認為，與傳統(tǒng)方法(如OLS回歸)相比，分位數(shù)與分位數(shù)回歸方法具有能夠捕捉到較低分位數(shù)和較高分位數(shù)下的變量間的相關(guān)性、能夠考慮結(jié)構(gòu)性突變和解釋變量對被解釋變量影響的非對稱性等優(yōu)點，并以此模型研究了不同(正和負)油價沖擊對美國股票市場的影響；Raza et al. (2018)[19]采用該方法研究了不同國家的EPU分位數(shù)和股權(quán)溢價之間相關(guān)性。

基于以上認識，本文與已有研究的不同之處主要有以下兩點:一是基于溢出效應(yīng)這一嶄新的角度來定量分析其對經(jīng)濟政策不確定性指數(shù)的深刻影響；二是采用分位數(shù)與分位數(shù)回歸這一新穎的方法研究了不同經(jīng)濟形勢(溢出效應(yīng)的不同分位數(shù)下)對EPU指數(shù)不同分位點的影響，使得分析結(jié)果更為穩(wěn)健。

二、理論模型與方法

(一)波動性

本文使用Parkinson(1980)[20]提出的方法計算波動性，計算方法如下：

(1)

其中，i代表每一只股票；Hi,t、Li,t分別是股票i在時間t的最高價、最低價的對數(shù)。

(二)溢出指標的構(gòu)建

本文使用Diebold 和 Yilmaz (2012)[21]提出的廣義向量自回歸模型去計算金融業(yè)之間的溢出效應(yīng)，計算方法如下：

首先考慮一個包含N個變量的弱勢平穩(wěn)的模型：

(2)

其中，ε～N(0，Σ)是獨立且具有相同分布的擾動的矢量。假設(shè)VAR過程是協(xié)方差平穩(wěn)的，其移動平均形式如下：

(3)

其中，N×N系數(shù)矩陣Ai遵循以下遞歸關(guān)系：

Ai=φ1Ai-1+φ2Ai-2+…+φpAi-p

(4)

其中A0=IN且Ai=0(i<0)。Diebold和Yilmaz(2009,2012)[22]采用方差分解來研究溢出效應(yīng)。為了避免變量排序?qū)Ψ讲罘纸饨Y(jié)果的影響， Diebold和Yilmaz(2012)使用廣義框架來估計對排序不變的方差分解(見Koop，Pesaran，和Potter(1996)[23]; Pesaran和Shin(1998)[24])。

(5)

(6)

(7)

根據(jù)Diebold 和 Yilmaz (2009, 2012,2014)的研究，本文使用動態(tài)溢出矩陣來衡量溢出效應(yīng)，并對GKV取對數(shù)，采用具有250天滾動樣本的廣義模型VAR用于估計動態(tài)溢出矩陣，利用貝葉斯信息準則(BIC)來確定動態(tài)最優(yōu)滯后期數(shù)。

(三)分位數(shù)與分位數(shù)回歸

本文利用Sim和Zhou(2015)的方法來估計金融業(yè)溢出效應(yīng)對經(jīng)濟政策不確定性的影響。由于中國的經(jīng)濟政策不確定性數(shù)據(jù)是月度數(shù)據(jù)，本文將每日溢出指數(shù)平均為月度總溢出指數(shù)，記為SPMM，采用經(jīng)濟政策不確定性指數(shù)的對數(shù)并將其記為EPU。

用上標θ表示經(jīng)濟政策不確定性(EPU)的分位數(shù)，并假設(shè)在θ分位數(shù)時，經(jīng)濟政策不確定性(EPU)是溢出指數(shù)(SPMM)的函數(shù)，則有：

(8)

βθ(SPMt)≈ βθ(SPMt)+βθ(SPMt)(SPMt-SPMτ)

(9)

由于βθ(SPMt)和βθ'(SPMt)都是θ和SPMτ的函數(shù)，所以可以采用β0(θ,τ)和 β1(θ,τ)分別表示βθ(SPMt)和βθ'(SPMt),式(9)可表達為：

β0(θ,τ)≈ β0(θ,τ)+β1(θ,τ)(SPMt-SPMτ)

(10)

用式(10)減式(8)得到

(11)

其中，用α(θ)代表αθ，(*)是EPU的θ分位數(shù)，可以在分布未知的情況下描述經(jīng)濟政策不確定性和溢出效應(yīng)的相關(guān)性。

通過使用TensorFlow智能工具，結(jié)合目前最先進的深度學(xué)習(xí)LSTM算法對電力負荷進行預(yù)測，預(yù)測結(jié)果相對于傳統(tǒng)機器學(xué)習(xí)方法有顯著提升。同時，隨著數(shù)據(jù)化時代的到來，LSTM算法會在未來廣闊的空間發(fā)揮更大的作用。

(12)

其中，ρθ是分位數(shù)回歸定義的系數(shù)方程，而式(12)的解就是EPUt的θ分位數(shù)。

(13)

在下文實證部分，選擇的帶寬為0.05。因為如果選擇的帶寬過大，誤差會減小但是偏差會增大，如果帶寬過小，則偏差減小，誤差增大。

三、數(shù)據(jù)來源與描述性統(tǒng)計

本文根據(jù)申銀萬國對我國金融業(yè)的二級分類指數(shù)，選取銀行業(yè)、保險業(yè)、證券業(yè)、多元金融四個板塊作為研究對象，由于保險業(yè)起步較晚，因此本文的樣本區(qū)間為2007年1月17日至2019年6月11日(共3015個交易日)，數(shù)據(jù)來源為wind數(shù)據(jù)庫。由于中國的EPU數(shù)據(jù)是月度數(shù)據(jù)，所以本文選擇2008年2月至2019年5月(共136個月)的EPU數(shù)據(jù)，數(shù)據(jù)來源為經(jīng)濟政策不確定性網(wǎng)站。

表1 四個板塊指數(shù)最高價的描述統(tǒng)計

圖1 EPU時間序列

四、實證分析與穩(wěn)健性檢驗

(一)股票市場溢出效應(yīng)分析

采用(1)式計算各板塊的波動性后構(gòu)建總溢出指數(shù)以衡量金融市場的波動溢出效應(yīng)，選擇w=250個交易日，預(yù)測期間h=10個交易日的滾動窗口繪制時變的總溢出指數(shù)圖。從圖2的總溢出指數(shù)圖中可以看到，2008年初，溢出效應(yīng)指標不足0.3，而在金融危機爆發(fā)后，溢出指數(shù)最高達0.6，幾乎是危機爆發(fā)前的二倍；在2013年，中國股市出現(xiàn)“錢荒”，流動性嚴重不足，可以看到總波動溢出指數(shù)從“錢荒”前的0.45上升至“錢荒”結(jié)束后的約0.55，上升了10%之多。隨著政府的干預(yù),溢出活動逐漸減弱，但伴隨著2015年“股災(zāi)”的到來，溢出指數(shù)從2014年8月約0.48低點躍升到2015年2月超過0.6，且隨著2016年的全球股票和油價大跌，總溢出指數(shù)又躍升至0.6之多，隨后經(jīng)濟逐步穩(wěn)定，2018年中美貿(mào)易戰(zhàn)期間，溢出效應(yīng)又逐步攀升至歷史高位。

圖2 總溢出指數(shù)

(二)分位數(shù)與分位數(shù)回歸結(jié)果

第一，當總溢出指數(shù)位于低位時(τ<0.4)，整體來看，政策不確定性指數(shù)與溢出效應(yīng)關(guān)系較弱(β1(θ,τ)在0附近)，這主要是因為較低的總溢出指數(shù)主要位于較早時期(2008年左右)，此時金融業(yè)分業(yè)經(jīng)營特征明顯，業(yè)務(wù)交叉相對較少，因而溢出效應(yīng)對政策不確定性的預(yù)測效應(yīng)有限。但此時依然要分情況討論：(1)當EPU的分位數(shù)居于低位時(0<θ<0.4)，此時總溢出指數(shù)與經(jīng)濟政策不確定性呈負相關(guān)。這意味著如果溢出指數(shù)增加，EPU會減小，經(jīng)濟走好的可能性增大；而溢出指數(shù)的減小意味著經(jīng)濟走壞的可能性增大；(2)如果EPU居于高分位數(shù)時(0.4<θ<0.6)，此時總溢出指數(shù)與經(jīng)濟政策不確定性成正相關(guān),溢出指數(shù)的增加會使EPU增大，經(jīng)濟有變差的趨勢，反之亦然。

第二，當總溢出指數(shù)τ居于中位數(shù)附近時(0.4<τ<0.6)，不論EPU處于何處，兩者呈顯著的負相關(guān)關(guān)系，即此時總溢出指數(shù)的減小會導(dǎo)致經(jīng)濟政策不確定性增強，反之亦然。這主要是因為此時市場較為穩(wěn)定，因而經(jīng)濟政策也會趨穩(wěn)，不確定性減弱。

第三，當總溢出指數(shù)的分位數(shù)居于高位時(0.8<τ<1)，此時不論EPU處于何處，即不論此時經(jīng)濟狀況如何，總溢出指數(shù)與經(jīng)濟政策不確定性成正相關(guān)。

圖3 分位數(shù)圖

表2總溢出指數(shù)、經(jīng)濟政策不確定性指數(shù)的描述性統(tǒng)計分析

總溢出指數(shù)(月度)經(jīng)濟政策不確定性指數(shù)(對數(shù))均值0.50155.2329中位數(shù)0.51195.2210最大值0.62456.8409最小值0.28303.2636標準差0.07010.7001相關(guān)系數(shù)-0.1774

由以上分析可知，在不同溢出效應(yīng)和不同經(jīng)濟狀況下，總溢出指數(shù)與經(jīng)濟政策不確定性關(guān)系不同，且可以對經(jīng)濟政策不確定性的走勢進行一定的預(yù)測。例如，以2015年1月為例，總溢出指標為0.5，按照此時EPU與溢出效應(yīng)之間負相關(guān)的研究結(jié)論，EPU將會下降，經(jīng)濟形勢向好，數(shù)據(jù)顯示，EPU下降到2015年6月的4.5左右，而2015年前半年GDP的同比增速為7%，經(jīng)濟較為穩(wěn)定；2015年6月，中國股市爆發(fā)股災(zāi)，總溢出指標位于高分位數(shù)，按照此時EPU與溢出效應(yīng)之間正相關(guān)的研究結(jié)論，EPU上升到了2015年底的5.0左右，位于80%的高分位數(shù)，此時的GDP增速已降至7%以下。

圖4 b1(θ,τ)估計圖

(三)穩(wěn)健性檢驗

為了檢驗結(jié)果的穩(wěn)健性，采用Garman 和 Klass(1980)[26]的方法計算波動性，計算方法見式(14)：

(14)

其中，i代表每一只股票；Oi,t,Hi,t,Li,t,Ci,t分別是股票i在時間t的開盤價、最高價、最低價、收盤價的對數(shù)。圖5為用GKV構(gòu)建的總外溢指標圖，圖6為由GKV構(gòu)建的外溢指標對經(jīng)濟政策不確定性的預(yù)測結(jié)果圖，可以看到與前文結(jié)果基本相同，表明本文的結(jié)果是穩(wěn)健的。

圖5 基于GKV 的總溢出指數(shù)圖

圖6 基于GKV的b1(θ,τ)估計圖

五、結(jié)論與建議

本文采用2007～2019年的銀行業(yè)、保險業(yè)、證券業(yè)、多元金融四個板塊的指數(shù)和中國經(jīng)濟政策不確定性指數(shù)(EPU)的時間序列數(shù)據(jù)，通過廣義向量自回歸模型構(gòu)建溢出效應(yīng)指標，有效地衡量了金融業(yè)之間的系統(tǒng)性風(fēng)險，并通過分位數(shù)與分位數(shù)回歸模型得到股票市場溢出效應(yīng)與經(jīng)濟政策不確定性的非線性關(guān)系，得到以下主要結(jié)論：

一是中國金融業(yè)不同板塊間存在波動溢出效應(yīng)，在經(jīng)濟波動較為劇烈的時期，溢出效應(yīng)增強，在經(jīng)濟較為平穩(wěn)的時期，溢出效應(yīng)弱?；跁r間變化的波動溢出測算顯示，在美國金融危機、2013年“錢荒”、2015年中國股市危機等經(jīng)濟震蕩期間，金融市場的溢出效應(yīng)顯著高于其他時期。二是總體來看，當金融溢出效應(yīng)較大時，無論在何種經(jīng)濟形勢下，政策不確定指數(shù)都會增大，在溢出效應(yīng)較為適當時，政策不確定性指數(shù)有減小的趨勢，而在溢出效應(yīng)較弱的時期，政策不確定指數(shù)與溢出效應(yīng)的關(guān)系較弱。三是本文的研究結(jié)論通過了穩(wěn)健性檢驗。

基于本研究的實證結(jié)果，當前金融業(yè)溢出效應(yīng)位于較高位置，且有繼續(xù)上升的態(tài)勢，經(jīng)濟政策不確定性在相對高位運行，由于其與溢出效應(yīng)的正相關(guān)關(guān)系，未來經(jīng)濟政策不確定性會進一步加強，投資者可以對市場進行合理預(yù)期，從而有效地配置資產(chǎn)；政府可以對經(jīng)濟形勢做出合理判斷，并采取相應(yīng)措施及政策，以合理地影響人們預(yù)期，促進經(jīng)濟穩(wěn)定。