周亮 李紅權(quán)

摘 要：經(jīng)濟(jì)體系面臨著諸多不確定性，并可能引致系統(tǒng)性金融風(fēng)險(xiǎn)。本文基于72個(gè)宏觀經(jīng)濟(jì)序列及28個(gè)行業(yè)指數(shù)序列，采用彈性網(wǎng)絡(luò)建模方法，構(gòu)造了衡量中國(guó)經(jīng)濟(jì)不確定性的有效方法，并考察了經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)測(cè)能力和影響機(jī)制，研究結(jié)果表明：首先，構(gòu)造的新測(cè)度指標(biāo)能夠較好地反映中國(guó)經(jīng)濟(jì)波動(dòng)特征，并能夠?qū)ο到y(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行有效預(yù)測(cè)，且預(yù)測(cè)不確定性指標(biāo)的風(fēng)險(xiǎn)預(yù)警效果要優(yōu)于波動(dòng)不確定性的預(yù)測(cè)效果，預(yù)測(cè)不確定性能提前一年預(yù)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)，而GARCH不確定性的預(yù)測(cè)能力僅能提前半年。其次，投資者情緒和企業(yè)投資在經(jīng)濟(jì)不確定性影響系統(tǒng)性金融風(fēng)險(xiǎn)的過(guò)程中起到了一定的中介作用，經(jīng)濟(jì)不確定性會(huì)抑制企業(yè)的投資意愿并可通過(guò)投資者情緒的疊加效應(yīng)助推系統(tǒng)性金融風(fēng)險(xiǎn)的形成和發(fā)展。

關(guān)鍵詞：系統(tǒng)性金融風(fēng)險(xiǎn)；經(jīng)濟(jì)不確定性；預(yù)測(cè)不確定性；金融風(fēng)險(xiǎn)

中圖分類號(hào)： F830.9 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1000‐176X（2022）02‐0052‐11

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上項(xiàng)目“系統(tǒng)性金融風(fēng)險(xiǎn)的形成機(jī)制與監(jiān)測(cè)預(yù)警研究：基于內(nèi)生性和過(guò)程觀的視角”（71871092）；國(guó)家自然科學(xué)基金面上項(xiàng)目“國(guó)際金融市場(chǎng)聯(lián)動(dòng)與風(fēng)險(xiǎn)傳染的微觀機(jī)制及其模擬研究”（71473081）

一、引 言

防范和化解系統(tǒng)性金融風(fēng)險(xiǎn)是新時(shí)代的一大重要任務(wù)，尤其是在當(dāng)前中美關(guān)系緊張、世界經(jīng)濟(jì)增長(zhǎng)前景充滿不確定性的特殊時(shí)期，從宏觀的、整體全局的視角考慮經(jīng)濟(jì)發(fā)展與金融安全問(wèn)題更具有現(xiàn)實(shí)的緊迫性。經(jīng)濟(jì)不確定性不僅會(huì)影響到企業(yè)的投資決策行為，而且會(huì)引致投資者的風(fēng)險(xiǎn)偏好水平發(fā)生轉(zhuǎn)變，其結(jié)果是導(dǎo)致資產(chǎn)價(jià)格的波動(dòng)性提升，甚至?xí)l(fā)系統(tǒng)性金融風(fēng)險(xiǎn)的累積乃至爆發(fā)。因此，研究經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警能力具有較強(qiáng)的理論依據(jù)和現(xiàn)實(shí)意義。

值得指出的是，本文所述的經(jīng)濟(jì)不確定性和目前比較熱點(diǎn)的經(jīng)濟(jì)政策不確定性既有聯(lián)系更有不同，經(jīng)濟(jì)不確定性和經(jīng)濟(jì)政策不確定性可能會(huì)相互作用，但經(jīng)濟(jì)政策不確定性不僅與經(jīng)濟(jì)基本面有關(guān)還取決于決策部門的主觀意志。常用的經(jīng)濟(jì)政策不確定性測(cè)度由Baker等[1]提出，他們采用主流報(bào)紙上公布的包含“經(jīng)濟(jì)”“政策”“不確定性”等關(guān)鍵詞的新聞數(shù)量定量評(píng)估經(jīng)濟(jì)政策不確定性，如中國(guó)經(jīng)濟(jì)政策不確定性指標(biāo)是基于南華早報(bào)（香港發(fā)行的英文報(bào)紙）的新聞關(guān)鍵詞所構(gòu)造。對(duì)于政策不確定性及其影響的研究是一大研究熱點(diǎn)，如Alexopoulos和Cohen[2]、Gulen和Ion[3]、Bhattacharya等[4]、Nguyen和Phan[5]、李鳳羽和楊墨竹[6]、陳國(guó)進(jìn)等[7]、夏婷和聞岳春[8]與胡成春和陳迅[9]等大量學(xué)者研究了經(jīng)濟(jì)政策不確定性對(duì)宏觀經(jīng)濟(jì)增長(zhǎng)及微觀企業(yè)投資或市場(chǎng)表現(xiàn)的影響。但如前所述，由于兩者的內(nèi)涵和外延均不同，對(duì)于經(jīng)濟(jì)政策不確定的研究不能替代對(duì)于經(jīng)濟(jì)不確定性本身的研究。

對(duì)于經(jīng)濟(jì)不確定的測(cè)度主要有兩種方式：一是采用金融或經(jīng)濟(jì)指標(biāo)的波動(dòng)率。如VIX （CBOT波動(dòng)率指數(shù)）常被用來(lái)作為經(jīng)濟(jì)不確定性的替代指標(biāo)， GDP或工業(yè)增加值等實(shí)際經(jīng)濟(jì)增長(zhǎng)變量序列的GARCH波動(dòng)率、企業(yè)利潤(rùn)或全要素生產(chǎn)率的離差或預(yù)測(cè)分歧也被很多學(xué)者用來(lái)對(duì)經(jīng)濟(jì)不確定性進(jìn)行衡量。二是由Jurado等[10]提出的預(yù)測(cè)不確定性。他們的研究發(fā)現(xiàn)VIX會(huì)顯著高估經(jīng)濟(jì)不確定性事件發(fā)生的頻率，因此，提出了一種基于豐富數(shù)據(jù)環(huán)境下預(yù)測(cè)準(zhǔn)確性的經(jīng)濟(jì)不確定性測(cè)度方法，該方法能夠有效衡量美國(guó)經(jīng)濟(jì)史上的重大經(jīng)濟(jì)不確定性事件。國(guó)內(nèi)學(xué)者馬丹等[11]與王博等[12]采用Jurado等[10]的方法構(gòu)造了中國(guó)經(jīng)濟(jì)不確定性指標(biāo)，并研究了其對(duì)經(jīng)濟(jì)活動(dòng)的影響，發(fā)現(xiàn)這種測(cè)度方法相對(duì)波動(dòng)率不確定性的測(cè)度方法穩(wěn)定性更強(qiáng)。

經(jīng)濟(jì)不確定性可能會(huì)通過(guò)企業(yè)風(fēng)險(xiǎn)承擔(dān)水平及投資者情緒兩個(gè)渠道對(duì)金融市場(chǎng)產(chǎn)生直接的影響，加劇資產(chǎn)價(jià)格波動(dòng)并導(dǎo)致系統(tǒng)性金融風(fēng)險(xiǎn)的積累。在企業(yè)風(fēng)險(xiǎn)承擔(dān)水平方面，眾多研究發(fā)現(xiàn)政策不確定性會(huì)抑制企業(yè)的投資意愿，同時(shí)較高的政策不確定性會(huì)降低企業(yè)的研發(fā)支出水平和并購(gòu)活動(dòng)，企業(yè)相應(yīng)持有更多現(xiàn)金以應(yīng)對(duì)未來(lái)風(fēng)險(xiǎn)，同時(shí)更傾向采取謹(jǐn)慎保守的管理層變更決策。投資者情緒也往往成為經(jīng)濟(jì)不確定性影響系統(tǒng)性金融風(fēng)險(xiǎn)的重要媒介。從投資者個(gè)體層面來(lái)講，不確定性是影響個(gè)體投資者情緒的關(guān)鍵因素，進(jìn)而影響其決策行為；從資本市場(chǎng)層面來(lái)講，政策不確定性更多地通過(guò)影響投資者對(duì)未來(lái)風(fēng)險(xiǎn)溢價(jià)的預(yù)期發(fā)揮作用。Perez-Liston等[13]與靳光輝等[14]等研究均發(fā)現(xiàn)，經(jīng)濟(jì)政策不確定性會(huì)通過(guò)影響投資者情緒加劇金融市場(chǎng)波動(dòng)，進(jìn)而導(dǎo)致系統(tǒng)性風(fēng)險(xiǎn)的累積。需要指出的是，這些結(jié)論基本上都是基于政策不確定性研究視角的，鮮有文獻(xiàn)研究經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的作用機(jī)制，對(duì)于經(jīng)濟(jì)不確定性帶來(lái)的后果仍揭示甚少。

綜上所述，中外學(xué)者們?cè)诮?jīng)濟(jì)不確定性的測(cè)度及其影響方面取得了較好的前期研究成果，但仍存在較大的拓展空間和研究空白：一方面，大部分的研究均是利用Baker等[1]開發(fā)的經(jīng)濟(jì)政策不確定指標(biāo)，該指標(biāo)是基于報(bào)紙報(bào)道的文本挖掘技術(shù)，研究?jī)?nèi)容基本上是經(jīng)濟(jì)政策不確定性及其影響結(jié)果，直接從經(jīng)濟(jì)不確定性入手的研究仍顯不足；另一方面，已有的直接研究主要集中在經(jīng)濟(jì)不確定性對(duì)宏微觀經(jīng)濟(jì)的影響分析，經(jīng)濟(jì)不確定性能否影響/如何影響系統(tǒng)性金融風(fēng)險(xiǎn)仍然不得而知?；诖?，本文擬借鑒Jurado等[10]的預(yù)測(cè)不確定性和Baum等[15]的GARCH不確定性構(gòu)建中國(guó)的經(jīng)濟(jì)不確定性指數(shù)，并研究其對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響及途徑。相對(duì)于其他研究經(jīng)濟(jì)不確定性的文獻(xiàn)，本文的增量貢獻(xiàn)在于：一方面，基于預(yù)測(cè)不確定性角度，構(gòu)造了衡量中國(guó)經(jīng)濟(jì)不確定性的有效測(cè)度方法，該測(cè)度方法的有效性來(lái)源于本文變量選取的獨(dú)特方式以及較為合理的加權(quán)方式，從而保證了該指標(biāo)能夠比較好地反映中國(guó)經(jīng)濟(jì)波動(dòng)特征、用于經(jīng)濟(jì)形勢(shì)的分析和研判；另一方面，本文重點(diǎn)研究了經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)間的關(guān)系，為系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)警和防范提供了經(jīng)驗(yàn)依據(jù)。

二、模型與方法

（一）預(yù)測(cè)不確定性

1.基本思路

考慮到Jurado等[10]的研究發(fā)現(xiàn)，向前一期預(yù)測(cè)與向前多期預(yù)測(cè)所構(gòu)造的不確定性指標(biāo)間在對(duì)宏觀經(jīng)濟(jì)的具體預(yù)警時(shí)差異較小，但是向前多期預(yù)測(cè)會(huì)導(dǎo)致預(yù)測(cè)偏差的加大，因此，本文僅采用向前一期預(yù)測(cè)值構(gòu)造經(jīng)濟(jì)不確定性指標(biāo)。

2.彈性網(wǎng)絡(luò)建模

式（4）中包含了數(shù)目眾多的自變量， Jurado等[10]、馬丹等[11]與王博等[12]通過(guò)設(shè)定t值閾值來(lái)選擇自變量，利用超過(guò)閾值的自變量再次進(jìn)行回歸得到最終的預(yù)測(cè)模型。這種方法的優(yōu)點(diǎn)是考慮了自變量的組合作用，但是當(dāng)自變量數(shù)目較多或者自變量間高度相關(guān)時(shí)，可能得不出正確的結(jié)論。因此，本文采用彈性網(wǎng)絡(luò)回歸來(lái)確定自變量的回歸系數(shù)。

當(dāng)ρ=1時(shí)即為套索回歸，當(dāng)ρ=0為嶺回歸，當(dāng)ρ≠0即為彈性網(wǎng)絡(luò)，借鑒Gu等[18]的參數(shù)設(shè)定方式，ρ取值為0.5，以同時(shí)考慮LASSO回歸的變量選擇及嶺回歸的變量收縮（實(shí)際上，彈性網(wǎng)絡(luò)得到的經(jīng)濟(jì)不確定性與LASSO或嶺回歸計(jì)算得到的經(jīng)濟(jì)不確定性三者相差不大，相關(guān)系數(shù)均在0.97以上）。α是正則項(xiàng)的懲罰系數(shù)，α越大，目標(biāo)函數(shù)中懲罰項(xiàng)所占權(quán)重越高，更多的變量系數(shù)會(huì)被壓縮到0，反之亦然。本文采用K折交叉驗(yàn)證法（取K=6）對(duì)α值進(jìn)行自動(dòng)篩選。

為了使樣本數(shù)據(jù)足夠豐富，同時(shí)考慮到數(shù)據(jù)的可得性及時(shí)序充分性，本文采用了包括經(jīng)濟(jì)增長(zhǎng)、固定資產(chǎn)投資、社會(huì)消費(fèi)、對(duì)外貿(mào)易、財(cái)政收支、價(jià)格指數(shù)、股市、國(guó)債和企業(yè)債收益率、貨幣供給量等宏觀經(jīng)濟(jì)指標(biāo)72個(gè)，以及28個(gè)行業(yè)指數(shù)作為原始數(shù)據(jù)?？紤]到數(shù)據(jù)的可得性，所有指標(biāo)均是從2005年1月開始。

（二） GARCH波動(dòng)不確定性

大量學(xué)者采用GARCH波動(dòng)率來(lái)衡量經(jīng)濟(jì)不確定性，但是這些文獻(xiàn)大部分是采用單一或者特定幾個(gè)經(jīng)濟(jì)序列來(lái)進(jìn)行研究，本文借鑒Jurado等[10]豐富數(shù)據(jù)環(huán)境的思想，用計(jì)算預(yù)測(cè)不確定性的所有經(jīng)濟(jì)序列的GARCH波動(dòng)率來(lái)構(gòu)造經(jīng)濟(jì)不確定性指標(biāo)。具體的GARCH模型如式（6）和式（7）所示，其中，式（6）為均值方程，本文采用滯后一階AR （1）模式，式（7）為方差的GARCH （1， 1）模型。在構(gòu)造GARCH波動(dòng)不確定性復(fù)合指標(biāo)時(shí)同樣采用了等權(quán)重、熵權(quán)法和主成分三種方法。

在本文所選的100個(gè)經(jīng)濟(jì)指標(biāo)中，在熵權(quán)法中占比最大的10個(gè)指標(biāo)依次是股票成交金額當(dāng)月同比、M2同比、金融機(jī)構(gòu)存款余額同比、金融機(jī)構(gòu)貸款余額同比、M1同比、中債企業(yè)債到期收益率（1年期AA級(jí)）、CPI食品當(dāng)月同比、中債國(guó)債到期收益率（10年）、房地產(chǎn)開發(fā)投資完成額累計(jì)同比和PPI生活資料當(dāng)月同比，工業(yè)增加值等經(jīng)濟(jì)增長(zhǎng)指標(biāo)所占權(quán)重較小與其本身波動(dòng)率較小有關(guān)。

（三）系統(tǒng)性金融風(fēng)險(xiǎn)

常用來(lái)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行衡量的指標(biāo)包括兩大類：聚焦于重要性個(gè)體機(jī)構(gòu)對(duì)整體貢獻(xiàn)的CoVaR、MES和SRISK等指標(biāo)；聚焦于系統(tǒng)整體層面風(fēng)險(xiǎn)狀況的測(cè)度，尤其是網(wǎng)絡(luò)關(guān)聯(lián)度等相關(guān)指標(biāo)，如信息溢出指數(shù)、信息吸收比率以及格蘭杰動(dòng)態(tài)因果指數(shù)等。網(wǎng)絡(luò)關(guān)聯(lián)度指標(biāo)具有一定的領(lǐng)先性，但是個(gè)體機(jī)構(gòu)層面的指標(biāo)與金融風(fēng)險(xiǎn)尤其是股市暴跌風(fēng)險(xiǎn)契合得更為緊密，因此，本文選擇CoVaR和MES來(lái)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行衡量。

1.CoVaR

本文借鑒Giglio等[20]的方法，根據(jù)計(jì)算出的所有金融機(jī)構(gòu)CoVaR和MES，在橫截面上取平均值，則可以得到宏觀的系統(tǒng)性金融風(fēng)險(xiǎn)指標(biāo)。

三、實(shí)證結(jié)果分析

（一）經(jīng)濟(jì)不確定性指標(biāo)構(gòu)建及動(dòng)態(tài)分析

首先，利用式（1）—式（5）計(jì)算預(yù)測(cè)經(jīng)濟(jì)不確定性指標(biāo)，在利用彈性網(wǎng)絡(luò)回歸時(shí)，自變量顯著次數(shù)最多的依次是F8、F5、F3和F2，其中， F8主要載荷是PPI和進(jìn)出口相關(guān)指標(biāo)，該因子代表中國(guó)的制造業(yè)及外貿(mào)環(huán)境； F5主要載荷是國(guó)債和企業(yè)債到期收益率指標(biāo)，該因子代表的是資金利率； F3主要載荷是CPI和存貸款利率指標(biāo)，該因子代表的是物價(jià)水平； F2主要載荷是工業(yè)增加值、消費(fèi)、固定資產(chǎn)和房地產(chǎn)投資，該因子代表國(guó)家的經(jīng)濟(jì)增長(zhǎng)水平。說(shuō)明外貿(mào)進(jìn)出口、資金利率、物價(jià)水平以及經(jīng)濟(jì)增長(zhǎng)對(duì)經(jīng)濟(jì)運(yùn)行穩(wěn)定情況的影響更大。其次，利用式（6）—式（7）計(jì)算GARCH經(jīng)濟(jì)不確定性。最后，分別利用等權(quán)重法、熵權(quán)法和主成分分析法等三種方式加權(quán)得到最終的經(jīng)濟(jì)不確定性指標(biāo)。

表1報(bào)告了經(jīng)濟(jì)不確定性指標(biāo)間的相關(guān)系數(shù)矩陣，其中， U1EQ、U1EN、U1PC、GARCHEQ、GARCHEN、GARCHPC分別表示等權(quán)重預(yù)測(cè)不確定性、熵權(quán)法預(yù)測(cè)不確定性、主成分法預(yù)測(cè)不確定性、等權(quán)重GARCH不確定性、熵權(quán)法GARCH不確定性和主成分法GARCH不確定性。除此以外，表中還采用了其他幾種常見的單指標(biāo)經(jīng)濟(jì)不確定指數(shù)， IPU1和IPGARCH分別表示用工業(yè)增加值計(jì)算的預(yù)測(cè)不確定性及GARCH不確定性，這也是在實(shí)證中應(yīng)用廣泛的經(jīng)濟(jì)不確定性（實(shí)證中常用GDP，但是由于GDP僅為季度數(shù)據(jù)，因此，也經(jīng)常用工業(yè)增加值代替GDP）；股票指數(shù)的波動(dòng)率也常用來(lái)對(duì)不確定性進(jìn)行衡量，我們選擇了WindU1和WindGARCH，分別表示用Wind全A指數(shù)計(jì)算的預(yù)測(cè)不確定性與GARCH不確定性；最后，我們還選擇了Baker等[1]基于新聞報(bào)紙文本挖掘構(gòu)建的中國(guó)經(jīng)濟(jì)政策不確定性指數(shù)EPU?？梢钥吹?，加權(quán)方法對(duì)不確定性指數(shù)的衡量影響不大，無(wú)論是U1還是GARCH，對(duì)應(yīng)的三種加權(quán)不確定指數(shù)間的相關(guān)性均極強(qiáng)。基于大數(shù)據(jù)構(gòu)造的U1和GARCH不確定性與單個(gè)指標(biāo)的不確定性間相關(guān)性并不高，且與政策不確定性指數(shù)間呈現(xiàn)負(fù)向相關(guān)關(guān)系，說(shuō)明綜合大量經(jīng)濟(jì)序列的預(yù)期不確定性或GARCH不確定性能夠更好地綜合反映經(jīng)濟(jì)狀況，同時(shí)所蘊(yùn)含的信息與經(jīng)濟(jì)政策不確定性是完全不一樣的。預(yù)測(cè)不確定性和GARCH不確定性內(nèi)部之間的相關(guān)系數(shù)較高，而相互之間的相關(guān)系數(shù)較低。由于熵本身即是對(duì)不確定性的一種度量，在熵權(quán)法中指標(biāo)的離散程度越大（即不確定性越高）時(shí)，該指標(biāo)對(duì)綜合評(píng)價(jià)的影響（權(quán)重）越大，更為符合本文經(jīng)濟(jì)不確定性的定義，因而接下來(lái)我們主要采用基于熵權(quán)法的不確定性指標(biāo)進(jìn)行研究，同時(shí)利用等權(quán)法和主成分分析法進(jìn)行穩(wěn)健性檢驗(yàn)。

圖1報(bào)告了U1EN和GARCHEN在樣本區(qū)間的走勢(shì)圖，其中，實(shí)線為U1EN的變動(dòng)趨勢(shì)，虛線為GARCHEN的變動(dòng)趨勢(shì)。由于計(jì)算預(yù)測(cè)不確定性需要用到一段時(shí)期的滾動(dòng)樣本（本文設(shè)定為50個(gè)月），因此， U1EN開始的時(shí)間為2009年3月。兩條與橫軸相平行的虛線分別表示U1EN和GARCHEN的1.65倍標(biāo)準(zhǔn)差，其中，上面那條對(duì)應(yīng)的是GARCHEN的1.65倍標(biāo)準(zhǔn)差（1.20），下面那條對(duì)應(yīng)的是U1EN的1.65倍標(biāo)準(zhǔn)差（0.67），超過(guò)1.65倍標(biāo)準(zhǔn)差說(shuō)明經(jīng)濟(jì)面臨著較大的不確定性。從圖1可以看到， U1EN和GARCHEN在樣本區(qū)間內(nèi)走勢(shì)相關(guān)性較強(qiáng)， U1EN的波動(dòng)率相對(duì)較高。

2009年3—9月間，兩個(gè)不確定性指數(shù)均超過(guò)了1.65倍標(biāo)準(zhǔn)差，這主要是受到美國(guó)次貸危機(jī)的發(fā)酵，中國(guó)經(jīng)濟(jì)于2008年下半年快速回落，大批農(nóng)民工返鄉(xiāng)，出口負(fù)增長(zhǎng)， 2008年11月進(jìn)出口總值同比下降9%， GDP在2008年第4季度下降4個(gè)百分點(diǎn)，經(jīng)濟(jì)面臨硬著陸的風(fēng)險(xiǎn)。在此之后，中國(guó)政府果斷推出擴(kuò)大內(nèi)需、促進(jìn)經(jīng)濟(jì)平穩(wěn)增長(zhǎng)的相關(guān)舉措，抑制住了經(jīng)濟(jì)下滑的趨勢(shì)， 2009年GDP增長(zhǎng)9.4%，經(jīng)濟(jì)不確定性指數(shù)也發(fā)生了顯著的下降。

2015年1—12月，經(jīng)濟(jì)不確定性指數(shù)達(dá)到了又一次峰值（GARCHEN未超過(guò)1.65倍標(biāo)準(zhǔn)差）。2015年是中國(guó)經(jīng)濟(jì)運(yùn)行相對(duì)困難的一年， 1月份CPI遠(yuǎn)低于市場(chǎng)預(yù)期，達(dá)到2009年11月來(lái)最低水平， PPI同比下降4.3%，為2009年來(lái)最大跌幅；中國(guó)樓市也面臨著硬著陸風(fēng)險(xiǎn)，房?jī)r(jià)從2014年下半年開始出現(xiàn)了下滑；而股市更是出現(xiàn)了震驚中外的股災(zāi)， 2015年6月15日，上證指數(shù)觸及5 178的高點(diǎn)后掉頭向下，出現(xiàn)融資崩盤、千股跌停和指數(shù)熔斷頻現(xiàn)，上證指數(shù)在2016年初達(dá)到2 638的低點(diǎn)，幾近腰斬；整個(gè)2015年GDP增幅為6.91%，自1991年以來(lái)首次跌破7%。

2019年2月U1EN短暫突破1.65倍標(biāo)準(zhǔn)差，但是很快回到合理區(qū)間，此時(shí)GARCHEN仍然處在較低位置。而U1EN和GARCHEN同時(shí)再次突破1.65倍標(biāo)準(zhǔn)差發(fā)生在2020年年初，受新冠肺炎疫情影響，全球經(jīng)濟(jì)近乎停滯， 1—2月份中國(guó)規(guī)模以上工業(yè)企業(yè)利潤(rùn)驟降38.3%；第1季度貨物貿(mào)易進(jìn)出口總值比上年同期下降6.4%，其中出口下降11.4%、進(jìn)口下降0.7%，貿(mào)易順差減少80.6%；第1季度中國(guó)GDP增速斷崖式下跌至-6.8%。雖然中國(guó)政府出臺(tái)了一系列擴(kuò)大消費(fèi)以及保障復(fù)工復(fù)產(chǎn)的政策，但是由于歐美疫情的擴(kuò)散，短期內(nèi)進(jìn)出口很難看到好轉(zhuǎn)的趨勢(shì)，經(jīng)濟(jì)不確定性也將繼續(xù)維持高位。

總體來(lái)看，本文所構(gòu)造的經(jīng)濟(jì)不確定性指標(biāo)能夠較好地對(duì)經(jīng)濟(jì)形勢(shì)進(jìn)行判斷，三個(gè)峰值依次與次貸危機(jī)、2015年經(jīng)濟(jì)下滑及2020年初的新冠肺炎疫情帶來(lái)的經(jīng)濟(jì)不確定很好地契合在一起。

（二）經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)的相關(guān)性分析

經(jīng)濟(jì)不確定性能夠較好地反映經(jīng)濟(jì)形勢(shì)，那么對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)是否也會(huì)產(chǎn)生顯著影響？本部分首先通過(guò)跨期相關(guān)分析來(lái)檢驗(yàn)兩者之間的關(guān)系，表2報(bào)告了檢驗(yàn)結(jié)果，其中， Panel A是經(jīng)濟(jì)不確定性與CoVaR的跨期相關(guān)系數(shù)， Panel B是經(jīng)濟(jì)不確定性與MES的跨期相關(guān)系數(shù)。第1列中“-6”表示經(jīng)濟(jì)不確定性領(lǐng)先CoVaR或MES六期（即6個(gè)月），“0”表示經(jīng)濟(jì)不確定性與CoVaR或MES同期，“6”表示經(jīng)濟(jì)不確定性滯后CoVaR或MES六期（即6個(gè)月），其他以此類推。

Panel A的結(jié)果顯示，經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)具有較強(qiáng)的領(lǐng)先性。首先觀察預(yù)測(cè)不確定性，無(wú)論是U1EQ、U1EN還是U1PC，均對(duì)CoVaR存在著顯著的領(lǐng)先關(guān)系，表現(xiàn)在從“-6”至“-1”期的相關(guān)系數(shù)均顯著為正，同時(shí)CoVaR對(duì)U1卻幾乎不存在領(lǐng)先關(guān)系，僅對(duì)U1EQ和U1EN存在著2期的領(lǐng)先關(guān)系，說(shuō)明用U1對(duì)CoVaR進(jìn)行預(yù)測(cè)時(shí)內(nèi)生性問(wèn)題的影響很小甚至可以忽略。GARCH波動(dòng)不確定性則無(wú)論是在領(lǐng)先還是滯后期數(shù)，均與CoVaR顯著正相關(guān)。這一方面說(shuō)明，經(jīng)濟(jì)不確定性與系統(tǒng)性金融風(fēng)險(xiǎn)間存在著緊密的聯(lián)系，當(dāng)經(jīng)濟(jì)不確定性較高時(shí)，系統(tǒng)性金融風(fēng)險(xiǎn)往往也很高；另一方面，說(shuō)明用U1來(lái)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行分析時(shí)效果會(huì)更好，而GARCH不確定性與CoVaR間可能存在著較強(qiáng)的內(nèi)生性。Panel B對(duì)MES的分析結(jié)果與Panel A類似，說(shuō)明我們對(duì)兩者跨期相關(guān)性的檢驗(yàn)結(jié)果是穩(wěn)健的。

（三）回歸分析

為了更進(jìn)一步檢驗(yàn)經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)測(cè)能力，我們建立如下回歸模型：

其中， Xt-1為控制變量，借鑒Jurado等[10]與王春麗和胡玲[21]等的研究，包括工業(yè)增加值（IP）、固定資產(chǎn)投資（Invest）、進(jìn)出口（I/ E）、消費(fèi)（Comsume）、CPI、M2和股票市場(chǎng)收益率（Stock）等，均取滯后一期； Uncert-n是滯后n期的經(jīng)濟(jì)不確定性，回歸方程中n取1、3、6和12，分別表示對(duì)下個(gè)月、下個(gè)季度、半年后或一年后系統(tǒng)性金融風(fēng)險(xiǎn)的預(yù)測(cè)；εt為預(yù)測(cè)偏差。

表3報(bào)告了回歸結(jié)果，其中， Panel A是采用U1EN衡量經(jīng)濟(jì)不確定性的回歸結(jié)果， Panel B是采用GARCHEN衡量經(jīng)濟(jì)不確定性的回歸結(jié)果（利用U1EQ和GARCHEQ、U1PC和GARCHPC的結(jié)果類似，限于篇幅，結(jié)果未列出）。模型-R2在0.4571—0.6757之間，模型回歸結(jié)果較好，所選變量能夠?qū)ο到y(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行較好的預(yù)測(cè)，且越近期的不確定指數(shù)做預(yù)測(cè)的-R2越大，同期U1EN比GARCHEN的預(yù)測(cè)-R2均要更大。從經(jīng)濟(jì)不確定性指數(shù)的回歸系數(shù)也可以看到類似的趨勢(shì)， L12.Uncer、L3.Uncer和L6.Uncer的系數(shù)均在1%水平下顯著， L12.U1EN的回歸系數(shù)在5%水平下顯著，而L12.GARCHEN的回歸系數(shù)不再顯著。綜合來(lái)看，經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)有顯著的預(yù)測(cè)能力，且系數(shù)值較大； U1比GARCH不確定性的預(yù)測(cè)能力更強(qiáng)， U1能夠提前12個(gè)月預(yù)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)，而GARCH不確定性僅能提前6個(gè)月對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)，用U1來(lái)衡量經(jīng)濟(jì)不確定性并對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)具有更好的效果，這與表2跨期相關(guān)性檢驗(yàn)的結(jié)論是一致的。其他變量來(lái)看，工業(yè)增加值及股票市場(chǎng)整體走勢(shì)對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響不大，投資和進(jìn)出口的增加能夠降低系統(tǒng)性金融風(fēng)險(xiǎn)，通脹率及貨幣供應(yīng)量的增加都會(huì)帶來(lái)系統(tǒng)性金融風(fēng)險(xiǎn)的升高，均符合經(jīng)濟(jì)理論。但是當(dāng)消費(fèi)增加，會(huì)導(dǎo)致系統(tǒng)性金融風(fēng)險(xiǎn)的增加，這與經(jīng)濟(jì)理論并不相符，原因可能在于消費(fèi)的提高會(huì)導(dǎo)致通脹率的攀升從而帶來(lái)系統(tǒng)性風(fēng)險(xiǎn)的累積。因此，要防范系統(tǒng)性金融風(fēng)險(xiǎn)，應(yīng)提高經(jīng)濟(jì)增長(zhǎng)水平尤其是投資與進(jìn)出口、控制好貨幣供應(yīng)量及通脹率。

將式（13）中的CoVaR替換成MES再次進(jìn)行回歸，可以看到與表3相類似的結(jié)果， U1對(duì)MES的影響在提前12個(gè)月時(shí)仍然在1%的水平下顯著，而GARCH不確定性雖然在提前12個(gè)月時(shí)仍然顯著，但是顯著水平僅為10%；且無(wú)論是哪個(gè)提前期， U1的-R2均要高于GARCH不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)預(yù)測(cè)的-R2，說(shuō)明經(jīng)濟(jì)不確定性能夠?qū)ο到y(tǒng)性金融風(fēng)險(xiǎn)有較強(qiáng)的預(yù)測(cè)能力，且U1相對(duì)GARCH不確定性的預(yù)測(cè)能力及預(yù)測(cè)持續(xù)性更強(qiáng)，研究結(jié)論是穩(wěn)健的。除此以外，我們還采用LASSO回歸及嶺回歸算法得到的經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)進(jìn)行回歸以對(duì)比分析，基本結(jié)論保存不變，只是基于LASSO回歸或嶺回歸得到的經(jīng)濟(jì)不確定性的預(yù)測(cè)能力稍弱一些（限于篇幅，結(jié)果未列出）。

（四）作用機(jī)制分析

經(jīng)濟(jì)不確定性可能通過(guò)投資者情緒及企業(yè)投資兩個(gè)渠道對(duì)宏觀經(jīng)濟(jì)產(chǎn)生影響，因此，本部分檢驗(yàn)這兩個(gè)渠道是否同樣是經(jīng)濟(jì)不確定性影響系統(tǒng)性金融風(fēng)險(xiǎn)的途徑。對(duì)于投資者情緒（Sent），我們借鑒Baker和Wurgler[22]的方法，利用主成分分析法從封閉式基金折溢價(jià)率、市場(chǎng)波動(dòng)率、換手率和市盈率等指標(biāo)中提取出共同的情緒成分；對(duì)于企業(yè)投資（ComInv），我們采用所有股份制公司固定資產(chǎn)投資完成額同比數(shù)據(jù)來(lái)表示，同時(shí)，考慮到經(jīng)濟(jì)不確定性不一定能夠立刻對(duì)企業(yè)投資產(chǎn)生影響，我們還選擇了長(zhǎng)江商學(xué)院企業(yè)投資前瞻指數(shù)（InvFor）來(lái)進(jìn)行檢驗(yàn)，該指數(shù)是根據(jù)問(wèn)卷調(diào)查得到的企業(yè)對(duì)未來(lái)投資的預(yù)判，能夠反映企業(yè)的投資預(yù)期。

我們?cè)谑剑?3）的基礎(chǔ)上檢驗(yàn)式（14）和式（15）以考察投資者情緒或企業(yè)投資的中介作用：

其中， Risk是系統(tǒng)性金融風(fēng)險(xiǎn)，用CoVaR和MES衡量； Inter是中介變量，包括Sent、ComInv和InvFor。通過(guò)γ1、γ2和φ的顯著性來(lái)判斷變量的中介效應(yīng)，當(dāng)γ1和φ均顯著時(shí)，若γ2（不）顯著，則說(shuō)明中介變量部分（完全）中介了經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響；但若γ1和φ至少有一個(gè)不顯著，應(yīng)采用Sobel Z統(tǒng)計(jì)量判斷中介效應(yīng)是否存在。

表4報(bào)告了模型（14）的檢驗(yàn)結(jié)果，其中， Panel A是U1不確定性的回歸結(jié)果， Panel B是GARCH不確定性的回歸結(jié)果，第1列和第4列是投資者情緒作為因變量的回歸結(jié)果，第2列、第3列、第5列和第6列是企業(yè)投資作為因變量的回歸結(jié)果?？梢钥吹?，兩個(gè)不確定性指數(shù)對(duì)投資者情緒的回歸系數(shù)均在1%水平下顯著，但是只有GARCH不確定性對(duì)企業(yè)投資的回歸系數(shù)顯著，其對(duì)ComInv的回歸系數(shù)顯著為正，但是對(duì)InvFor的回歸系數(shù)顯著為負(fù)，這可能是由于投資具有連續(xù)性，經(jīng)濟(jì)不確定性的提高并不會(huì)立刻導(dǎo)致企業(yè)投資下降，但是會(huì)導(dǎo)致投資預(yù)期降低，與前文陳述相一致。

從表5可知，當(dāng)采用CoVaR衡量系統(tǒng)性金融風(fēng)險(xiǎn)、U1衡量經(jīng)濟(jì)不確定性時(shí)，投資者情緒起到了完全中介效應(yīng)，而企業(yè)投資卻不存在中介效應(yīng)；當(dāng)用MES衡量系統(tǒng)性金融風(fēng)險(xiǎn)、U1衡量經(jīng)濟(jì)不確定性時(shí)，投資者情緒和企業(yè)投資的中介效應(yīng)均不顯著。當(dāng)用CoVaR衡量系統(tǒng)性金融風(fēng)險(xiǎn)、GARCH不確定性衡量經(jīng)濟(jì)不確定性時(shí)，投資者情緒及企業(yè)投資都起到了部分中介效應(yīng)；但當(dāng)用MES衡量系統(tǒng)性金融風(fēng)險(xiǎn)、GARCH不確定性衡量經(jīng)濟(jì)不確定性時(shí)，只有投資預(yù)期起到了部分中介效應(yīng)。總體而言，投資者情緒和企業(yè)投資都在經(jīng)濟(jì)不確定性影響系統(tǒng)性金融風(fēng)險(xiǎn)起到一定的中介效應(yīng)，只是作用大小和顯著性在采用不同的系統(tǒng)性風(fēng)險(xiǎn)和經(jīng)濟(jì)不確定衡量指標(biāo)時(shí)存在著一定差異。在采用等權(quán)或主成分經(jīng)濟(jì)不確定性的分析結(jié)果中相一致（限于篇幅，結(jié)果未列出）。綜合來(lái)看，當(dāng)經(jīng)濟(jì)不確定性提高時(shí)，會(huì)帶來(lái)投資者情緒的上升以及企業(yè)未來(lái)投資水平的降低，并進(jìn)而帶來(lái)系統(tǒng)性金融風(fēng)險(xiǎn)的顯著上升。

四、結(jié)論與啟示

本文采用2005年1月至2020年3月的72個(gè)宏觀經(jīng)濟(jì)序列及28個(gè)行業(yè)指數(shù)序列的月數(shù)據(jù)，分別借鑒Jurado等[10]與Baum等[15]的方法構(gòu)造了U1預(yù)測(cè)不確定性及GARCH不確定性，進(jìn)而采用等權(quán)重、熵權(quán)法和主成分三種方法得到復(fù)合U1和GARCH不確定性指標(biāo)，并考察了經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的影響及作用機(jī)制。研究結(jié)果表明：第一， U1不確定性和GARCH不確定性顯著正相關(guān)， U1不確定指標(biāo)在2009年、2015年以及2020年初達(dá)到了三個(gè)峰值，分別與次貸危機(jī)、2015年經(jīng)濟(jì)下滑及股災(zāi)，以及2020年初的新冠肺炎疫情相契合； GARCH不確定性在2009年和2020年初也出現(xiàn)了同樣的信號(hào)，但是在2015年時(shí)并沒(méi)有突破其1.65倍標(biāo)準(zhǔn)差。第二，經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)具有顯著的預(yù)測(cè)能力， U1比GARCH不確定性的預(yù)測(cè)能力更強(qiáng)， U1的預(yù)測(cè)能力能夠提前12個(gè)月以上， GARCH不確定性的預(yù)測(cè)能力僅能提前6個(gè)月左右。第三，投資者情緒和企業(yè)投資都在經(jīng)濟(jì)不確定性影響系統(tǒng)性金融風(fēng)險(xiǎn)的過(guò)程中起到了一定的中介作用，只是作用的大小和顯著性在采用不同的系統(tǒng)性風(fēng)險(xiǎn)和經(jīng)濟(jì)不確定衡量指標(biāo)時(shí)存在著一定差異。

本文的研究結(jié)論是對(duì)經(jīng)濟(jì)增長(zhǎng)及系統(tǒng)性金融風(fēng)險(xiǎn)理論的有力補(bǔ)充，同時(shí)也具有較強(qiáng)的實(shí)踐指導(dǎo)意義：第一，隨著世界經(jīng)濟(jì)面臨的不確定性越來(lái)越高，如2020年初新冠肺炎疫情直接導(dǎo)致全球經(jīng)濟(jì)停滯，在未來(lái)一段時(shí)期內(nèi)由于新冠肺炎疫情的不確定性仍然存在，全球經(jīng)濟(jì)復(fù)蘇步伐緩慢。因此，構(gòu)造經(jīng)濟(jì)不確定性指標(biāo)并進(jìn)行實(shí)時(shí)監(jiān)控是極有必要的，當(dāng)經(jīng)濟(jì)不確定程度較高的時(shí)候，采用逆周期的財(cái)政和貨幣調(diào)控政策能夠防止經(jīng)濟(jì)增長(zhǎng)面臨過(guò)大波動(dòng)甚至停滯風(fēng)險(xiǎn)。第二，相對(duì)于單一指數(shù)構(gòu)造的不確定性指標(biāo)，利用大數(shù)據(jù)環(huán)境復(fù)合多個(gè)經(jīng)濟(jì)指標(biāo)構(gòu)造的不確定指標(biāo)具有更強(qiáng)的穩(wěn)定性，且預(yù)測(cè)準(zhǔn)確性更高。得益于當(dāng)今世界信息渠道越來(lái)越多，數(shù)據(jù)量越來(lái)越大，我們可以利用更多的變量和數(shù)據(jù)來(lái)整合更多的信息，同時(shí)還可以應(yīng)用到一些以前無(wú)法使用的另類數(shù)據(jù)，如互聯(lián)網(wǎng)搜索或社交信息、衛(wèi)星數(shù)據(jù)等，從而可以對(duì)經(jīng)濟(jì)不確定性進(jìn)行更準(zhǔn)確有效的衡量。第三，近些年來(lái)中國(guó)面臨著資產(chǎn)泡沫不斷膨脹、地方債務(wù)高企的問(wèn)題，系統(tǒng)性金融風(fēng)險(xiǎn)累積得越來(lái)越大，防范和化解系統(tǒng)性風(fēng)險(xiǎn)成為當(dāng)前各種宏觀經(jīng)濟(jì)政策的重要前提和目標(biāo)，鑒于經(jīng)濟(jì)不確定性對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)有顯著的預(yù)測(cè)能力（提前半年到一年），監(jiān)測(cè)經(jīng)濟(jì)不確定性指標(biāo)體系并在經(jīng)濟(jì)不確定性突破閾值時(shí)，采取適當(dāng)措施防止系統(tǒng)性金融風(fēng)險(xiǎn)事件的爆發(fā)有助于對(duì)系統(tǒng)性金融風(fēng)險(xiǎn)的防范和化解。

參考文獻(xiàn)：

[1] Baker， S.R.， Bloom， N.， Davis， S.J.Measuring Economic Policy Uncertainty[J].The Quarterly Journal of Economics， 2016， 131（4）： 1593-1636.

[2] Alexopoulos， M.， Cohen， J.The Media Is the Measure： Technical Change and Employment： 1909-1949[J].Review of Economics and Statistics， 2016， 98（4）： 792-810.

[3] Gulen， H.， Ion， M.Policy Uncertainty and Corporate Investment[J].Review of Financial Studies， 2016， 29（1）： 523-564.

[4] Bhattacharya， U.， Hsu， P.H.， Tian， X.， et al.What Affects Innovation More： Policy or Policy Uncertainty？ [J].Journal of Financial and Quantitative Analysis， 2017， 52（5）： 1869-1901.

[5] Nguyen， N.H.， Phan， H.V.Policy Uncertainty and Mergers and Acquisitions[J].Journal of Financial and Quantitative Analysis， 2017， 52（2）： 613-644.

[6] 李鳳羽，楊墨竹.經(jīng)濟(jì)政策不確定性會(huì)抑制企業(yè)投資嗎？ [J].金融研究，2015，（4）： 115-129.

[7] 陳國(guó)進(jìn)，張潤(rùn)澤，趙向琴.經(jīng)濟(jì)政策不確定性與股票風(fēng)險(xiǎn)特征[J].管理科學(xué)學(xué)報(bào)，2018，（4）：1-27.

[8] 夏婷，聞岳春.經(jīng)濟(jì)不確定性是股市波動(dòng)的因子嗎？———基于GARCH-MIDAS模型的分析[J].中國(guó)管理科學(xué)， 2018，（12）：1-11.

[9] 胡成春，陳迅.經(jīng)濟(jì)政策不確定性、宏觀經(jīng)濟(jì)與資產(chǎn)價(jià)格波動(dòng)———基于TVAR模型及溢出指數(shù)的實(shí)證分析[J].中國(guó)管理科學(xué)，2020，（11）：61-70.

[10] Jurado， K.， Sydney， C.， Ng， S.Measuring Uncertainty[J].The American Economic Review， 2015， 105（3）： 1177-1216.

[11] 馬丹，何雅興，翁作義.大維不可觀測(cè)變量的中國(guó)宏觀經(jīng)濟(jì)不確定性測(cè)度研究[J].統(tǒng)計(jì)研究，2018，（10）：44-57.

[12] 王博，李力，郝大鵬.貨幣政策不確定性、違約風(fēng)險(xiǎn)與宏觀經(jīng)濟(jì)波動(dòng)[J].經(jīng)濟(jì)研究，2019，（3）：119-134.

[13] Perez-Liston， D.， Huerta， D.， Haq， S.Does Investor Sentiment Impact the Returns and Volatility of Islamic Equities？[J].Journal of Economics & Finance， 2016， 40（3）： 421-437.

[14] 靳光輝，劉志遠(yuǎn)，花貴如.政策不確定性、投資者情緒與企業(yè)投資———基于戰(zhàn)略性新興產(chǎn)業(yè)的實(shí)證研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2016，（5）：60-69.

[15] Baum， C.F.， Caglayan， M.， Ozkan， N.， et al.The Impact of Macroeconomic Uncertainty on Non-Financial Firms Demand for Liquidity[J].Review of Financial Economics， 2006， 15（4）： 289-304.

[16] Bai， J.， Ng， S.Confidence Intervals for Diffusion Index Forecasts and Inference for Factor-Augmented Regressions [J].Econometrica， 2006， 74（4）： 1133-1150.

[17] Zou， H.， Hastie， T.Regularization and Variable Selection via the Elastic Net[J].Journal of the Royal Statistical Society， Series B： Statistical Methodology， 2005， 67（2）：301-320.

[18] Gu， S.， Kelly， B.， Xiu， D.Empirical Asset Pricing via Machine Learning[J].Review of Financial Studies， 2020， 33（5）： 2223-2273.

[19] Adrian， T.， Brunnermeier， M.K.CoVaR[J].The American Economic Review， 2016， 106（7）： 1705-1741.

[20] Giglio， S.， Kelly， B.， Pruitt， S.Systemic Risk and the Macroeconomy： An Empirical Evaluation[J].Journal of Financial Economics， 2016， 119（3）： 457-471.

[21] 王春麗，胡玲.基于馬爾科夫區(qū)制轉(zhuǎn)移模型的中國(guó)金融風(fēng)險(xiǎn)預(yù)警研究[J].金融研究，2014，（9）：99-115.

[22] Baker， M.， Wurgler， J.Investor Sentiment and the Cross-Section of Stock Returns[J].The Journal of Finance， 2006， 61（4）： 1645-1680.

（責(zé)任編輯：劉 艷）

[DOI]10.19654 / j.cnki.cjwtyj.2022.02.006

[引用格式]周亮，李紅權(quán).經(jīng)濟(jì)不確定性能否有效預(yù)測(cè)系統(tǒng)性金融風(fēng)險(xiǎn)？ [J].財(cái)經(jīng)問(wèn)題研究，2022，（2）： 52-62.