不同的政策不确定性对股市波动 影响相同吗?

作者:未知

  摘   要:本文基于多因子混频波动率模型,研究经济政策不确定性对股市行业波动的影响,为预防出现结构性断点,将样本分为经济增长和经济平稳两个时期,分别探讨两个时期内经济政策不确定性对股市波动的影响。研究发现,在全样本时期货币政策不确定性会显著增强行业波动,贸易和外汇政策不确定性会抑制行业波动,而财政政策不确定性的影响存在行业差异性;子样本结果显示,贸易政策不确定性对行业波动的影响存在非对称性,在经济增长期存在助推作用,在经济平稳期存在抑制作用;同时行业波动在经济增长期对贸易政策反应敏感,在经济平稳期对财政政策反应敏感。
  关键词:政策不确定性;混频数据;行业波动
  中图分类号:F830.91  文献标识码:A  文章编号:1674-2265(2020)05-0078-08
  DOI:10.19647/j.cnki.37-1462/f.2020.05.013
  一、引言
  股价走势及其波动是众多因素合力作用的结果,而经济政策不确定性在其中扮演重要角色。自2008年金融危机爆发以来,世界经济复苏乏力,为刺激经济增长,各国相继出台大量经济政策,导致经济政策不确定性逐渐上升。经济政策是调节宏观经济,促进市场平稳发展的催化剂,但经济政策的过度调整,会冲击金融市场的稳定性。相较于发达国家,我国股市素有“政策市”之称,尽管政府正努力减少对市场的干预,但“政策市”特征仍明显。对政策不确定性和股市波动的研究历来是热点问题,特别是在当前经济下行压力加大、外部环境深刻变化的背景下,研究政策不确定性与股市行业波动的关系具有重要意义。
  对政策不确定性与股市行业波动的研究,首要问题是数据采样频率,政策不确定性多以月度、季度低频数据为主,而股市数据大多是日内数据。以往研究为使数据匹配,往往将日度高频数据转化为月度或季度低频数据,但此方法会损失含有丰富信息的日内高频数据。国外学者多采用VAR、GARCH、Granger检验及Markov状态转换等模型研究政策不确定性对股市波动的影响。研究结果表明:货币政策不确定性对股市波动的影响存在非对称效应,其在衰退期对市场波动影响更大(Chen等,2007;Engle等,2008;Basistha等,2008;Challe等,2011;Gospodinov等,2015)[1,2,3,4,5];此外在新兴市场国家,政策不确定性和股价波动间存在双向因果关系(Li等,2015)[6]。国内学者运用VAR模型发现,货币供给在短期内是推动股市波幅扩大的重要因素,但长期来看效果不明显(肖洋等,2012)[7]。此外,GARCH模型也被国内学者广泛应用于货币政策和股市波动的研究,结果表明货币政策对股市波动影响明显且存在非对称性,但投资者情绪会弱化此效应(陈其安等,2010;顾巧明等,2011;陈其安等,2017)[8,9,10]。与此同时,多元回归分析也是研究政策和股市关联性的常用方法,学者研究表明经济政策不确定性上升会抑制股市波动,这种现象在股市上涨期更明显(王明涛等,2012;周方召等,2019)[11,12]。
  由于将高频数据转为低频数据会损失样本有效信息,因此国内外学者将目光转向混频研究,Ghysels 等(2007)[13]提出混频数据抽样模型(Mixed Data Sampling,MIDAS)模型,该模型将宏观低频数据与日内高频数据联系起来,能充分利用高频数据的有效信息。为直观洞悉宏观经济对股市波动的影响,Engle等(2013)[14]在MIDAS模型的基础上提出混频波动率(GARCH-MIDAS)模型,将股市波动分解为长期波动和短期波动两部分,低频变量刻画长期成分,高频变量刻画短期成分。国外学者运用混频波动率模型研究宏观经济对我国股票市场的作用,结果表明通货膨胀与股市波动间联系紧密(Girardin等,2013)[15]。国内学者运用混频波动率模型重点分析经济景气指数、宏观经济等变量对上证综指波动的影响,结果表明宏观经济对股市波动存在影响,但具有阶段差异性(郑挺国等,2014)[16]。夏婷等(2018)[17]将混频波动模型应用于政策不确定性与股市波动的研究中,其政策不确定性指标基于Baker等(2016)[18]提出的中国经济政策不确定性指数,研究表明经济政策不确定性对A股无显著影响。综上所述,目前国内对政策不确定性与股市波动的研究已较为成熟,但存在同频涉及较多、混频涉及较少的现象,且混频部分更多着眼于宏观经济与股市波动的研究,对政策不确定性的涉猎不多。
  因此,笔者拟在Engle等(2013)[14]的基础上,构建多因子混频波动率模型,并将其运用于分析经济政策不确定性对行业波动的影响。本文主要创新点在于:一是借鉴Huang等(2018)[19]的文献,对经济政策不确定性作进一步细分,分为财政政策不确定性、货币政策不确定性、贸易政策不确定性和外汇政策不确定性,有利于笔者深入研究不同的经济政策对行业波動的影响。二是与现有文献重点关注市场波动不同,笔者将视角转向行业层面,可进一步探析经济政策对股市波动的影响机理。
  论文框架如下:第二部分是模型介绍,并构建多因子混频波动模型;第三部分是实证分析,包含数据描述、基准模型等;第四部分是结论与政策建议。
  二、模型介绍
  宏观变量往往是月度或季度低频数据,因此在研究宏观因素对股市波动影响时,为使数据匹配,现有方法往往将日度高频数据转化为月度低频数据来构建模型。但此方法会损失日度数据的有效部分,导致估计结果产生偏误,无法准确度量宏观因素对股市波动的影响。Ghysels等(2007)[13]提出MIDAS,可将宏观低频数据和高频数据联系起来,避免因数据转化造成估计偏误。Engle等(2013)[14]在此基础上,构建GARCH-MIDAS模型,突破以往同频模型的限制,可用于分析低频变量对股市波动的影响,并将市场波动分为长期和短期两部分。本文借鉴Engle等(2013)[14]的文献,构建多因子GARCH-MIDAS模型,用于分析政策不确定性对行业波动的影响。   在金融市场中,股价不仅与公司自身的经营状况相关,且与经济政策密切关联。因此,在式(1)中将股票波动分解为两部分:[gi,t]代表短期部分,[τt]代表长期部分。[gi,t]与流动性或其他短期因素相关,[τt]与宏观经济变量有关,可解释市场长期波动的来源,文中指政策不确定性。[εi,t]服从均值为0、方差为1的正态分布,[σ2i,t]是整体市场波动。
  在基准模型中长期波动受已实现波动率(Realized Volatility,简称RV)的影响,收益率[ri,t]指在第[t]期第[i]天的收益率,[t]可为月份、季度、半年等,在本文中选择[t]为月份,那么[Nt]=22。
  上述模型均是在单因子框架下进行研究,但其无法捕捉多个变量的边际贡献,甚至会存在模型误设问题。因此本文在现有文献基础上(郑挺国等,2014)[16]对混频波动率模型作进一步拓展,将其变为四因子模型。设定多因子模型有助于更好捕捉政策不确定性对股市波动的长期影响,深入了解经济政策对股市波动的内在机理。同时应当注意,在进行多因子建模时要考虑变量共线性问题。现将宏观经济政策嵌入模型中,构建多因子混频波动率模型,如式(8)所示:
  [Xjt-k]为宏观变量,[θj]是各宏观变量对应系数,表示经济政策不确定性对股市波动的边际贡献,[ω]为加权方式,极大似然函数为式(9)。
  三、实证分析
  (一)数据描述
  本文旨在研究政策不确定性对股市行业波动的影响,因此行业数据选取中证行业指数,分为主要消费、原材料、医药卫生、信息技术、能源、可选消费、金融地产、公用事业、工业和电信服务十大行业,政策不确定性选择Huang等(2018)构建的中国经济政策不确定性指数作为政策不确定性的代理变量,并将其分为财政政策(Fiscal)、货币政策(Monetary)、贸易政策(Trade)和外汇政策(EXR)四大不确定性指数,以上数据区间为2005年1月至2019年10月。考虑到中国人更加了解本国经济政策变动情况,且Huang等(2018)将政策不确定性分为四大指数,使笔者能深入研究不同政策变动对行业波动的影响,因此本文并未选择Baker等(2016)提出的中国经济政策不确定性指数。中证指数有限公司是由深交所和上交所共同发起成立的专门从事证券指数开发服务的公司,其发布的中证行业指数基本覆盖我国各行业上市龙头企业,具有行业覆盖面广、代表性强等特征,其行业指数数据最早可追溯至2005年。
  表1给出各行业对数收益率描述性统计,由表1可知,收益率的中位数和平均值较小,接近于0,表明收益率在0附近上下波动;10个行业均存在跌停时刻,除主要消费、原材料和公用事业外,其余7个行业存在涨停时刻;从标准差可看出,信息技术、能源、电信服务的行业收益率波动相对较大;由最后两列可看出行业收益率均存在左偏现象,发生尾部风险的概率更大。
  图1是财政政策、货币政策、贸易政策和外汇政策不确定性时序图。由图可知外汇政策有两个峰值:一是在2011年附近,二是在2016年附近。自2008年金融危机后,我国以市场供求為基础、参考一篮子货币进行调节、有管理的浮动汇率制度发挥了积极作用。在经济回升向好的背景下,2010年6月19日中国人民银行宣布进一步推进人民币汇率形成机制改革,增强人民币汇率弹性。自公告发布后,人民币汇率在短期内持续走强,由年初的6.8攀升至年末6.6附近。外汇政策第二次剧烈变动是2015年“811汇改”,此次改革调整人民币中间价形成机制,由原来盯住单一美元制调整为盯住一篮子货币。自汇改政策发布后,市场反应剧烈,引起人民币汇率大幅波动,创20年最大跌幅。2008年金融危机发生后,为防止经济全面下滑,我国实行“双松”的财政政策和货币政策,由图可知2005—2012期间财政和货币政策不确定性逐渐上升,2013年我国经济工作重点是“稳中求进”,防止经济过热,因此财政政策和货币政策趋于稳健,不确定性下降,此外由曲线变动可知两者存在同步性。在曲线前半部分贸易政策不确定性变化较小,进入2017年后受中美贸易摩擦影响其波幅迅速扩大。综上所述,Huang等(2018)[19]构建的经济政策不确定性指数能及时捕捉政策变动情况,其为下文分析提供支撑。
  图2是政策不确定性波动走势图,由图可明显看出财政政策和货币政策存在同步性,但财政政策不确定性波动要大于货币政策不确定性波动,外汇政策不确定性波动有两个峰值,贸易政策不确定性在曲线尾端波动剧烈,这都与上文分析一致。
  (二)基准模型
  单因子混频波动率模型中低频变量为已实现波动率,因此本文研究已实现波动率对行业波动的长期影响。由Engle等(2013)[14]研究可知,月度已实现波动率拟合效果最好,表2列出基于月度已实现波动率的GARCH-MIDAS模型。由表可知,[α+β]明显小于1,但在标准GARCH模型中其接近于1,这一结果与国外学者研究一致(Engle等,2013;Engle等,2008)[14,2]。同时,[θ]大都在1%的水平下显著为正,表明已实现波动率上升会引起行业指数下期波动增加。
  为简化篇幅,图3只列示主要消费行业的长短期波动时序图,由图可知,长期波动和整体波动对金融市场两次危机事件都有明显反应,表明混频波动模型能较好捕捉市场变动。同时,长期波动较整体波动更平滑,整体变动要先于长期波动对市场产生反应。
  (三)多因子模型
  由于基准模型只能衡量单个变量对股市波动的长期影响,无法同时捕捉多个变量的边际贡献,可能会由于忽视其他变量的作用存在模型误设问题,因此本文使用多因子GARCH-MIDAS模型研究政策不确定性对股市波动的影响,有助于更好地捕捉行业波动运行趋势,深入认识不同经济政策对行业波动的作用机理。但在设定多因子模型时,要考虑变量间的相互作用,避免发生多重共线性,导致估计存在偏误。因此,在估计多因子模型前,本文对4个政策不确定性变量进行VIF检验。表4列出共线性检验结果,由表可知4个变量的VIF值均低于10,且容忍度均大于0.1,可判断变量间不存在多重共线性。   表4列示主要消费、原材料、医药卫生、信息技术和能源行业的多因子模型估计结果,由表4可知,[α]和[β]的估计结果与上文类似,两者之和明显小于1。整体来看,表4內[θ]值大都在5%的水平下显著,其中财政政策不确定性和外汇政策不确定性对行业波动具有显著抑制作用;货币政策不确定性对行业波动具有推动作用;贸易政策不确定性对主要消费行业波动有明显抑制作用,对其余行业无显著作用。比较基准模型和多因子模型的对数似然值和AIC可知,多因子模型要优于基准模型。
  表5列示可选消费、金融地产、公用事业、工业和电信业务行业的多因子模型估计结果,贸易政策不确定性和外汇政策不确定性与表4一致,均对行业波动有抑制作用,而财政政策不确定性和货币政策不确定性表现不一,前者对可选消费、公用事业和工业部门指数波动具有抑制作用,对金融和电信行业波动具有助推作用;后者对电信行业波动具有抑制作用,但会提高其余行业收益率波动。
  将表4和表5结合来看,可获得更多信息。第一,贸易政策不确定性和外汇政策不确定性对行业指数波动存在抑制效应,财政政策不确定性和货币政策不确定性对行业指数波动存在行业差异性,前者对金融地产和电信部门收益率波动存在促进作用,对其余行业收益率波动具有抑制作用;后者对电信部门行业波动存在抑制效应,对其余部门收益波动具有助推作用。第二,财政政策不确定性和货币政策不确定性均对信息技术、原材料和能源部门影响最大,表明两者联系紧密,对行业波动影响存在一致性。贸易政策不确定性对可选消费、金融地产和能源部门有较大影响,外汇政策不确定性对金融地产、信息技术和原材料部门影响大。综上所述,政策不确定性间存在某种联动性,财政政策和货币政策表现明显。
  图4是多因子模型权重图,由图可知,行业波动对经济政策不确定性的敏感程度有所差异。第一,消费行业、信息技术对财政政策反应敏感,原材料、医药卫生、能源、金融地产、公用事业对贸易政策反应敏感,工业和电信部门对外汇政策反应敏感。第二,信息行业对财政政策的反应较为平均,其余行业存在先增后降现象,表明财政政策不确定性对行业波动的影响具有先加深后减弱的规律,贸易政策不确定性也存在此现象。第三,货币政策不确定性对信息技术、能源、可选消费、金融地产和公用事业部门的影响呈递增趋势,说明货币政策对这些行业的影响具有持续性。第四,外汇政策不确定性仅对金融地产部门具有持续性特征,表明汇市和股市联系密切。
  (四)结构变化
  由于我国经济增长存在阶段差异性,若从全样本出发分析政策不确定性对行业波动的影响,无法捕捉阶段特征,易忽视某些重要信息。同时,已有研究表明政策不确定性的时变特征明显,在不同时期对股市波动的影响存在差异(Li等,2015)[6]。图5是工业增加值及其波动率时序图,由图可知工业增加值在前期一直处于高位,在2012年左右开始逐渐下滑,波动率也存在类似现象,前期波幅大,后期波幅小,说明笔者的担心不无道理。因此本文拟将全样本划分为T1时期(2005—2012年)和T2时期(2013—2019年),T1是经济高速增长期,T2是经济平稳期,以期研究不同的经济环境下政策不确定性对行业波动的影响。
  图5揭示分阶段研究政策不确定性对行业波动影响的重要性,因此在表6中汇报T1和T2分阶段参数估计结果。第一,财政政策不确定性在T1和T2时期对行业波动都具有抑制作用,表明当财政政策不确定性上升时,行业波动将下降。深入分析可发现,财政政策不确定性在T1时期对医药部门无影响,在T2时期其影响范围有所缩小。第二,货币政策不确定性在两阶段对行业波动均存在助推作用,在T1时期其影响范围有限,T2时期影响范围扩大,表明随着我国金融市场的不断完善,货币政策和股市间的传导渠道被逐渐打通。第三,贸易政策不确定性对行业波动的影响存在非对称性,在T1时期行业波动随贸易政策不确定性的上升而增强,T2时期呈相反态势。第四,外汇政策不确定性与财政政策不确定性一致,对行业波动存在抑制作用,其在T2时期的影响范围较T1时期有所扩大,2015年“811汇改”使汇率机制进一步市场化或是其潜在成因。
  图6是T1、T2时期政策不确定性权重图。上半部分是T1时期权重图,下半部分是T2时期权重图,受篇幅所限此处只列示部分行业。整体来看,政策不确定性在不同时期对同一行业的权重分布存在显著差异。对主要消费行业来说,其在两阶段均对财政政策不确定性和贸易政策不确定性反应敏感,对外汇和货币政策不确定性存在滞后反应。在原材料行业中,T1时期与主要消费一致,对财政和贸易政策反应敏感,但在T2时期对贸易政策不确定性存在明显滞后。医药部门对货币政策不确定性反应敏感,此现象在T1时期体现明显。信息部门在T1时期对贸易政策不确定性敏感,在T2时期对财政政策敏感。能源部门在T1时期对政策不确定性的反应速度大体一致,但在T2时期对贸易政策不确定性的反应存在明显滞后。对权重图做整体分析可知,T1时期行业波动对贸易政策不确定性反应敏感,T2时期对财政政策不确定性反应敏感,此现象在其余行业中也存在。
  四、结论与政策建议
  本文在Engle等(2013)[14]研究基础上构建多因子混频波动率模型,并将其运用于分析政策不确定性对行业波动的影响,其中行业数据选择中证公司发布的中证行业指数,对于政策不确定性,笔者在文中作进一步细分,分为财政、货币、贸易、外汇四个政策不确定性,数据区间为2005年1月—2019年10月。在此基础上,本文首先估计基准模型,甄别已实现波动率对股市波动的长期影响。其次,从全样本出发,运用多因子模型,研究财政、货币、贸易、外汇四大政策不确定性对行业波动的长期影响,并分析政策不确定性的权重变化。最后,由于经济增长存在阶段差异性,若从全样本出发分析政策不确定性对行业波动的影响,易忽视某些重要信息。因此为预防出现结构性变化,笔者将全样本划分为T1(2005—2012年)、T2(2013—2019年)两阶段,并分析权重前后变化。结论如下:   第一,货币政策不确定性和已实现波动率在全样本时期对行业波动有助推效应,贸易政策不确定性和外汇政策不确定性会抑制行业波动,而财政政策不确定性对行业波动的影响存在行业差异性。进一步分析发现,政策不确定性间存在某种联动性,其中财政政策不确定性和货币政策不确定性表现明显。
  第二,在全样本上行业波动对经济政策不确定性的敏感程度存在差异,消费行业和信息行业对财政政策不确定性反应敏感,原材料、金融地产、医药、公用事业、能源对贸易政策不确定性反应敏感,工业和电信行业对外汇政策反应敏感。与此同时,外汇政策不确定性仅对金融地产的行业波动具有持续性。
  第三,对子样本估计结果分析可知,随着我国金融市场的不断完善,货币政策和股市间的传导渠道被逐渐打通,同时外汇政策不确定性在T2时期对行业波动的影响范围扩大,2015年“811汇改”或是其潜在成因,汇改后股市和汇市联动性日渐加强。
  第四,通过分析子样本权重图可知,在子样本内行业波动对经济政策不确定性的反應存在较大差异。整体来看,T1时期行业波动对贸易政策不确定性反应敏感,T2时期对财政政策不确定性反应敏感。
  上述结论对监管机构具有参考意义:第一,明晰各政策不确定性对行业波动的影响效应,例如在2013—2019年经济平稳期,货币政策不确定性会增强行业波动,财政、贸易、外汇会抑制行业波动,这为政府机构出台政策提供有益参考,当市场出现异常情况时,政府可组合各种政策避免出现系统性危机事件。第二,由上文可知现阶段行业波动对财政政策不确定性反应敏感,因此政府应注重保持财政政策的连续性,从而减轻其对金融体系稳定性的冲击。
  本文是笔者对经济政策不确定性与行业波动的阶段性研究成果,还有很多问题值得深入研究。例如,可进一步比较政策不确定性对债市、汇市、股市波动的异同,或探究政策不确定性间的联动特征,或对中美两国股票市场的经济政策进行比较研究等等,笔者将在后续研究中重点关注这些问题。
  参考文献:
  [1]Chen,S. 2007. Does Monetary Policy Have Asymmetric Effects on Stock Returns? [J].Journal of Money Credit & Banking,39(2).
  [2]Engle, R. F.,Rangel,J. G. 2008. The Spline-GARCH Model for Low-Frequency Volatility and Its Global Macroeconomic Causes [J].Review of Financial Studies,21(3).
  [3]Basistha,A.,Kurov,A. 2008. Macroeconomic cycles and the stock market’s reaction to monetary policy [J]. Journal of Banking & Finance,32(12).
  [4]Challe, E.,Giannitsarou, C. 2011. Stock Prices and   Monetary Policy Shocks:A General Equilibrium Approach [J].Journal of Economic Dynamics and Control,40(1).
  [5]Gospodinov,N.,Jamali, I. 2015. The Response of Stock Market Volatility to Futures-based Measures of Monetary Policy Shocks [J].International Review of Economics & Finance,37.
  [6]Li,X.,Balcilar,M.,Gupta,R. et al. 2015. The Causal Relationship Between Economic Policy Uncertainty and Stock Returns in China and India: Evidence from a Bootstrap Rolling Window Approach [J].Emerging Markets Finance and Trade,52(3).
  [7]肖洋,倪玉娟,方舟.股票价格、实体经济与货币政策研究——基于我国1997—2011年的经验证据 [J].经济评论, 2012,(2).
  [8]陈其安,张媛,刘星.宏观经济环境、政府调控政策与股票市场波动性——来自中国股票市场的经验证据  [J]. 经济学家,2010,(2).
  [9]顾巧明.我国股市波动的长记忆性与货币政策的非对称性研究 [J].中国经济问题,2011,(1).
  [10]陈其安,雷小燕.货币政策、投资者情绪与中国股票市场波动性:理论与实证 [J].中国管理科学,2017,25(11).
  [11]王明涛,路磊,宋锴.政策因素对股票市场波动的非对称性影响 [J].管理科学学报,2012,15(12).
  [12]周方召,贾少卿.经济政策不确定性、投资者情绪与中国股市波动 [J].金融监管研究,2019,(8).
  [13]Ghysels,E.,Sinko,A.,Valkanov, R. 2007. MIDAS Regressions:Further Results and New Directions [J].Econometric Reviews,26(1).
  [14]Engle,R. F.,Ghysels,E.,Sohn, B. 2013. Stock Market Volatility and Macroeconomic Fundamentals [J].Review of Economics and Statistics,95(3).
  [15]Girardin,E.,Joyeux, R. 2013. Macro Fundamentals as A Source of Stock Market Volatility in China:A Garch-MIDAS Approach [J].Economic Modelling,34.
  [16]郑挺国,尚玉皇.基于宏观基本面的股市波动度量与预测 [J].世界经济,2014,(12).
  [17]夏婷,闻岳春.经济不确定性是股市波动的因子吗?——基于GARCH-MIDAS模型的分析 [J].中国管理科学, 2018,26(12).
  [18]Baker,S. R.,Bloom,N.,Davis,S. J. 2016. Measuring Economic Policy Uncertainty [J].The Quarterly Journal of Economics,131(4).
  [19]Huang,Y.,Luk, P. 2019. Measuring Economic Policy Uncertainty in China [J]. 2019 Working Paper.
转载注明来源:https://www.xzbu.com/3/view-15236201.htm

服务推荐