陳國進(jìn)

廈門大學(xué) 王亞南經(jīng)濟(jì)研究院，福建 廈門 361005

張潤澤 姚蓮蓮

廈門大學(xué) 經(jīng)濟(jì)學(xué)院，福建 廈門 361005

近年來，學(xué)者已經(jīng)逐漸意識到政策不確定性對金融市場產(chǎn)生的重要影響，政策的制定和變遷對資產(chǎn)價(jià)格的波動產(chǎn)生了關(guān)鍵性的作用。很多學(xué)者將中國的股市稱為“政策市”，也足以見得政策不確定性對于中國股市的影響程度之大。反過來，股票市場映了經(jīng)濟(jì)的總體運(yùn)行狀況，因此長期以來被政策制定者作為判斷經(jīng)濟(jì)走勢和決策的重要依據(jù)?？梢?，分析政策不確定性與股票市場的波動溢出效應(yīng)，既能更全面地剖析股票市場暴漲暴跌的原因，為股票市場的金融異象提供新的理論研究視角，又能為投資者和決策者的投資行為和宏觀調(diào)控提供依據(jù)，具有很強(qiáng)的理論與現(xiàn)實(shí)意義。

一、文獻(xiàn)綜述

目前只有為數(shù)不多的學(xué)者從理論的角度研究政策不確定性與股票市場的關(guān)系，并且采用的分析方法大多基于一般均衡模型和動態(tài)最優(yōu)化。如Croce et al．(2012)［1］、P'astor and Veronesi(2013)［2］等。從實(shí)證研究而言，Li and Born(2006)［3］運(yùn)用GARCH模型發(fā)現(xiàn)在美國重要選舉的前幾周，尤其是不確定性較高的選舉，股票市場回報(bào)往往會特別高。Goodell and Vahamaa(2012)［4］研究了在美國政治選舉周期時(shí)的政策不確定性對VIX指數(shù)提取的股票市場隱含波動率的影響。Sialm(2009)［5］分別運(yùn)用稅收的時(shí)間序列變化和橫截面變化的數(shù)據(jù)驗(yàn)證了稅收的不確定性是否在資產(chǎn)定價(jià)中被估值，得出的結(jié)論是總估值水平與股票市場上征收的總的個(gè)人稅負(fù)相關(guān)。Lam and Zhang(2013)［6］利用1995～2006年期間49個(gè)國家的面板數(shù)據(jù)和Fama－French的風(fēng)險(xiǎn)因子分析方法檢驗(yàn)了政策不確定性對于國際股票市場的影響。

國內(nèi)對于政策不確定性市場效應(yīng)的研究還處于起步階段，選取的研究角度一般是分析財(cái)政政策、貨幣政策工具本身對于股票市場的影響。陳其安等(2010)［7］利用GARCH模型實(shí)證研究了宏觀經(jīng)濟(jì)環(huán)境、政府調(diào)控政策與中國股票市場波動性的關(guān)系。金雪軍等(2014)［8］運(yùn)用FAVAR方法分析了政策不確定性沖擊對中國宏觀經(jīng)濟(jì)的影響，其中簡要證明了政策不確定性通過預(yù)期效應(yīng)促使股票價(jià)格的下跌。

現(xiàn)有對股市和政策不確定性之間關(guān)系的考察主要從以下兩方面展開:一是從收益率角度考察政策不確定性對股市的風(fēng)險(xiǎn)溢價(jià)效應(yīng);二是從波動率角度，考察政策不確定性對股市的單向波動溢出效應(yīng)然而，不僅政策不確定性能夠?qū)墒械牟▌赢a(chǎn)生溢出效應(yīng)，股市波動率反過來也能影響政策的制定和變遷。在股市暴漲時(shí)，政府傾向于推行緊縮性的政策以使股市降溫，而當(dāng)股市暴漲時(shí)，政府又傾向于為投資者提供一定的看跌式保護(hù)。正是由于股市是經(jīng)濟(jì)的“晴雨表”，因此決策者在政策制定的過程中往往都將股市的表現(xiàn)作為重要的決策依據(jù)之一。由此說明股市和政策不確定性之間存在雙向的波動溢出效應(yīng)，而之前學(xué)者還鮮有對該現(xiàn)象進(jìn)行深入的研究。

本文借鑒Baker et al．(2013)［9］最新提出的與經(jīng)濟(jì)相關(guān)的政策不確定性指標(biāo)，彌補(bǔ)了學(xué)術(shù)界在政策不確定性代理變量選取上的不足，同時(shí)運(yùn)用DCC－MGARCH模型和BEKK－MGARCH模型較為系統(tǒng)地分析了以下兩個(gè)命題:第一，運(yùn)用 DCCMGARCH模型考察了中國股市與政策不確定性之間的動態(tài)變化，說明兩者間存在的內(nèi)在關(guān)聯(lián)性;第二，運(yùn)用VARMA－BEKK－MGARCH模型具體分析股市與政策不確定性之間的雙向波動溢出效應(yīng)，并分析兩者波動率之間的傳導(dǎo)機(jī)制。上述分析在一定程度上彌補(bǔ)了國內(nèi)外學(xué)界關(guān)于政策不確定性與股票市場波動性實(shí)證研究的不足。

三、研究方法

(一)序列的ARCH效應(yīng)檢驗(yàn)

大量學(xué)者已經(jīng)證明股票市場收益率存在尖峰厚尾和波動率聚類現(xiàn)象，而政策不確定性盡管并非在市場交易中產(chǎn)生，但是其變化過程仍然近似地服從某種隨機(jī)過程，因此與股票市場收益率特征具有很強(qiáng)的相似性。這使得經(jīng)典計(jì)量理論中序列擾動項(xiàng)同方差的假設(shè)不再成立，而GARCH類模型能夠很好地刻畫序列的條件異方差特征。在運(yùn)用GARCH類模型進(jìn)行實(shí)證分析之前，首先需要對模型均值方程的殘差進(jìn)行ARCH效應(yīng)檢驗(yàn)。

(二)VARMA模型及條件MLE估計(jì)

VARMA(p，q)模型可以表示為:

而VAR模型則是對應(yīng)于q=0時(shí)的簡化的VARMA(p，q)模型。

其中L為滯后算子，則式(1)可以表示為Φ(L)Yt=φ0+Θ(L)θt(2)

對于VARMA(p，q)模型的參數(shù)估計(jì)可以采用條件MLE方法。該方法假定θ0=0，在這個(gè)假定下，式(2)可以改寫為θt= ΦtY1－φ0+Θθt－1，可以遞推地計(jì)算θt有:

因此，似然函數(shù)變?yōu)?

并據(jù)此得到參數(shù)估計(jì)。

(三)兩序列動態(tài)相關(guān)性的DCC－MGARCH模型

首先分別對兩序列建立GARCH(1，1)模型:

式(4)中變量含義同前所述，{vt}是均值為0、方差為1的獨(dú)立同分布(iid)隨機(jī)變量，ht是條件異方差。

以下式子中i=1，2，j=1，2，其中1表示股票市場收益率，2表示政策不確定性指標(biāo)。定義 Rt為動態(tài)相關(guān)性矩陣，其元素 Qij，t可認(rèn)為是序列 ri，t、EPUj，t的相關(guān)系數(shù)，變量均值接近于0，則

Qij，t+B(qij，t－1－)，為非條件協(xié)方差。設(shè) Qt=(qij，t)2×2，則由此得出兩序列的條件方差協(xié)方差矩陣:Ht=DtRtDt=其中 Dt=Rt的元素 Q12，t的變化反映了兩個(gè)序列之間相關(guān)性的動態(tài)變化。

(四)兩序列波動溢出效應(yīng)的BEKK－MGARCH模型

由于DCC模型只能用于研究序列波動率之間的動態(tài)相關(guān)系數(shù)，而無法判斷波動溢出效應(yīng)的傳導(dǎo)方向，因此，需要利用BEKK模型來具體分析兩序列之間波動溢出效應(yīng)的傳導(dǎo)路徑。

BEKK(p，q)模型假設(shè):

其中，C為下三角陣，Ai、Bj均為方陣。對于兩變量的BEKK(1，1)模型來說，具體形式為:

將矩陣方程展開可得:

式(9)、(10)分別是股票收益率和政策不確定性序列的條件方差方程。在這兩個(gè)式子中，第一個(gè)括號內(nèi)的項(xiàng)為ARCH項(xiàng)，即前一期沖擊εt－1對當(dāng)期條件方差ht的影響;第二個(gè)括號內(nèi)的項(xiàng)為GARCH項(xiàng)，即前一期條件方差ht－1對當(dāng)期條件方差ht的影響。因此，系數(shù)a12和b12反映了政策不確定性波動對股市波動的溢出效應(yīng)，而系數(shù)a21和b21反映了股市波動對政策不確定性波動的溢出效應(yīng)。

四、實(shí)證研究

(一)數(shù)據(jù)描述

基于數(shù)據(jù)的可得性，本文中的樣本使用的周數(shù)據(jù)，樣本區(qū)間為1995年1月2日～2013年12月30日，共992個(gè)數(shù)據(jù)。

1．股票市場收益的度量指標(biāo)。學(xué)術(shù)界普遍采用以連續(xù)復(fù)利計(jì)算的收益率作為股票市場收益的衡量指標(biāo)。因此，股票市場收益水平選用連續(xù)復(fù)利計(jì)算的上證綜合指數(shù)的周收益率，其定義如下:rt=ln(It)－ln(It－1)，其中rt表示第t周的上證綜合指數(shù)收益率，It為第t周最后一天的上證綜合指數(shù)收盤指數(shù)。數(shù)據(jù)來源于雅虎財(cái)經(jīng)數(shù)據(jù)庫。

2．政策不確定的度量指標(biāo)。政策不確定性度量指標(biāo)選取的是EPU指數(shù)，該指數(shù)由三個(gè)部分組成。第一個(gè)部分是報(bào)紙中與經(jīng)濟(jì)政策不確定性相關(guān)的內(nèi)容出現(xiàn)的頻率。第二個(gè)部分是未來幾年聯(lián)邦將終止稅法的可能性以及稅法改變的福利效應(yīng);第三個(gè)部分是個(gè)人對未來通貨膨脹和政府購買預(yù)測差異性。根據(jù)上述指標(biāo)的均值和標(biāo)準(zhǔn)差對其進(jìn)行標(biāo)準(zhǔn)正態(tài)化處理，并參照三個(gè)指標(biāo)相應(yīng)的概率分布賦予指標(biāo)對應(yīng)的權(quán)重，運(yùn)用數(shù)據(jù)合成方法，構(gòu)建了EPU指標(biāo)。

由于中國的EPU指標(biāo)只有月度數(shù)據(jù)，考慮到EPU數(shù)據(jù)在短期內(nèi)波動性較大的特征，因此，采用Cubic－match last方法進(jìn)行低頻數(shù)據(jù)向高頻數(shù)據(jù)轉(zhuǎn)換，并采用Quadratic－match average頻率轉(zhuǎn)換方法補(bǔ)充前幾項(xiàng)缺失值。圖1是1995年1月至2013年12月間政策不確定性的走勢圖，從圖中可以看出，政策不確定性在整個(gè)樣本期都有較大波動，具有很強(qiáng)的時(shí)變性特征。

(二)數(shù)據(jù)平穩(wěn)性檢驗(yàn)與HP濾波

1．平穩(wěn)性檢驗(yàn)。為避免序列的偽回歸現(xiàn)象，對序列進(jìn)行平穩(wěn)性檢驗(yàn)(表1)。

表1 序列的平穩(wěn)性檢驗(yàn)

ADF檢驗(yàn)和PP檢驗(yàn)結(jié)果顯示，EPU序列和收益率序列在5%的顯著性水平下均拒絕原假設(shè)“序列含有一個(gè)單位根”，可以認(rèn)為兩序列均為平穩(wěn)序列。從趨勢項(xiàng)檢驗(yàn)結(jié)果來看，EPU序列的趨勢項(xiàng)對應(yīng)的t統(tǒng)計(jì)量顯著，因此認(rèn)為該序列含有趨勢項(xiàng)。

2．HP濾波。對符合濾波條件的EPU序列進(jìn)行HP濾波，濾波后的序列記為EPUC，并利用EPUC序列進(jìn)行實(shí)證分析。由表2可以看出，經(jīng)過HP濾波后的EPUC序列趨勢項(xiàng)消失。

表2 EPUC序列的平穩(wěn)性檢驗(yàn)

(三)ARCH效應(yīng)檢驗(yàn)

為更好地對比分析ARCH效應(yīng)，分4種情況對比序列的ARCH效應(yīng)。情況1:不考慮股票市場和政策不確定性自身滯后項(xiàng)的影響，即認(rèn)為兩序列均滿足Yt=α0+εt;情況2:只考慮兩序列自身滯后項(xiàng)的影響，即兩序列都獨(dú)立地以Yt=α0+α1Yt－1+εt形式出現(xiàn);情況3:只考慮兩序列自身滯后項(xiàng)及殘差滯后項(xiàng)的影響，即兩序列都獨(dú)立地以Yt= α0+ α1Yt－1+ εt－ θ1εt－1形式出現(xiàn);情況4:不僅考慮序列自身滯后項(xiàng)的影響，還考慮另一個(gè)序列滯后項(xiàng)影響，即兩序列服從VAR(1)過程，表達(dá)式為:

分別對上述4種情況進(jìn)行條件異方差的ARCH LM檢驗(yàn)，得到了設(shè)定滯后p=3時(shí)的ARCH LM檢驗(yàn)結(jié)果。

表3 ARCH效應(yīng)檢驗(yàn)結(jié)果

所有模型結(jié)果均顯示，兩個(gè)序列存在顯著的ARCH效應(yīng)，符合GARCH族模型建立的條件。

(四)股市與政策不確定性動態(tài)相關(guān)性分析

為了分析股市與政策不確定性之間的動態(tài)相關(guān)性，首先建立兩個(gè)序列的GARCH(1，1)模型，綜合考慮序列的自相關(guān)圖、偏相關(guān)圖、AIC、BIC準(zhǔn)則以及模型擬合系數(shù)的顯著程度，確定最優(yōu)收益率序列均值方程為ARMA(1，1)過程，最優(yōu)政策不確定性序列均值方程為ARMA(2，3)過程。對上述模型形式進(jìn)行估計(jì)，估計(jì)結(jié)果如表4所示。表4結(jié)果表明，兩個(gè)序列具有顯著的ARCH效應(yīng)，且ARCH項(xiàng)和GARCH項(xiàng)系數(shù)之和均接近于1，說明兩序列的波動率存在聚集性和持久性的特征。

表4 GARCH(1，1)模型參數(shù)估計(jì)結(jié)果

其次，基于DCC模型進(jìn)行極大似然估計(jì)，估計(jì)結(jié)果如表5所示。

表5 DCC模型參數(shù)估計(jì)結(jié)果

通過表5的系數(shù)A和B的參數(shù)估計(jì)值可以計(jì)算出股市收益率與政策不確定性之間的相關(guān)系數(shù)(圖2)。從圖2可以看出，兩序列整體上呈現(xiàn)負(fù)相關(guān)的特征，并且相關(guān)性具有很強(qiáng)的時(shí)變性。

從統(tǒng)計(jì)結(jié)果來看，樣本區(qū)間內(nèi)上述動態(tài)相關(guān)系數(shù)的均值為－0．0124。對相關(guān)系數(shù)的顯著性進(jìn)行假設(shè)檢驗(yàn)。原假設(shè)H0為動態(tài)相關(guān)系數(shù)均值為零，檢驗(yàn)結(jié)果顯示t值為－4．342422，p值接近于零，即拒絕原假設(shè)，說明兩序列的動態(tài)相關(guān)系數(shù)顯著異于零，進(jìn)一步說明兩序列之間存在顯著的動態(tài)關(guān)系。

(五)股市與政策不確定性波動溢出效應(yīng)分析

為了更好地揭示兩序列之間的動態(tài)影響機(jī)制，采用 BHHH算法對BEKK模型進(jìn)行極大似然估計(jì)。根據(jù)AIC和 BIC準(zhǔn)則，得到均值方程為VAR(3)時(shí)AIC和SC值同時(shí)達(dá)到最小，故確定VAR(3)為最優(yōu)模型。同時(shí)，為了更好地反映EPUC序列中存在的自相關(guān)現(xiàn)象，考慮VARMA(1，1)和VARMA(2，1)兩種低階的向量ARMA形式。原因在于，當(dāng)涉及的時(shí)間序列是非季節(jié)性模型時(shí)，低階的向量ARMA形式已經(jīng)能夠滿足分析的需要，而高階的向量ARMA形式大大地增加了參數(shù)估計(jì)的難度。因此，分別對VAR(3)－BEKK(1，1)、VARMA(1，1)－ BEKK(1，1)和 VARMA(2，1)－ BEKK(1，1)模型進(jìn)行估計(jì)(表6)。

在條件均值方程中，所有模型都表明EPUC序列存在一定的自相關(guān)性，因此適合用VARMA模型刻畫其特征。同時(shí)，VARMA(1，1)和VARMA(2，1)模型表明存在較為顯著的股市收益率向政策不確定性的均值溢出效應(yīng)，而政策不確定性向股市收益率的均值溢出效應(yīng)不顯著。

在條件方差方程中，a11、b11、a22、b22的估計(jì)值顯著，這表明兩序列都存在較大的波動率聚集現(xiàn)象，即在局部時(shí)間內(nèi)，各期的波動率易于同時(shí)保持較高或較低水平。

對于兩序列波動率的交叉項(xiàng)，a21、b21估計(jì)值分別在5%和1%水平下顯著，說明股市上一期的ARCH沖擊ε1，t－1和股市上一期的條件方差h11，t－1對政策不確定性當(dāng)期條件方差h22，t有顯著的影響。具體而言，假設(shè)t－1期股市上出現(xiàn)了一個(gè)沖擊ε1，t－1，根據(jù)式(10)，政策不確定性t期條件方差h22，t將增大。又由于股市自身的波動率聚類，根據(jù)式(9)，股市t期的條件方差h11，t將由于t－1期的沖擊而增大。因此，在t+1期，股市t期的條件方差h11，t將以b21的平方項(xiàng)增大政策不確定性條件方差h22，t+1。同時(shí)，由于b21平方小于1，因此該作用將以遞減的程度持續(xù)下去。從而可以得出結(jié)論:中國股市的波動率沖擊會通過h11對政策不確定性產(chǎn)生持久性的影響，該持久性具有拖尾的性質(zhì)。

而從政策不確定性對股市的波動溢出效應(yīng)來看，a12的估計(jì)值在5%的水平下顯著，而b12的估計(jì)值在10%的水平下仍不顯著，說明在短期內(nèi)，政策不確定性上一期的沖擊ε2，t－1對當(dāng)期股市的波動有顯著的影響，然而政策不確定性無法通過方差h22項(xiàng)對股市波動產(chǎn)生持久性的影響，從而說明政策不確定性對股市的波動溢出效應(yīng)表現(xiàn)出截尾的特征。

為了從統(tǒng)計(jì)上驗(yàn)證兩個(gè)序列波動溢出效應(yīng)的真實(shí)性，本文分別做出以下三個(gè)聯(lián)合假設(shè)檢驗(yàn)。采用的方法為Wald檢驗(yàn)法。Wald檢驗(yàn)法的基本思想如下:設(shè)定原假設(shè)H0為 Rβ =r，構(gòu)造統(tǒng)計(jì)量，其中q為約束條件個(gè)數(shù)，則拒絕域?yàn)?/p>

表7 波動溢出效應(yīng)的檢驗(yàn)

如表7所示，上述三個(gè)原假設(shè)都被拒絕，說明兩序列之間確實(shí)存在波動溢出效應(yīng)，由此證明了上文所述的波動溢出效應(yīng)傳導(dǎo)方向，即兩序列之間存在顯著的雙向溢出效應(yīng)。在具體方式上，股市對于政策不確定性的溢出效應(yīng)具有長期拖尾的性質(zhì)，而政策不確定性對于股市的溢出效應(yīng)具有短期截尾的性質(zhì)。兩者之間的溢出效應(yīng)并非嚴(yán)格對稱。僅就波動率而言，股市對政策不確定性的影響大于政策不確定性對股市的影響。

五、基本結(jié)論

股票市場與政策不確定性的顯著動態(tài)相關(guān)性說明股票市場與政策不確定性同時(shí)受到來自投資者層面和政府層面的共同因素的影響，而股票市場和政策不確定性本身所表現(xiàn)出的隨機(jī)性特征決定了兩者之間相關(guān)性的時(shí)變特征。

在波動率方面，兩個(gè)序列波動率的雙向溢出效應(yīng)和不對稱效應(yīng)一方面說明了中國政府在政策制定上將股票市場短期和長期的波動性作為重要的決策依據(jù)，另一方面說明了中國投資者情緒存在強(qiáng)烈的非理性和投機(jī)成分，對于政策短期效應(yīng)的過度反應(yīng)和長期效應(yīng)的反應(yīng)不足造成政策不確定性只具有短期的溢出效應(yīng)。

因此，中國在制定貨幣政策和財(cái)政政策等過程中，既要充分考慮股票市場波動性這一市場先行指標(biāo)的預(yù)測作用，根據(jù)股票市場短期和長期的變化特征適時(shí)地調(diào)整政策變遷的強(qiáng)度和頻率，降低股票市場對于經(jīng)濟(jì)的不利沖擊。同時(shí)，面對投資者的非理性，應(yīng)通過完善上市公司的分紅制度以及股票市場的資本結(jié)構(gòu)，引導(dǎo)投資者由短期的投機(jī)行為逐漸轉(zhuǎn)向長期的投資行為，減緩股市在面臨政策沖擊時(shí)短期表現(xiàn)出的劇烈波動性，提高政策變動對股市的長期溢出效應(yīng)。

［1］Croce，Maximiliano M．，Thien T．Nguyen，and Lukas Schmid，2012．The Market Price of Fiscal Uncertainty，Journal of Monetary Economics，401 －416．

［2］P'astor，ˇLuboˇs，and PietroVeronesi，2013．Political Uncertainty and Risk Premia，Journal of Finanial Economics，520 －545．

［3］Li，Jinliang，and Jeffery A．Born，2006．Presidential Election Uncertainty and Common Stock Returns in the United States，Journal of Financial Research，609 －622．

［4］JW Goodell，and S．V．Vahamaa，2013．US Presidential Elections and Implied Volatility:The Role of Political Uncertainty，Journal of Banking＆Finance，1108 －1117．

［5］Sialm，2009．Tax Changes and Asset Pricing，American Economic Review，Vol．99，No．4:1356－1383．

［6］SS Lam，W．Zhang，2013．Does Policy Uncertainty Matter for International Equity Markets?Working Paper．

［7］陳其安，張媛，劉星．宏觀經(jīng)濟(jì)環(huán)境、政府調(diào)控政策與股票市場波動性——來自中國股票市場的經(jīng)驗(yàn)數(shù)據(jù)［J］．經(jīng)濟(jì)學(xué)家，2010(2)．

［8］金雪軍，鐘意，王義中．政策不確定性的宏觀經(jīng)濟(jì)后果［J］．經(jīng)濟(jì)理論與經(jīng)濟(jì)管理，2014(2)．

［9］Baker，Scott，Nicholas．Bloom，and Steve Davis，2013．Measuring Economic Policy Uncertainty，Stanford University Mimeo．