■張茂軍，秦文哲，姚家進(jìn)

一、引言

公司債是上市公司的重要融資工具。2007年8月，中國開始試點(diǎn)發(fā)行公司債。從發(fā)行規(guī)模上看，我國公司債發(fā)展非常快，截至2017年10月30日，共發(fā)行公司債5566只，一般公司債1918只，中小企業(yè)私募債36448只，公司債余額50627.25億元，一般公司債余額26549.00億元。由此可見，中國公司債的規(guī)模較大，發(fā)行公司債已成為公司融資的一種重要方式。與此同時(shí)，隨著中國經(jīng)濟(jì)改革的深入開展，國家出臺(tái)的相關(guān)宏觀經(jīng)濟(jì)政策（如貨幣政策和財(cái)政政策）以及公司債的發(fā)行、監(jiān)管和交易等制度都在不斷變化，這種經(jīng)濟(jì)政策不確定性必然引起公司債的交易波動(dòng)變化。中國經(jīng)濟(jì)政策不確定性是公司債發(fā)展所面臨的外部環(huán)境不確定性的一個(gè)重要來源，公司的經(jīng)營決策仍高度依賴于政府的經(jīng)濟(jì)政策，導(dǎo)致公司經(jīng)營決策對(duì)經(jīng)濟(jì)政策不確定性的敏感度很高。因此，研究中國經(jīng)濟(jì)政策不確定性對(duì)公司債波動(dòng)的影響具有重要意義。

經(jīng)濟(jì)政策不確定性指經(jīng)濟(jì)主體無法確切預(yù)知政府是否、何時(shí)以及如何改變現(xiàn)行經(jīng)濟(jì)政策（Gulen&Ion，2016）。國際學(xué)術(shù)界對(duì)經(jīng)濟(jì)政策不確定性的度量和研究方興未艾。Baker et al.（2016）編制了世界主要經(jīng)濟(jì)體的經(jīng)濟(jì)政策不確定性指數(shù)，越來越多的學(xué)者和政策機(jī)構(gòu)開始使用這一指數(shù)來衡量經(jīng)濟(jì)政策不確定性。已有研究表明，經(jīng)濟(jì)政策不確定性不僅能夠影響宏觀經(jīng)濟(jì)，而且會(huì)對(duì)企業(yè)的投資、融資和分配行為產(chǎn)生影響。田磊等（2017）利用中國經(jīng)濟(jì)政策不確定性指數(shù)考察政策不確定性的宏觀經(jīng)濟(jì)效應(yīng)及其作用機(jī)制。李風(fēng)羽和楊墨竹（2015）、饒品貴等（2017）研究了經(jīng)濟(jì)政策不確定性對(duì)企業(yè)投資行為以及投資效率的影響。李鳳羽和史永東（2016）研究了經(jīng)濟(jì)政策不確定性對(duì)企業(yè)現(xiàn)金持有策略的影響。另外，潘群星（2017）研究了經(jīng)濟(jì)政策不確定性自身的內(nèi)在統(tǒng)計(jì)特征，以期作為其他相關(guān)研究的基礎(chǔ)和前提，建議政府在制定經(jīng)濟(jì)政策時(shí)要考慮到政策的穩(wěn)定性、連續(xù)性和時(shí)效性。

長期以來，金融市場(chǎng)波動(dòng)在投資分析、證券定價(jià)和風(fēng)險(xiǎn)管理等方面有著重要作用，其測(cè)量、原因等問題引起了學(xué)術(shù)界的廣泛關(guān)注。在波動(dòng)測(cè)量方面，Engle（1982）&Bollerslev（1986）提出的 ARCH/GARCH類模型是刻畫金融資產(chǎn)波動(dòng)的有效方法，它可以描述金融資產(chǎn)波動(dòng)的動(dòng)態(tài)特征，已經(jīng)成功地應(yīng)用于測(cè)量股票市場(chǎng)波動(dòng)、匯率市場(chǎng)波動(dòng)、債券市場(chǎng)波動(dòng)等。在波動(dòng)影響因素方面，Engle&Lee（1999）提出成分模型，將波動(dòng)分解為長期成分和短期成分，更好地刻畫波動(dòng)率的動(dòng)態(tài)行為。Engle&Rangel（2008）提出了多成分結(jié)構(gòu)Spline-GARCH模型，認(rèn)為通貨膨脹率、短期收益率和產(chǎn)值水平值是股市波動(dòng)的主要驅(qū)動(dòng)因子。這些波動(dòng)模型僅適用于同頻解釋變量，無法處理低頻變量作為解釋因子的情況。為解決這一難題，Engle et al.（2013）結(jié)合Ghysels et al.（2006；2007）提出的處理混頻數(shù)據(jù)的混合數(shù)據(jù)樣本抽樣（MIDAS）技術(shù)，建立了GARCHMIDAS模型，區(qū)分高頻波動(dòng)率的長期成分和短期成分，用低頻波動(dòng)率或宏觀因子刻畫長期成分。Wang&Ghysels（2015）從統(tǒng)計(jì)角度重新討論混頻波動(dòng)成分模型，研究潛在過程的平穩(wěn)性。

隨著波動(dòng)模型的理論研究不斷完善，學(xué)者們已經(jīng)用這些波動(dòng)方法研究股市和債市波動(dòng)及其原因等問題。然而，在公司債市場(chǎng)，公司債波動(dòng)的相關(guān)研究并不多。與我們的研究相近的有Cai&Jiang（2008）、Kosturov&Stock（2010）以及 Nieto et al.（2015）。Cai&Jiang（2008）研究了公司債收益率和波動(dòng)率的關(guān)系，Kosturov&Stock（2010）研究了新聞公告對(duì)公司債收益率波動(dòng)的影響，Nieto et al.（2015）利用單因子GARCH-MIDAS模型研究了宏觀經(jīng)濟(jì)指標(biāo)對(duì)公司債收益率波動(dòng)的影響。國內(nèi)對(duì)公司債波動(dòng)的研究有，蘇云鵬和楊寶臣（2015）通過構(gòu)建三因子可違約隨機(jī)波動(dòng)HJM模型，研究中國可違約債券市場(chǎng)的波動(dòng)結(jié)構(gòu)。鄭挺國（2015）應(yīng)用GARCHMIDAS模型研究了宏觀基本面變量對(duì)中國股市波動(dòng)的長期影響。

國內(nèi)外研究豐富了公司債市場(chǎng)波動(dòng)率方面的理論和應(yīng)用，然而尚未見到用GARCH-MIDAS模型研究中國公司債市場(chǎng)波動(dòng)的成果。GARCH-MIDAS模型將日波動(dòng)率分解為長期成分和短期成分的乘積，其中短期成分是一個(gè)GARCH模型，表示日波動(dòng)率的日內(nèi)短期因素影響；長期成分可以用MIDAS加權(quán)的低頻宏觀經(jīng)濟(jì)變量或者實(shí)際波動(dòng)率刻畫，有助于提取日波動(dòng)率中緩慢變動(dòng)的長期特征，具有與日波動(dòng)率相同的變化趨勢(shì)。相比一般的波動(dòng)模型，GARCH-MIDAS模型主要有以下優(yōu)點(diǎn)：第一，可以在模型中加入不同頻率的數(shù)據(jù)進(jìn)行分析，故可以最大化地減少高頻數(shù)據(jù)在降頻處理過程中的信息丟失和減少高頻數(shù)據(jù)攜帶的噪音影響，也避免了在處理較高頻數(shù)據(jù)時(shí)待估計(jì)參數(shù)過多的問題；第二，可以考慮低頻宏觀經(jīng)濟(jì)因子的水平值和波動(dòng)率對(duì)公司債波動(dòng)的影響，不受平穩(wěn)性的影響；第三，用長期成分度量日波動(dòng)率，既可以充分提取低頻數(shù)據(jù)的信息，又可以過濾日內(nèi)即時(shí)信息（短期成分）的影響。

鑒于混頻波動(dòng)模型不僅可以充分提取不同頻率數(shù)據(jù)蘊(yùn)含的信息，而且將波動(dòng)率分解為長期成分和短期成分。這意味著混頻波動(dòng)模型可以更加細(xì)膩地刻畫中國公司債市場(chǎng)波動(dòng)率的長期和短期波動(dòng)特征。因此，本文借助于目前比較成熟有效的混頻計(jì)量經(jīng)濟(jì)學(xué)模型和方法，研究中國經(jīng)濟(jì)政策不確定性對(duì)中國公司債市場(chǎng)的影響機(jī)理，以期為政策制定者和公司經(jīng)營者剖析中國經(jīng)濟(jì)政策不確定性與公司債波動(dòng)之間的內(nèi)在關(guān)系提供依據(jù)。

本文構(gòu)建基于中國經(jīng)濟(jì)政策不確定性指標(biāo)的單因子GARCH-MIDAS模型，分析經(jīng)濟(jì)政策不確定性對(duì)中國公司債波動(dòng)行為的影響。首先，選取上證公司債指數(shù)衡量中國公司債券市場(chǎng)、斯坦福大學(xué)和芝加哥大學(xué)聯(lián)合發(fā)布的中國經(jīng)濟(jì)政策不確定性（CEPU）指數(shù)衡量中國國經(jīng)濟(jì)政策不確定性；其次，以上證公司債指數(shù)的實(shí)際波動(dòng)率、CEPU指數(shù)的變化率、波動(dòng)率作為解釋因子，構(gòu)建三個(gè)GARCHMIDAS模型；最后，用對(duì)數(shù)似然函數(shù)方法估計(jì)相應(yīng)的計(jì)量模型，分析相關(guān)統(tǒng)計(jì)結(jié)論和經(jīng)濟(jì)原理。

本文的主要學(xué)術(shù)貢獻(xiàn)體現(xiàn)在以下三方面：其一，用混頻波動(dòng)方法將中國公司債市場(chǎng)波動(dòng)分成長期波動(dòng)和短期波動(dòng)，這為分析中國公司債市場(chǎng)波動(dòng)的長期趨勢(shì)提供了新方法；其二，分析了中國經(jīng)濟(jì)政策不確定性低頻變量對(duì)中國公司債市場(chǎng)波動(dòng)長期成分高頻變量的解釋能力，避免了用同頻變量進(jìn)行回歸檢驗(yàn)時(shí)遺漏信息的不足；其三，發(fā)現(xiàn)中國經(jīng)濟(jì)政策不確定性是公司債市場(chǎng)波動(dòng)的重要驅(qū)動(dòng)因子。

二、GARCH-MIDAS計(jì)量模型

MIDAS技術(shù)的本質(zhì)是處理不同采樣頻率的數(shù)據(jù)。GARCH-MIDAS模型可以容納低頻變量作為解釋因子，而且可以將波動(dòng)率的短期成分和長期成分結(jié)合在一起。其中，短期成分是一個(gè)均值回歸GARCH（1，1）類模型，而長期成分由MIDAS多項(xiàng)式加權(quán)的外生解釋變量或被解釋變量的實(shí)際波動(dòng)率構(gòu)成。本節(jié)簡單回顧Engle et al.（2013）提出的混頻數(shù)據(jù)波動(dòng)率模型即GARCH-MIDAS模型的相關(guān)內(nèi)容。

（一）基于低頻實(shí)際波動(dòng)率的單因子混頻波動(dòng)模型

用Nt表示t月（季或年）的天數(shù)，在t月（季或年）中第i天的資產(chǎn)收益率rit表示為

其中εit│Φi-1，t∶N（0，1），Φi-1，t表示在t月（季或年）中第i-1天信息集，N（0，1）是標(biāo)準(zhǔn)正態(tài)分布函數(shù)，μ=Ei-1，t（rit）表示rit的條件均值，ht=Var（rit）表示rit的條件方差。τt表示rit的條件方差的長期低頻成分，git表示rit的條件方差的短期高頻成分。條件方差和長期成分、短期成分之間滿足ht=gitτt。

假設(shè)git服從GARCH（1，1）過程：

其中，α和β是參數(shù)，滿足α+β＜1。

下面考慮MIDAS回歸方法。用t月實(shí)際波動(dòng)率RVt作為長期成分τt的對(duì)數(shù)形式的影響因子，表示為

其中，m是參數(shù)，K表示低頻變量的最大滯后階數(shù)，φk（ω1，ω2）表示基于Beta函數(shù)構(gòu)造的權(quán)重函數(shù)，ω1和ω2表示權(quán)重函數(shù)的自變量。

式（1）～（5）構(gòu)成了基于低頻實(shí)際波動(dòng)率的GARCH-MIDAS模型，簡記為G-M-RV模型。參數(shù)θ的經(jīng)濟(jì)學(xué)含義為：當(dāng)θ取正時(shí)，表示資產(chǎn)實(shí)際波動(dòng)率RVt與資產(chǎn)波動(dòng)率長期成分正相關(guān)，即RVt越大τt越大；當(dāng)θ取負(fù)時(shí)，表示資產(chǎn)實(shí)際波動(dòng)率RVt與資產(chǎn)波動(dòng)率長期成分負(fù)相關(guān)，即RVt越大τt越小。

（二）基于外生解釋變量的單因子混頻波動(dòng)模型

其中，ml是參數(shù)，Kl表示水平值的最大滯后階數(shù)，那么式（1）、（2）和（6）構(gòu)成基于外生解釋變量水平值的GARCH-MIDAS模型，簡記為G-M-Xl模型。參數(shù)θ的經(jīng)濟(jì)學(xué)含義為：當(dāng)θ取正時(shí)，表示外生解釋變量水平值與資產(chǎn)波動(dòng)率長期成分正相關(guān)，即越大τt越大；當(dāng)θ取負(fù)時(shí)，表示外生解釋變量水平值與資產(chǎn)波動(dòng)率長期成分負(fù)相關(guān)，即越大τt越小。

其中，mυ是參數(shù)，Kυ表示變量波動(dòng)率的最大滯后階數(shù)，那么式（1）、（2）、（7）構(gòu)成基于外生解釋變量波動(dòng)率的GARCH-MIDAS模型，簡記為G-M-Xv模型。參數(shù)θ的經(jīng)濟(jì)學(xué)含義為：當(dāng)θ取正時(shí)，表明外生解釋變量波動(dòng)率與資產(chǎn)波動(dòng)率長期成分正相關(guān)，即越大τt越大；當(dāng)θ取負(fù)時(shí)，表明外生解釋變量波動(dòng)率與資產(chǎn)波動(dòng)率長期成分負(fù)相關(guān)，即越大τt越小。

用對(duì)數(shù)似然函數(shù)方法對(duì)上述三類GARCHMIDAS模型進(jìn)行估計(jì)，其估計(jì)參數(shù)集合為Θ=（μ，α，β，m，θ，ω1，ω2），相應(yīng)對(duì)數(shù)似然函數(shù)為

三、變量選取與數(shù)據(jù)描述

（一）變量選取與數(shù)據(jù)處理

本文選取的變量為上證公司債指數(shù)的日度收益率、低頻波動(dòng)率、中國經(jīng)濟(jì)政策不確定性指數(shù)的變化率和波動(dòng)率。選取2008年11月19日至2017年9月29日的上證公司債指數(shù)的日收盤價(jià)作為原始數(shù)據(jù)，共2159個(gè)觀測(cè)值，數(shù)據(jù)來自東方財(cái)富Choice數(shù)據(jù)庫。中國經(jīng)濟(jì)政策不確定性的衡量指標(biāo)使用斯坦福大學(xué)和芝加哥大學(xué)聯(lián)合發(fā)布的中國經(jīng)濟(jì)政策不確定性（CEPU）指數(shù)，月度數(shù)據(jù)樣本區(qū)間為2008年10月至2017年9月，共108個(gè)觀測(cè)值①①數(shù)數(shù)據(jù)據(jù)來來自自hhtttp://www.policyuncertainty.com/china_monthly.html。。接下來對(duì)原始數(shù)據(jù)進(jìn)行處理：對(duì)上證公司債指數(shù)日收盤價(jià)序列進(jìn)行對(duì)數(shù)差分處理，得到其日對(duì)數(shù)收益率rit，計(jì)算公式為：rit=log（Pit/Pit-1）×100，其中Pit表示上證公司債指數(shù)在t月第i天的日收盤價(jià)，Pit-1表示上證公司債指數(shù)在t-1月第i天的日收盤價(jià)；根據(jù)式（4）計(jì)算出上證公司債指數(shù)的實(shí)際波動(dòng)率RVt；選取中國經(jīng)濟(jì)政策不確定性指數(shù)的變化率作為中國經(jīng)濟(jì)政策不確定性水平值的代理變量，計(jì)算公式為其中 It表示中國 t月的經(jīng)濟(jì)政策不確定性指數(shù)，It-1表示中國t-1月的經(jīng)濟(jì)政策不確定性指數(shù)；類似于Nieto et al（.2015）的方法，用AR（12）模型擬合中國經(jīng)濟(jì)政策不確定性的變化率，其殘差項(xiàng)的Ljung-Box檢驗(yàn)統(tǒng)計(jì)量Q（12）=12.21，相應(yīng)p值為0.43大于顯著性水平0.1，這表明AR（12）模型的殘差項(xiàng)是白噪聲序列，用AR（12）殘差項(xiàng)的平方作為中國經(jīng)濟(jì)政策不確定性的波動(dòng)率。

（二）數(shù)據(jù)描述性統(tǒng)計(jì)

上證公司債指數(shù)日對(duì)數(shù)收益率、對(duì)應(yīng)的低頻波動(dòng)率和中國經(jīng)濟(jì)政策不確定性指數(shù)變化率、波動(dòng)率的描述性統(tǒng)計(jì)量，如表1所示。分析表1可知，上證公司債指數(shù)日收益率rit的均值為0.02，上證公司債指數(shù)日收益率的低頻實(shí)際波動(dòng)率均值為0.12，CEPU指數(shù)的變化率均值為0.14，CEPU指數(shù)的波動(dòng)率均值為0.34；而且這四個(gè)變量的峰度分別為17.60、13.59、15.69、76.71，均大于3，JB正態(tài)性檢驗(yàn)統(tǒng)計(jì)量和其p值，都表明變量不服從正態(tài)分布，具有尖峰厚尾性。變量的ADF統(tǒng)計(jì)量和p值表明，這四個(gè)變量在1%顯著性水平下均是平穩(wěn)序列。

表1 被解釋變量和解釋變量的描述性統(tǒng)計(jì)量

四、實(shí)證分析

（一）變量解釋與模型估計(jì)

下文用上證公司債指數(shù)的實(shí)際波動(dòng)率表示中國公司債市場(chǎng)交易日當(dāng)天的收益率波動(dòng)情況，中國經(jīng)濟(jì)政策不確定性指數(shù)變化率表示中國宏觀經(jīng)濟(jì)政策不確定性的變化情況，中國經(jīng)濟(jì)政策不確定性指數(shù)波動(dòng)率表示中國宏觀經(jīng)濟(jì)政策不確定性的波動(dòng)情況，上證公司債指數(shù)的長期波動(dòng)成分表示中國公司債市場(chǎng)在均衡狀態(tài)下的波動(dòng)情況。為了分析中國公司債市場(chǎng)波動(dòng)的驅(qū)動(dòng)因子，用上證公司債指數(shù)的實(shí)際波動(dòng)率、CEPU指數(shù)的變化率及其波動(dòng)率作為解釋變量，上證公司債指數(shù)的長期波動(dòng)成分作為被解釋變量，根據(jù)上文GARCH-MIDAS模型，分別構(gòu)建基于上證公司債指數(shù)日收益率實(shí)際波動(dòng)率的G-M-RV模型、基于中國經(jīng)濟(jì)政策不確定性指數(shù)變化率的G-M-Xl模型、中國經(jīng)濟(jì)政策不確定性指數(shù)波動(dòng)率的G-M-Xv模型。

在計(jì)算上述三個(gè)模型過程中，選擇固定時(shí)間跨度指標(biāo)，約定每月有20個(gè)交易日。類似于鄭挺國（2015），固定權(quán)重方程式（5）中參數(shù)ω1=1，只估計(jì)參數(shù)ω2，估計(jì)值用ω表示。在GARCH-MIDAS（P，Q，K）模型中P、Q表示GARCH過程的滯后階數(shù)，一般取P=Q=1；K表示MIDAS濾波的滯后階數(shù)，根據(jù)似然函數(shù)值調(diào)試程序取K值。文獻(xiàn)中通常用滯后年表述滯后情況，如對(duì)于月度解釋變量，K=1表示MIDAS濾波中解釋變量滯后12階，即滯后12個(gè)月，由此得到GARCH-MIDAS（1，1，1）模型。進(jìn)一步，得到了三個(gè)模型對(duì)應(yīng)的參數(shù)Θ=（μ，α，β，m，θ，ω）的估計(jì)值，通過MATLAB軟件的MIDASv2.3程序包實(shí)現(xiàn)文中模型。表2報(bào)告了基于低頻實(shí)際波動(dòng)率、經(jīng)濟(jì)政策不確定性變化率、波動(dòng)率的GARCH-MIDAS（1，1，1）模型的估計(jì)結(jié)果。從中可知，三個(gè)模型的μ值分別是0.020、0.021和0.021，非常接近表1中rt的均值0.02，這表明在擬合日收益率均值方面，三個(gè)模型的擬合效果非常好。其次，在表2中，G-M-RV（1，1，1）模型中的θ估計(jì)值為0.22，這表明上證公司債指數(shù)日收益率的實(shí)際波動(dòng)率與公司債的均衡波動(dòng)正相關(guān)，這意味著公司債的收益率變化增加將引起公司債的均衡波動(dòng)增加，反之亦然。在G-M-Xl（1，1，1）模型中的θ估計(jì)值為2.03，這表明中國經(jīng)濟(jì)政策不確定性指數(shù)的變化率正向影響公司債的均衡波動(dòng)，即中國經(jīng)濟(jì)政策不確定性指數(shù)的變化率增加將引起公司債的均衡波動(dòng)的增加，反之亦然。在G-M-Xv（1，1，1）中θ估計(jì)值為1.04，這表明中國經(jīng)濟(jì)政策不確定性指數(shù)的波動(dòng)率與公司債的均衡波動(dòng)正相關(guān)，這意味著當(dāng)經(jīng)濟(jì)政策不確定性的波動(dòng)率上升時(shí)，公司債的均衡波動(dòng)會(huì)增加，反之亦然。

表2 上證公司債指數(shù)的單因子混頻波動(dòng)模型估計(jì)結(jié)果

總而言之，這些實(shí)證結(jié)果說明，中國經(jīng)濟(jì)政策不確定性及其波動(dòng)率的增長都會(huì)引起中國公司債市場(chǎng)收益率的波動(dòng)加大，是公司債市場(chǎng)波動(dòng)的重要驅(qū)動(dòng)因子。通過進(jìn)一步分析表2中三個(gè)模型擬合的長期波動(dòng)成分與總波動(dòng)率的擬合圖形可知，上證公司債指數(shù)的波動(dòng)率的長期成分與其總波動(dòng)率的變化趨勢(shì)幾乎相同，長期成分相比總波動(dòng)率更為平滑，且低頻波動(dòng)率、經(jīng)濟(jì)政策不確定性變化率和波動(dòng)率對(duì)公司債波動(dòng)的影響是動(dòng)態(tài)的①受篇幅限制，未給出具體擬合圖形，留存?zhèn)渌?。?；诘皖l實(shí)際波動(dòng)率的G-M-RV模型擬合的長期成分基本上相當(dāng)于總波動(dòng)率本身，能反映總波動(dòng)率的趨勢(shì)；而基于經(jīng)濟(jì)政策不確定性變化率和波動(dòng)率的G-M-Xl模型和G-M-Xv模型擬合的長期成分略高于總波動(dòng)率，說明經(jīng)濟(jì)政策不確定性對(duì)公司債市場(chǎng)的長期影響較大，可以推測(cè)公司債波動(dòng)的短期成分較小，即公司債受到的短期影響較小，且短期影響會(huì)降低公司債市場(chǎng)的波動(dòng)，或者公司債收益率的波動(dòng)長期成分也受到其他變量的影響而降低波動(dòng)。另外G-MXl模型和G-M-Xv模型的波動(dòng)率長期成分主要在經(jīng)濟(jì)政策不確定性上升期間增長，這與表2中θ正值對(duì)應(yīng)。短期成分曲線都與總波動(dòng)率曲線接近重合，說明短期影響被迅速吸收并整合到總波動(dòng)率中。進(jìn)一步說明，上證公司債指數(shù)的低頻實(shí)際波動(dòng)率、中國經(jīng)濟(jì)政策不確定性是上證公司債指數(shù)日收益率長期波動(dòng)成分的重要驅(qū)動(dòng)因子。

（二）穩(wěn)定性檢驗(yàn)

由分析數(shù)據(jù)可知，2011年下半年，上證公司債指數(shù)日收益率、實(shí)際波動(dòng)率、CEPU的變化率和波動(dòng)率變化非常大，因此，以2011年末為分界點(diǎn)，將上證公司債指數(shù)日收盤價(jià)的全樣本期間2008年11月19日至2017年9月29日，以及CEPU指數(shù)的全樣本期2008年10月至2017年9月，分成子樣本T1和T2，其中子樣本T1的時(shí)間為2008年11月19日至2011年末，剩余時(shí)間為子樣本T2。為檢驗(yàn)?zāi)Ｐ偷姆€(wěn)定性，分別在兩個(gè)子樣本T1和T2上，采用相同方法構(gòu)建GM-RV模型、G-M-Xl模型和G-M-Xv模型，根據(jù)模型擬合結(jié)果可知，無論子樣本T1還是子樣本T2，相應(yīng)參數(shù)大部分均顯著，且與表2中全樣本的參數(shù)相對(duì)應(yīng)。具體而言，每個(gè)子樣本期內(nèi)，三個(gè)模型的μ估計(jì)值都彼此接近，如子樣本T2中的三個(gè)模型μ估計(jì)值分別為1.937%、1.961%和1.988%；G-M-RV模型、G-M-Xl模型和G-M-Xv模型的θ參數(shù)值均為正，與表2的分析一致，其他參數(shù)的正負(fù)號(hào)也都與全樣本中的模型參數(shù)相對(duì)應(yīng)。由此可知，本文構(gòu)建的三個(gè)單因子混頻波動(dòng)模型具有穩(wěn)定性。

表3 上證公司債指數(shù)的單因子混頻波動(dòng)率模型估計(jì)結(jié)果（子樣本）

五、結(jié)論

本文考察中國經(jīng)濟(jì)政策不確定性對(duì)中國公司債市場(chǎng)波動(dòng)的影響，用斯坦福大學(xué)和芝加哥大學(xué)聯(lián)合發(fā)布的月度中國經(jīng)濟(jì)政策不確定性（CEPU）指數(shù)作為中國經(jīng)濟(jì)政策不確定性的代理變量、用上證公司債指數(shù)作為中國公司債市場(chǎng)的代理變量，以上證公司債指數(shù)日收益率的實(shí)際波動(dòng)率、CEPU指數(shù)的變化率和波動(dòng)率作為影響因素，用單因子混頻波動(dòng)方法將中國公司債市場(chǎng)波動(dòng)率分成長期成分和短期成分，構(gòu)建了三類單因子混頻波動(dòng)模型，分析中國公司債市場(chǎng)波動(dòng)長期成分的影響機(jī)理。實(shí)證結(jié)果表明，中國公司債市場(chǎng)的實(shí)際波動(dòng)率和中國經(jīng)濟(jì)政策不確定性指數(shù)的變化率、波動(dòng)率均與中國公司債市場(chǎng)波動(dòng)的長期成分正相關(guān)。

本文借助于混頻波動(dòng)模型和方法從市場(chǎng)波動(dòng)行為的視角分析了中國經(jīng)濟(jì)政策不確定性對(duì)中國公司債市場(chǎng)波動(dòng)的影響，具有重要的理論意義和應(yīng)用價(jià)值。具體表現(xiàn)為：其一，提出的混頻波動(dòng)方法為監(jiān)管者和投資者利用中國公司債市場(chǎng)長期波動(dòng)成分判斷中國公司債市場(chǎng)的長期變化趨勢(shì)提供了有效方法；其二，中國公司債收益的實(shí)際波動(dòng)、經(jīng)濟(jì)政策不確定性的水平值和波動(dòng)是中國公司債市場(chǎng)長期波動(dòng)成分的主要驅(qū)動(dòng)因子，這意味著投資者和監(jiān)管者可以在長期內(nèi)利用這三個(gè)因子預(yù)測(cè)和監(jiān)控中國公司債市場(chǎng)的長期波動(dòng)變化情況，從而構(gòu)建投資策略和制定相關(guān)的政策法規(guī)；其三，可以利用中國公司債市場(chǎng)波動(dòng)長期成分和短期成分的動(dòng)態(tài)特征預(yù)測(cè)公司債市場(chǎng)波動(dòng)的聚集效應(yīng)和重大事件發(fā)生的可能性，從而作出有效管理措施。

[1]李鳳羽，史永東.經(jīng)濟(jì)政策不確定性與企業(yè)現(xiàn)金持有策略——基于中國經(jīng)濟(jì)政策不確定指數(shù)的實(shí)證研究[J].管理科學(xué)學(xué)報(bào)，2016，19（06）：157～170.

[2]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？——基于中國經(jīng)濟(jì)政策不確定指數(shù)的實(shí)證研究[J].金融研究，2015，（04）：115～129.

[3]潘群星.我國經(jīng)濟(jì)政策不確定性內(nèi)在統(tǒng)計(jì)特征檢驗(yàn)[J].統(tǒng)計(jì)與決策，2017，（19）：94～97.

[4]饒品貴等.經(jīng)濟(jì)政策不確定性與企業(yè)投資行為研究[J].世界經(jīng)濟(jì)，2017，40（02）：27～51.

[5]蘇云鵬，楊寶臣.隨機(jī)波動(dòng)HJM框架下可違約債券市場(chǎng)波動(dòng)結(jié)構(gòu)的實(shí)證研究[J].管理科學(xué)，2015，（01）：122～132.

[6]田磊等.政策不確定性是中國經(jīng)濟(jì)波動(dòng)的主要因素嗎？——基于混合識(shí)別法的創(chuàng)新實(shí)證研究[J].財(cái)貿(mào)經(jīng)濟(jì)，2017，38（01）：5～20.

[7]鄭挺國，尚玉皇.基于宏觀基本面的股市波動(dòng)度量與預(yù)測(cè)[J].世界經(jīng)濟(jì)，2014，（12）：118～139.

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

[9]Bollerslev T.Generalized Autoregressive Condit ional Heteroskedasticity[J].Journal of Econometrics，1986，31（3）：307～327.

[10]Cai N，Jiang X.Corporate Bond Returns and Volatility[J].The Financial Review，2008，43：1～26.

[11]Engle R F，Ghysels E，Sohn B.Stock Market Volatility and Macroeconomic Fundamentals[J].Review of Economics&Statistics，2013，95（3）：776～797.

[12]Engle R F，Rangel J G.The Spline-GARCH Model for Low-Frequency Volatility and Its Global Macroeconomic Causes[J].Review of Financial Studies，2008，21（3）：1187～1222.

[13]Engle R F.Autoregressive Conditional Hetero scedasticity with Estimates of the Variance of United Kingdom Inflation[J].Econometrica，1982，50（4）：987～1007.

[14]Engle R，Lee R.A Permanent and Transitory Component Model of Stock Return Volatility[C]，1999：475～497.

[15]Ghysels E，Santa-Clara P，Valkanov R.Predicting Volatility：Getting the Most out of Return Data Sampled at Different Frequencies[J].Journal of Econometrics，2006，131（1）：59～95.

[16]Ghysels E，Sinko A，Valkanov R.MIDAS Regressions：Further Results and New Directions[J].Econometric Reviews，2007，26（1）：53～90.

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

[18]Kosturov N，Stock D.The Sensitivity of Corporate Bond Volatility to Macroeconomic Announcements[M].Handbook of Quantitative Finance and Risk Management，2010，Chapter 58：883～912.

[19]Nieto B，Novales A，Rubio G.Macroeconomic and FinancialDeterminants ofthe Volatility of Corporate Bond Returns[J].Quarterly Journal of Finance，2015，5（4）：1～41.

[20]Wang F，Ghysels E.Econometric Analysis of Volatility Component Models[J].Econometric Theory，2015，31（2）：362～393.