經(jīng)濟(jì)政策調(diào)控對(duì)我國(guó)股市波動(dòng)的影響

■ 張國(guó)麗

（中國(guó)人民銀行青海省分行 青海西寧 810000）

引言

經(jīng)濟(jì)政策調(diào)控（EPU）對(duì)股市有重大影響。Pastor &Veronese（2012）研究了經(jīng)濟(jì)政策調(diào)整對(duì)美國(guó)股市波動(dòng)性的影響，發(fā)現(xiàn)政策變化增加了波動(dòng)性、風(fēng)險(xiǎn)溢價(jià)和股票之間的相互聯(lián)系[1]。Arouri（2016）等人調(diào)查EPU 對(duì)美國(guó)的影響股票市場(chǎng)回報(bào)率，發(fā)現(xiàn)EPU 的增加會(huì)顯著降低股票回報(bào)率，這種效應(yīng)在極端波動(dòng)時(shí)期更強(qiáng)烈、更持久[2]。為了提供經(jīng)濟(jì)政策調(diào)控全面、定量的衡量標(biāo)準(zhǔn)，Baker & Bloom（2015）等人編制了世界主要經(jīng)濟(jì)體經(jīng)濟(jì)政策調(diào)控指數(shù)（EPU Index）[3]。該指數(shù)自推出以來，受到了眾多學(xué)者的廣泛研究，并得到了更廣泛的認(rèn)可。指數(shù)具有隨時(shí)間變化的特征，具體來說當(dāng)經(jīng)濟(jì)政策保持穩(wěn)定時(shí)，EPU 指數(shù)相對(duì)較低，當(dāng)經(jīng)濟(jì)政策變化頻繁時(shí)，指數(shù)就會(huì)上漲。

作為金融業(yè)系統(tǒng)性風(fēng)險(xiǎn)的最終承擔(dān)者，巴塞爾銀行監(jiān)管委員會(huì)（BCBS）1996 年開始要求銀行業(yè)機(jī)構(gòu)定期使用風(fēng)險(xiǎn)價(jià)值（VAR）進(jìn)行內(nèi)部控制和風(fēng)險(xiǎn)狀況外部披露。當(dāng)包括銀行在內(nèi)的金融機(jī)構(gòu)在計(jì)算其所承受的市場(chǎng)風(fēng)險(xiǎn)的VAR 時(shí)，波動(dòng)率的估計(jì)至關(guān)重要，直接影響著VAR 的計(jì)算結(jié)果。也可以說，觀察股價(jià)波動(dòng)非常重要，因?yàn)樗鼘?duì)于資產(chǎn)定價(jià)和風(fēng)險(xiǎn)衡量至關(guān)重要，股市波動(dòng)是聚合且高度持續(xù)的，雖然可以預(yù)測(cè)，但是準(zhǔn)確預(yù)測(cè)是非常困難的。波動(dòng)性研究有著比較悠久的歷史，Engle（1982）通過引入ARCH 模型的思想，開啟了波動(dòng)性研究的新篇章[4]。Bollerslev （1986）在ARCH 模型的基礎(chǔ)上加入了歷史波動(dòng)率，提出了GARCH 模型，更好地捕捉了股票收益波動(dòng)的長(zhǎng)記憶性[5]。此后，波動(dòng)率的定量分析一直基于GARCH 模型。

目前，我國(guó)證券市場(chǎng)仍處于發(fā)展初期，股指波動(dòng)性大幅高于工業(yè)化國(guó)家成熟市場(chǎng)。學(xué)者們希望通過更好地刻畫股指甚至個(gè)股價(jià)格的波動(dòng)性，提高整體證券市場(chǎng)的效率，最終建立一個(gè)有彈性、有抵抗力的、能夠更好服務(wù)實(shí)體經(jīng)濟(jì)的證券市場(chǎng)，讓投資者能更清晰地認(rèn)識(shí)到他們承擔(dān)的風(fēng)險(xiǎn)以及他們應(yīng)該獲得的風(fēng)險(xiǎn)溢價(jià)。然而，我國(guó)股市發(fā)展歷史較短，對(duì)經(jīng)濟(jì)政策調(diào)控缺乏有效的反饋調(diào)整，因此，研究EPU 對(duì)我國(guó)股市波動(dòng)的影響具有重要意義。同時(shí)，系統(tǒng)、深入地審視經(jīng)濟(jì)政策調(diào)控對(duì)我國(guó)股市的影響，有助于提高國(guó)家決策效率、加大市場(chǎng)監(jiān)管力度、穩(wěn)定股市發(fā)展。本文選擇使用GARCH 模型來研究EPU 對(duì)我國(guó)股市波動(dòng)的影響，

一、文獻(xiàn)綜述

（一）我國(guó)股市的波動(dòng)性

由于波動(dòng)性是經(jīng)濟(jì)表現(xiàn)的晴雨表，它為政府和投資者感知市場(chǎng)風(fēng)險(xiǎn)提供了一定的判斷依據(jù)，因此了解我國(guó)股市不同板塊公司股價(jià)（或收益率）波動(dòng)所表現(xiàn)出的復(fù)雜聯(lián)動(dòng)效應(yīng)意義重大。Zhang（2011）等人研究了股指期貨的推出對(duì)我國(guó)股市波動(dòng)的影響[6]。Jiang&Chen（2016）研究了美國(guó)經(jīng)濟(jì)變量對(duì)我國(guó)股市隨時(shí)間波動(dòng)的影響[7]。Wen＆Xiao（2018）等人使用非線性自回歸分布滯后（NARDL）模型[8]，Diks & Pachink 在總體和部門層面上研究石油價(jià)格與我國(guó)股市之間的非線性協(xié)整和非線性因果關(guān)系[9]。實(shí)證結(jié)果表明石油價(jià)格與我國(guó)股市之間不存在顯著的非對(duì)稱協(xié)整效應(yīng)，然而石油價(jià)格與我國(guó)股市之間存在顯著的非線性因果關(guān)系。Wen＆Cao（2021）的結(jié)果表明，股票市場(chǎng)和大宗商品市場(chǎng)之間存在高度依賴[10]。我國(guó)股市平均是溢出效應(yīng)的凈受益者，有色金屬和化工行業(yè)對(duì)股市影響巨大。隨著時(shí)間的推移，總波動(dòng)性溢出的程度會(huì)發(fā)生變化[10]。在發(fā)生重大危機(jī)之后，市場(chǎng)波動(dòng)相關(guān)性就會(huì)增強(qiáng)。自2019 年以來，股票市場(chǎng)對(duì)大宗商品價(jià)格的影響急劇擴(kuò)大。

（二）股票市場(chǎng)的波動(dòng)性

Zhou（2018）討論了波動(dòng)性的含義。波動(dòng)率主要用標(biāo)準(zhǔn)差或方差來表示。在經(jīng)濟(jì)學(xué)術(shù)語中，波動(dòng)性是指金融資產(chǎn)價(jià)格或資產(chǎn)投資回報(bào)率變化的劇烈程度，是不確定性的衡量標(biāo)準(zhǔn)[11]。本質(zhì)上，波動(dòng)性是市場(chǎng)對(duì)各類信息的綜合反映，它既包括市場(chǎng)價(jià)格形成機(jī)制中的有效信息，也包括交易系統(tǒng)的環(huán)境噪聲，還夾雜著投資者的情緒因素。一般來說，波動(dòng)性越高，金融資產(chǎn)的風(fēng)險(xiǎn)越高。就股票市場(chǎng)而言，波動(dòng)性表現(xiàn)為股票價(jià)格變化的頻率和幅度。兩者越大，波動(dòng)性越高，兩者越小，波動(dòng)性越低。

股票市場(chǎng)的波動(dòng)性一直是許多學(xué)者研究的焦點(diǎn)。例如Blank-Scholes 提出的期權(quán)定價(jià)模型，這些模型假設(shè)市場(chǎng)回報(bào)服從正態(tài)分布，并認(rèn)為波動(dòng)性是恒定的。Fama（1965）通過他的研究發(fā)現(xiàn)了峰值和股票價(jià)格厚尾的本質(zhì)[12]。Morgan（1976）發(fā)現(xiàn)了時(shí)間序列的異方差性[13]。20 世紀(jì)60年代，Mandlebrot（1963）發(fā)現(xiàn)波動(dòng)性是聚合性的，即大幅波動(dòng)伴隨著大幅波動(dòng)[14]。Salisu＆Gupta（2020）使用GARCH-MIDAS（混合數(shù)據(jù)抽樣的廣義自回歸條件異方差變量）模型研究金磚國(guó)家（巴西、俄羅斯、印度、我國(guó)和南非）對(duì)股市波動(dòng)的反應(yīng)[15]。研究發(fā)現(xiàn)，對(duì)波動(dòng)性的不準(zhǔn)確預(yù)測(cè)可能導(dǎo)致金融市場(chǎng)定價(jià)錯(cuò)誤、業(yè)務(wù)對(duì)沖過度或不足以及資本預(yù)算決策不正確，從而對(duì)收益和現(xiàn)金流產(chǎn)生重大影響。因此，監(jiān)測(cè)和建模股市波動(dòng)不僅對(duì)投資者和企業(yè)決策者很重要，而且對(duì)政策制定者評(píng)估金融基本面和投資者情緒也很重要。

此外，影響股市波動(dòng)的原因還有很多。例如，Ngassam（2002）認(rèn)為止損限價(jià)降低了股票收益的波動(dòng)性，同時(shí)也發(fā)現(xiàn)股票止損限價(jià)并沒有降低股票收益的波動(dòng)性[16]。Engle&Rangel（2008）研究了40 多個(gè)國(guó)家的股票市場(chǎng)，發(fā)現(xiàn)宏觀經(jīng)濟(jì)政策影響股票市場(chǎng)的波動(dòng)[17]。Safi 和Sigurdsson（2010）發(fā)現(xiàn)，減少股票賣空限制并不能減少股價(jià)波動(dòng)[18]。Henry（2009）發(fā)現(xiàn)短期利率變化對(duì)股票收益的影響[19]。Girardin&Joyeux（2013）提取了我國(guó)A 股和B 股市場(chǎng)的長(zhǎng)期波動(dòng)性[20]。他們使用混合數(shù)據(jù)采樣（MIDAS）方法。尤其是我國(guó)A 股市場(chǎng)，直到2001 年，一直以投機(jī)為特征。然而，2001 年以后B 股市場(chǎng)也表現(xiàn)出投機(jī)特征。因此，結(jié)果表明，長(zhǎng)期股票波動(dòng)有時(shí)是由通貨膨脹而不是實(shí)際活動(dòng)來解釋的。Rao&Yue（2017）等人研究了EPU 對(duì)我國(guó)未來波動(dòng)性的影響[21]，作者利用GARCH-MIDAS 模型探討了GEPU 指數(shù)的增量預(yù)測(cè)信息及其對(duì)我國(guó)股市波動(dòng)性的影響。研究結(jié)果表明，我國(guó)及世界經(jīng)濟(jì)和政策調(diào)控的宏觀信息影響我國(guó)股市的波動(dòng)。根據(jù)科爾尼和戴利Kearney & Daly（1998）提出股票市場(chǎng)回報(bào)的條件波動(dòng)性與金融和商業(yè)周期因素的條件波動(dòng)性相關(guān)[22]。使用廣義最小二乘（GLS）估計(jì)方法通過一般到具體的建模策略，描述了股票市場(chǎng)回報(bào)的條件波動(dòng)率方程以及確定模型中所有變量的條件波動(dòng)率方程。

（三）EPU 與股市波動(dòng)性之間的聯(lián)系

EPU 指數(shù)吸引了眾多作者的關(guān)注。Baker （2015）等人利用報(bào)紙報(bào)道的頻率構(gòu)建了可以衡量經(jīng)濟(jì)政策調(diào)控的EPU指數(shù)[3]。此外，Liu &Zhang（2015）采用了Corsi（2008）提出的異質(zhì)自回歸實(shí)現(xiàn)波動(dòng)率（HAR）框架[23][24]。EPU 指數(shù)可以極大地提高模型的預(yù)測(cè)性能。Wu & Xie （2021）使用CARR 混合數(shù)據(jù)采樣（CARR-MIDAS）模型框架通過考慮日內(nèi)信息來研究EPU 對(duì)我國(guó)股市波動(dòng)的影響[25]。實(shí)證結(jié)果表明，我國(guó)EPU（CEPU）和全球GEPU 對(duì)我國(guó)股市的長(zhǎng)期波動(dòng)都有相當(dāng)大的不利影響。此外，他們發(fā)現(xiàn)將CEPU 和GEPU考慮在內(nèi)可以顯著提高預(yù)測(cè)我國(guó)股市波動(dòng)的能力。

Liu & Zhang（2015）在現(xiàn)有波動(dòng)率預(yù)測(cè)模型中添加EPU 是否可以提高預(yù)測(cè)能力問題，在之前的研究中尚未得到解決[23]。此外，它們還顯示樣本外數(shù)據(jù)，這會(huì)產(chǎn)生額外的財(cái)務(wù)影響，因?yàn)闃颖就獠▌?dòng)性預(yù)測(cè)對(duì)于投資組合配置和風(fēng)險(xiǎn)管理至關(guān)重要。他們還通過使用標(biāo)準(zhǔn)普爾500 指數(shù)的5 分鐘高頻回報(bào)來研究EPU 的作用，以確定每日的市場(chǎng)波動(dòng)性，并使用八個(gè)每日波動(dòng)性（RV）演變流行模型來研究EPU 的作用。無論使用哪種模型，樣本證據(jù)都表明先前的EPU 對(duì)當(dāng)前RV 的影響顯著為正。

Kang & Ratti（2013）使用結(jié)構(gòu)性VAR 模型來研究結(jié)構(gòu)性石油沖擊、經(jīng)濟(jì)政策調(diào)控和實(shí)際股票回報(bào)之間的關(guān)系[26]。研究結(jié)果顯示，石油市場(chǎng)的特定需求沖擊對(duì)24 個(gè)月后經(jīng)濟(jì)政策調(diào)控變化的影響超過30%，長(zhǎng)期來看這一比例將增長(zhǎng)至58%。經(jīng)濟(jì)政策的調(diào)控導(dǎo)致實(shí)際股票收益長(zhǎng)期變化的19%，而結(jié)構(gòu)性石油沖擊則導(dǎo)致實(shí)際股票收益長(zhǎng)期變化的32%。因此，對(duì)于不同行業(yè)而言，政策調(diào)控會(huì)壓低石油行業(yè)的長(zhǎng)期回報(bào)、短期內(nèi)汽車和零售行業(yè)的回報(bào)以及長(zhǎng)期黃金行業(yè)的回報(bào)。

Mei＆Zeng（2018）等人首先考察美國(guó)EPU 指數(shù)是否有有用的預(yù)測(cè)信息來幫助預(yù)測(cè)歐洲股市，例如英國(guó)、德國(guó)和法國(guó)市場(chǎng),使用樣本外統(tǒng)計(jì)檢驗(yàn)，得到幾個(gè)結(jié)論。首先，歐洲國(guó)家的EPU 指數(shù)似乎對(duì)預(yù)測(cè)這些股票市場(chǎng)的波動(dòng)沒有太大幫助；其次，他們?cè)诨鶞?zhǔn)模型中添加了美國(guó)EPU 作為附加變量，并確定該模型通過包含美國(guó)EPU 指數(shù)可以獲得更高的預(yù)測(cè)精度，這有力地支持了美國(guó)EPU 指數(shù)包含對(duì)歐洲股票有用的預(yù)測(cè)信息的觀點(diǎn)市場(chǎng)；第三，基于美國(guó)的擴(kuò)張和衰退，作者發(fā)現(xiàn)美國(guó)EPU 指數(shù)可以提供更多相關(guān)的預(yù)測(cè)信息，并且可以比擴(kuò)張期間顯著提高歐洲股市在衰退期間的預(yù)測(cè)能力[27]。Chen（2018）等人應(yīng)用GARCH-MIDAS 模型來研究全球經(jīng)濟(jì)政策調(diào)控（GEPU）中包含的信息是否有助于預(yù)測(cè)黃金期貨收益方差的短期和長(zhǎng)期組成部分[28]。調(diào)查結(jié)果顯示，GEPU 對(duì)全球黃金期貨市場(chǎng)未來月度波動(dòng)性做出了積極且重要的預(yù)測(cè)。Mishra & Debata （2020）研究探討了純粹訂單驅(qū)動(dòng)的新興股市中經(jīng)濟(jì)政策調(diào)控（EPU）與股市波動(dòng)性之間的動(dòng)態(tài)關(guān)系[29]。由于EPU 與波動(dòng)性之間的非線性關(guān)系，本研究使用一系列GARCH 模型來反映政策調(diào)控對(duì)股市波動(dòng)性的影響。Wu & Hsueh（2016）調(diào)查了2003 年至2004 年期間九個(gè)國(guó)家的經(jīng)濟(jì)政策調(diào)控與股市出口和增長(zhǎng)之間的因果關(guān)系[30]。實(shí)證結(jié)果表明，并非所有國(guó)家都是一樣的，當(dāng)政策變化公布時(shí)股市下跌的理論預(yù)測(cè)并不總是準(zhǔn)確的。這項(xiàng)研究為印度、意大利和西班牙的股市領(lǐng)先假說提供了證據(jù)，但在英國(guó)則不然，不能排除英國(guó)的經(jīng)濟(jì)政策調(diào)控領(lǐng)先假說。

（四）GARCH 模型

Engle（1982）提出用ARCH 模型來分析時(shí)間序列的異方差性[4]。Chen（2014）發(fā)現(xiàn)ARCH 模型存在以下缺陷。首先，ARCH 模型假設(shè)波動(dòng)性由擾動(dòng)信息的歷史數(shù)據(jù)值的二次平方項(xiàng)決定，這意味著它對(duì)正向和負(fù)向價(jià)格擾動(dòng)的響應(yīng)相同，而現(xiàn)實(shí)生活中情況并非如此；其次，高階ARCH 模型的應(yīng)用限制過于嚴(yán)格，對(duì)相關(guān)參數(shù)要求非常高，使它們?cè)趹?yīng)用中受到很大限制，并且不能很好地?cái)M合超峰度的實(shí)際數(shù)據(jù)；第三，雖然ARCH 模型正式描述了條件方差，但解釋條件方差的真正原因很困難。第四，ARCH 模型對(duì)收益序列中的奇異值擾動(dòng)現(xiàn)象不敏感，因此波動(dòng)率的預(yù)測(cè)結(jié)果往往偏高；隨后，Bollerslev（1986）提出了GARCH 模型，GARCH 是專門為金融數(shù)據(jù)量身定制的回歸模型[5]。一般來說，波動(dòng)率研究和預(yù)測(cè)選擇GARCH 模型進(jìn)行實(shí)證分析，它可以幫助投資者做出更好的判斷。GARCH 已優(yōu)化升級(jí)到新的版本，例如：IGARCH 模型（Integrated GARCH,Bollerslev（1986））、EGARCH 模型（Exponential GARCH,Nelson（1991））、TGARCH模型（Threshold GARCH, Zakoian（1994））等[5][31][32]。

在市場(chǎng)因素對(duì)股市波動(dòng)性的研究中，大多數(shù)作者都選擇使用GARCH 模型進(jìn)行分析。Zhang& Chen 等人（2011）研究了股指期貨在我國(guó)的引入對(duì)股市波動(dòng)性的影響，隨著滬深300 指數(shù)的引入，股市波動(dòng)性在短期內(nèi)有所增加，但隨著時(shí)間的推移，這種影響趨于減弱。Li（2012）利用GARCH（1,1）模型比較了開放式基金進(jìn)入股市前后股市波動(dòng)的特征，表明開放式基金的加入增強(qiáng)了對(duì)條件方差的影響的股票市場(chǎng)回報(bào)，股市波動(dòng)的持續(xù)時(shí)間增加，平滑度降低[33]。Shenbagaraman（2003）利用GARCH 模型族研究了印度S&PCNXNifty 指數(shù)期權(quán)合約上市后對(duì)現(xiàn)貨市場(chǎng)的影響[34]。Yue（2001）利用GARCH 族模型研究了我國(guó)股票市場(chǎng)的收益，結(jié)果表明，我國(guó)股票市場(chǎng)的收益不僅存在條件異方差性，而且存在聚集性、持續(xù)性和不對(duì)稱性[35]。Katsiampa （2017）使用GARCH 系列模型探索了關(guān)于比特幣價(jià)格數(shù)據(jù)擬合的最佳條件異方差模型[36]。AR-CGARCH 模型被認(rèn)為是最好的，強(qiáng)調(diào)了包括條件方差的短期和長(zhǎng)期組成部分的重要性。

DONG（2017）在GARCH 模型中引入虛擬變量來分析股指期貨引入后對(duì)股票現(xiàn)貨市場(chǎng)波動(dòng)性的影響，結(jié)果表明，上證50 和中證500 股指期貨的引入都降低了股指期貨的波動(dòng)性，然而現(xiàn)貨市場(chǎng)相應(yīng)標(biāo)的指數(shù)跌幅卻很小[37]。此外，Liu 和Hung（2010）驗(yàn)證了非對(duì)稱GARCH 模型在預(yù)測(cè)股市回報(bào)波動(dòng)方面具有更高的準(zhǔn)確性[38]。So &Yu（2006）研究了七個(gè)GARCH 模型在不同置信水平下估計(jì)風(fēng)險(xiǎn)價(jià)值的效果, 結(jié)果表明，在估計(jì)1% 的風(fēng)險(xiǎn)價(jià)值時(shí)，固定GARCH模型和部分集成的GARCH 模型都擊敗了風(fēng)險(xiǎn)矩陣模型[39]。雖然大多數(shù)收益序列都具有肥尾分布并滿足長(zhǎng)記憶特性，但在計(jì)算風(fēng)險(xiǎn)值時(shí)，更有必要考慮具有肥尾誤差的模型。股票市場(chǎng)數(shù)據(jù)中也可能出現(xiàn)不對(duì)稱行為，其中T 誤差模型在估計(jì)多頭頭寸1% 的風(fēng)險(xiǎn)價(jià)值方面優(yōu)于常規(guī)誤差模型，但在空頭頭寸方面則不然。在匯率數(shù)據(jù)中，沒有發(fā)現(xiàn)這種差異。

2008 年全球金融危機(jī)以來，EPU 水平不斷上升,這使得探討EPU 對(duì)我國(guó)股市波動(dòng)的影響成為一個(gè)有趣的話題。此外，研究經(jīng)濟(jì)政策調(diào)控對(duì)我國(guó)股市的影響，有助于我們了解股市異常波動(dòng)，也有助于理解宏觀經(jīng)濟(jì)波動(dòng)。本論文將用EPU 指數(shù)衡量經(jīng)濟(jì)政策調(diào)控Baker &Bloom （2015）[3]，分析EPU 對(duì)我國(guó)股市波動(dòng)性的影響。

二、模型設(shè)定

（一）ARCH 和GARCH 模型

Engle（1982）提出ARCH 模型來解決傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)第二個(gè)假設(shè)中時(shí)間序列變量方差恒定所帶來的問題[4]。而它的主要核心就是方差在t 時(shí)刻受到擾動(dòng)項(xiàng)的影響，ARCH（q）模型采用如下形式表示。

平均方程：

方差方程：

ARCH 模型提出后，在經(jīng)濟(jì)金融領(lǐng)域取得了巨大成功，但也存在很多不足。Zhou（2018）提到，ARCH 模型假設(shè)波動(dòng)性取決于擾動(dòng)信息歷史數(shù)據(jù)的二次平方項(xiàng)，即對(duì)正負(fù)價(jià)格擾動(dòng)具有相同的響應(yīng)，這與現(xiàn)實(shí)生活存在顯著差異[11]。其次，高階ARCH 模型的應(yīng)用限制太大，對(duì)相關(guān)參數(shù)的要求非常高，因此其應(yīng)用受到很大限制，不能很好地?cái)M合超峰度的現(xiàn)實(shí)數(shù)據(jù)。第三，ARCH 模型形式化地刻畫了條件方差，但很難解釋條件方差的真正原因。最后，ARCH 模型對(duì)收益序列中的奇異值擾動(dòng)現(xiàn)象不敏感，導(dǎo)致波動(dòng)率的預(yù)測(cè)結(jié)果往往偏高。

Bollerslev（1986）年對(duì)ARCH 模型進(jìn)行了修改和增強(qiáng)，進(jìn)一步放寬了ARCH 過程的使用條件，可以將其視為擬合無限形式的ARCH 模型[5]。條件方程如下。

平均方程：

方差方程：

GARCH 模型開創(chuàng)了ARCH 模型的時(shí)代。但仍然沒有解決早期ARCH 模型中條件異方差依賴于隨機(jī)擾動(dòng)大小而不考慮正負(fù)的問題。本論文指定的GARCH 模型為：

平均方程：

方差方程：

（7）式中為條件方差，q 為ARCH 的階數(shù)，是自回歸GARCH 的階數(shù)，是個(gè)EPU 的順序。為了確保條件方差為正，。

（二）數(shù)據(jù)來源

本文選取上證指數(shù)和深圳成指來代表我國(guó)股市的波動(dòng)性，使用來自商業(yè)分析和數(shù)字經(jīng)濟(jì)中心的EPU 數(shù)據(jù)。使用并對(duì)比Bloom,Baker& Davis（2015）中的分析方法,本文采用的我國(guó)EPU 指數(shù)與Bloom,Baker& Davis 采用的我國(guó)EPU 指數(shù)相比具有許多優(yōu)勢(shì)[3]。首先，在VAR 實(shí)踐中，該指數(shù)優(yōu)于SCMP 指數(shù)；其次，為了供金融專業(yè)人士和普通公眾使用，網(wǎng)站創(chuàng)建了每日指數(shù)以及其他針對(duì)特定政策的EPU 指數(shù)；最后使用各種報(bào)紙進(jìn)行反復(fù)檢查，以確認(rèn)EPU指數(shù)在質(zhì)量上不受媒體的影響。本文選取2010 年1 月4 日至2021 年9 月30 日（不含節(jié)假日等）共2857 個(gè)觀測(cè)數(shù)據(jù)，使用EViews10 對(duì)數(shù)據(jù)進(jìn)行分析處理。上證指數(shù)和深圳成指數(shù)據(jù)取自CSMAR 數(shù)據(jù)庫(kù)，我國(guó)經(jīng)濟(jì)調(diào)控指數(shù)（EPU）數(shù)據(jù)取自網(wǎng)站（https://cbade.hkbu.edu.hk/epu-mainland-china/）。為了消除效應(yīng)量綱效應(yīng)，將上證指數(shù)和深證指數(shù)數(shù)據(jù)分別乘以10，得到上證指數(shù)調(diào)整后的收益和深證指數(shù)調(diào)整后的收益，EPU 數(shù)據(jù)未經(jīng)處理。

三、實(shí)證分析

（一）描述性分析

由圖1 可見，上證成指在2014 年至2016 年經(jīng)歷了一些波動(dòng)，經(jīng)過兩年的“沉寂期”股市又出現(xiàn)了幾次大的波動(dòng)，分別是2018 年、2019 年上半年和2020 年。此外，2010 年至2013 年中期股市的波動(dòng)性較為溫和，但這一時(shí)期的波動(dòng)相對(duì)于2016 年至2017 年的平穩(wěn)時(shí)期更大。最后，2021 年股市波動(dòng)較小，沒有出現(xiàn)極值。

圖1 上證指數(shù)日調(diào)整收益：2010～2021 年

由圖2 可見，深圳成指2014 年至2016 年的波動(dòng)趨勢(shì)與上證指數(shù)相似，但2010 年至2013 年的波動(dòng)也更為劇烈。2010 年和2013 年出現(xiàn)了大幅波動(dòng)，這是由于2010 年資本市場(chǎng)政策調(diào)整、創(chuàng)新舉措較多，1 月8 日開始的融資和融資量、股指期貨獲批，被市場(chǎng)解讀為利好。2013 年是全年暫停IPO 的一年，而且2018 年到2020 年的波動(dòng)也比較大，其原因與上證指數(shù)類似。但與上證指數(shù)不同的是，深圳成指2021 年跌幅更大。

圖2 2010～2021 年深圳成指每日調(diào)整回報(bào)率

從兩個(gè)股指的波動(dòng)趨勢(shì)可以看出，2017～2018 年時(shí)間段內(nèi)兩個(gè)系列的波動(dòng)較為平滑，且均值大于且接近于0，表明當(dāng)時(shí)我國(guó)股市的整體波動(dòng)性不是很高，但深圳成指的波動(dòng)比上證指數(shù)更大。而且，通過橫向比較上證指數(shù)和深證指數(shù)的波動(dòng)趨勢(shì)，可以看出，兩個(gè)指數(shù)的波動(dòng)趨勢(shì)基本一致。

我國(guó)EPU 指數(shù)日收益率如圖3 所示,我國(guó)的EPU 波動(dòng)性在經(jīng)濟(jì)衰退期間達(dá)到頂峰。有些年份波動(dòng)較大，如2011年以后經(jīng)濟(jì)受到歐元區(qū)危機(jī)的影響；2018 年中美貿(mào)易戰(zhàn)。此外，周一和周五EPU 數(shù)據(jù)的大幅波動(dòng)表明，我國(guó)的經(jīng)濟(jì)政策傾向于在周五公布，這是因?yàn)橐话阕C監(jiān)會(huì)的經(jīng)濟(jì)政策都在周五下午3 點(diǎn)后公布?？傮w來看，2011 年以來我國(guó)EPU 指數(shù)波動(dòng)趨勢(shì)緩慢下降，而其他年份我國(guó)EPU 指數(shù)值波動(dòng)相對(duì)穩(wěn)定。另外，EPU 的hp 濾波顯示，2010 年2012年以前均高于均值，2012 年以后則基本低于均值。

表1 股票指數(shù)和經(jīng)濟(jì)政策調(diào)控指數(shù)的描述性統(tǒng)計(jì)

圖3 2010～2021 年我國(guó)經(jīng)濟(jì)政策調(diào)控指數(shù)日回報(bào)率

由上表可見，最大值和最小值之間的差異也比較大，這表明上證指數(shù)和深證指數(shù)的集中度都比較弱。經(jīng)濟(jì)政策調(diào)控最大值與最小值差距較大，表明樣本期內(nèi)經(jīng)濟(jì)政策調(diào)控指數(shù)波動(dòng)較大。上證指數(shù)的標(biāo)準(zhǔn)差最小，表明該系列的離散性最小，EPU 的最大標(biāo)準(zhǔn)差表明該序列更加離散。

從偏度和峰度來看，上證指數(shù)和深股指數(shù)收益波動(dòng)率的偏度均為負(fù)值，呈現(xiàn)出左偏趨勢(shì)，這是大多數(shù)國(guó)際證券市場(chǎng)的典型特征。上證指數(shù)和深證指數(shù)的峰度分別為6.27和8.66，峰度均大于3，表明兩個(gè)指數(shù)系列均存在顯著的尖峰現(xiàn)象。另外，經(jīng)濟(jì)政策調(diào)控的偏度值大于0，峰度值大于3，這表明EPU 數(shù)據(jù)存在右偏分布和尖峰現(xiàn)象?？梢钥闯?，上證指數(shù)和深圳成指收益序列均具有峰高肥尾的特征，并且這一特征在股市中更為顯著。

由表2 可見：上證指數(shù)、深證指數(shù)之間的相關(guān)性為0.927，相關(guān)系數(shù)大于0.7 以上，表明上證指數(shù)和深證指數(shù)均具有強(qiáng)相關(guān)性。EPU 指數(shù)與深成指數(shù)的相關(guān)系數(shù)為-0.005，呈負(fù)相關(guān)。當(dāng)深成指數(shù)值較大時(shí)，經(jīng)濟(jì)政策調(diào)控值較小，但兩者之間的負(fù)相關(guān)性較弱。深成指數(shù)和EPU之間相關(guān)性也較低。

表2 描述股票指數(shù)與EPU 之間的相關(guān)性

（二）結(jié)果及分析

（1）GARCH 模型（SSE）實(shí)證分析結(jié)果

根據(jù)表3 的回歸結(jié)果，可得均值方程：

方差方程：

從均值方程可以看出，上證指數(shù)的滯后收益系數(shù)為0.0249，該值較小，p 值未能通過5%顯著性水平的顯著性檢驗(yàn)。這說明上證指數(shù)本期收益率與前期收益率相關(guān)性并不顯著。這可能是由于本文使用的樣本數(shù)量不足，以及市場(chǎng)干擾因素相對(duì)較多導(dǎo)致的（Wang，2021）[10]。Cheng（2014）的結(jié)果表明AR（1）也不足以模擬上證指數(shù)的回報(bào)[40]。從方差方程中可以看出，殘差項(xiàng)的平方系數(shù)為0.056，通過了5%顯著性水平的顯著性檢驗(yàn)，表明市場(chǎng)消息對(duì)市場(chǎng)價(jià)格波動(dòng)影響較小，信息傳播良好。波動(dòng)率滯后項(xiàng)的系數(shù)為0.938，數(shù)值較大，在5%的顯著性水平上通過了顯著性檢驗(yàn)。這表明過去一段時(shí)間的信息對(duì)市場(chǎng)波動(dòng)的影響是相對(duì)持久的，這也證實(shí)了我國(guó)股市波動(dòng)性的聚集效應(yīng)。

從經(jīng)濟(jì)政策調(diào)控對(duì)波動(dòng)性的影響來看，隨著經(jīng)濟(jì)政策調(diào)控滯后數(shù)的增加，該因素對(duì)波動(dòng)性的影響程度變小。EPU（-1）項(xiàng)的系數(shù)為0.196，表明經(jīng)濟(jì)政策調(diào)整對(duì)上證指數(shù)收益率的波動(dòng)性有正向貢獻(xiàn)，系數(shù)t 檢驗(yàn)中的p 值為0，小于0.05，表明它通過了5%的顯著性檢驗(yàn)。EPU（-2）項(xiàng)的系數(shù)為-0.125，表明經(jīng)濟(jì)政策調(diào)整對(duì)上證指數(shù)收益波動(dòng)具有抑制作用。此外，系數(shù)t 檢驗(yàn)的P 值為0.0128，小于0.05，通過了5%顯著性水平檢驗(yàn)，表明經(jīng)濟(jì)政策調(diào)整對(duì)上證指數(shù)收益波動(dòng)具有顯著的抑制作用。EPU（-3）項(xiàng)的系數(shù)為-0.12，表明經(jīng)濟(jì)政策調(diào)整對(duì)上證指數(shù)收益波動(dòng)性有抑制作用，系數(shù)t 檢驗(yàn)中的p 值為0.668，大于0.05，表明未通過5%顯著性水平檢驗(yàn)。這表明，隨著經(jīng)濟(jì)政策調(diào)控滯后期的增加，對(duì)上證指數(shù)收益波動(dòng)的影響變得不顯著。EPU（-4）項(xiàng)的系數(shù)為0.09，表明經(jīng)濟(jì)政策調(diào)整對(duì)上證指數(shù)收益波動(dòng)性有正向貢獻(xiàn)，系數(shù)t 檢驗(yàn)中的P 值為0.1521，大于0.05，表明它沒有通過5%顯著性水平檢驗(yàn)。EPU（-5）項(xiàng)的系數(shù)為-0.041，表明經(jīng)濟(jì)政策調(diào)整對(duì)上證指數(shù)收益波動(dòng)具有抑制作用，系數(shù)t 檢驗(yàn)中的p 值為0.2884，比0.05 大，表明未通過5%顯著性檢驗(yàn)。

EPU 對(duì)上證指數(shù)回報(bào)的影響隨著時(shí)間的推移而減弱?？傮w而言，從變量EPU 的滯后期系數(shù)來看，經(jīng)濟(jì)政策調(diào)控因素對(duì)上證收益率波動(dòng)的影響方向隨時(shí)間存在交替變化。

（2）GARCH 模型（SZI）實(shí)證分析結(jié)果

由表4 可知：深成指數(shù)滯后收益系數(shù)為0.02227，且未通過5%顯著性水平的顯著性檢驗(yàn)，表明深成指數(shù)本期收益與上期收益之間的相關(guān)性不明顯。這與實(shí)際情況不符，可能是由于本文使用的樣本量不足所致。

表4 GARCH 模型與SZI 的經(jīng)驗(yàn)結(jié)果

從方差方程中可以看出，殘差項(xiàng)的平方系數(shù)為0.047，接近5%表明市場(chǎng)消息對(duì)市場(chǎng)價(jià)格波動(dòng)影響較小，信息傳播良好。波動(dòng)率滯后項(xiàng)的系數(shù)為0.943，數(shù)值較大，在5%的顯著性水平上通過了顯著性檢驗(yàn)。這也證明了深圳成指的波動(dòng)是聚集性的。另外，殘差平方項(xiàng)和一期滯后方差項(xiàng)的系數(shù)均小于1，表明模型滿足穩(wěn)定?？傮w而言，從經(jīng)濟(jì)政策調(diào)控對(duì)波動(dòng)性的影響來看，隨著經(jīng)濟(jì)政策調(diào)控滯后數(shù)的增加，該因素對(duì)波動(dòng)性的影響程度越來越小，但一定滯后期影響程度會(huì)突然加大，說明政策有調(diào)控區(qū)間。

EPU（-1）項(xiàng)的系數(shù)為0.369，表明經(jīng)濟(jì)政策調(diào)整對(duì)深圳成指收益波動(dòng)性有正向貢獻(xiàn)，系數(shù)t 檢驗(yàn)的P 值為0，小于0.05，通過了5%顯著性水平檢驗(yàn)。EPU（-2）項(xiàng)的系數(shù)為-0.257，表明經(jīng)濟(jì)政策調(diào)整對(duì)深圳成指收益波動(dòng)有抑制作用，t 檢驗(yàn)中的p 值為0.0001，小于0.05，通過了5%顯著性水平檢驗(yàn)，表明經(jīng)濟(jì)政策調(diào)控因素對(duì)深圳成指收益波動(dòng)具有顯著抑制作用。EPU（-3）項(xiàng)的系數(shù)為-0.251，表明經(jīng)濟(jì)政策調(diào)整對(duì)深圳成指收益波動(dòng)性有抑制作用，t檢驗(yàn)中的p 值為0.026，小于0.05，通過了5%顯著性檢驗(yàn)；這表明，隨著經(jīng)濟(jì)政策調(diào)控滯后期的增加，對(duì)深圳成指回報(bào)率的波動(dòng)性有顯著影響。EPU（-4）項(xiàng)的系數(shù)為0.35，表明經(jīng)濟(jì)政策調(diào)整對(duì)深圳成指收益率的波動(dòng)具有正向促進(jìn)作用，t 檢驗(yàn)中的p 值為0.0006，小于0.05，通過了5%顯著性水平檢驗(yàn)。然而，EPU（-5）項(xiàng)的系數(shù)為-0.087，表明經(jīng)濟(jì)政策的調(diào)整對(duì)深圳成指收益的波動(dòng)具有抑制作用，t 檢驗(yàn)的P 值為0.1082，大于0.05，未通過5%顯著性水平檢驗(yàn)。

隨著時(shí)間的推移，EPU 對(duì)股票回報(bào)的影響越來越小。通過統(tǒng)計(jì)描述分析，得出深股通收益波動(dòng)具有波動(dòng)集群的特征，即過去的股市波動(dòng)影響未來的走勢(shì)。上證指數(shù)和深成指數(shù)回報(bào)序列穩(wěn)定，不服從正態(tài)分布。此外，比較經(jīng)濟(jì)政策調(diào)控對(duì)兩地股票波動(dòng)性的影響，我們發(fā)現(xiàn)EPU（-1）和EPU（-2）對(duì)上證指數(shù)股票的回報(bào)率有顯著影響，但深交所股票的回報(bào)率受EPU（-1）、EPU（-2）、EPU（-3）和EPU（-4）影響顯著。這意味著經(jīng)濟(jì)政策的調(diào)整對(duì)深交所股票回報(bào)的影響更為深遠(yuǎn)。

四、結(jié)論和建議

首先，研究經(jīng)濟(jì)政策調(diào)控對(duì)股市波動(dòng)的影響對(duì)于我國(guó)經(jīng)濟(jì)發(fā)展和金融穩(wěn)定有積極意義。其次，股票市場(chǎng)作為交通便利、公眾廣泛參與的交易場(chǎng)所，能夠準(zhǔn)確、實(shí)時(shí)地反映宏觀經(jīng)濟(jì)運(yùn)行情況，研究經(jīng)濟(jì)政策調(diào)控與股票市場(chǎng)的聯(lián)動(dòng)效應(yīng)可以解釋政策對(duì)股市的影響。最后，實(shí)證結(jié)果可以為股票市場(chǎng)參與者提供投資建議，并為宏觀調(diào)控、決策效率、市場(chǎng)監(jiān)管、股市發(fā)展穩(wěn)定提供一定的參考。