王際皓,王維國(guó)

(東北財(cái)經(jīng)大學(xué) 經(jīng)濟(jì)學(xué)院,遼寧 大連 116025)

一、引言

當(dāng)前,中國(guó)經(jīng)濟(jì)發(fā)展面臨諸多不確定性因素。一方面,體制性、結(jié)構(gòu)性和周期性問題制約中國(guó)經(jīng)濟(jì)發(fā)展,產(chǎn)能過剩問題突出,供需錯(cuò)配矛盾凸顯,原有依賴投資的經(jīng)濟(jì)增長(zhǎng)動(dòng)力衰竭,經(jīng)濟(jì)承受較大的下行壓力。另一方面,世界經(jīng)濟(jì)增長(zhǎng)動(dòng)能乏力,貿(mào)易保護(hù)主義與貿(mào)易制裁頻發(fā),全球新冠肺炎疫情反復(fù)等外部環(huán)境因素充滿變數(shù)。與此同時(shí),中國(guó)金融市場(chǎng)也不乏不確定性因素,中小微企業(yè)的違約風(fēng)險(xiǎn)升高,房地產(chǎn)市場(chǎng)個(gè)別企業(yè)風(fēng)險(xiǎn)開始暴露,國(guó)外市場(chǎng)金融資產(chǎn)泡沫風(fēng)險(xiǎn)集聚。種種不確定性因素已成為中國(guó)經(jīng)濟(jì)和金融發(fā)展中棘手的難題,一旦不確定性因素發(fā)力,對(duì)中國(guó)實(shí)體經(jīng)濟(jì)和金融市場(chǎng)的沖擊將是不容忽視的。

不確定性的測(cè)度是量化不確定性因素的常用方式。Jurado等認(rèn)為經(jīng)濟(jì)和金融不確定性為經(jīng)濟(jì)和金融系統(tǒng)中非預(yù)期波動(dòng)的共性成分,其中,非預(yù)期波動(dòng)是指不確定性中不包含可預(yù)期成分,而共性成分則是指不確定性不受少數(shù)指標(biāo)個(gè)體不確定性異常值的影響[1]。本文沿用這一定義并對(duì)經(jīng)濟(jì)和金融不確定性加以區(qū)分,具體而言,經(jīng)濟(jì)不確定性聚焦于實(shí)體經(jīng)濟(jì)層面的不確定性,與其對(duì)應(yīng)的經(jīng)濟(jì)指標(biāo)集剔除反映金融市場(chǎng)運(yùn)行情況的指標(biāo);金融不確定性強(qiáng)調(diào)金融市場(chǎng)整體的不確定性,與其對(duì)應(yīng)的金融指標(biāo)集不再局限于證券市場(chǎng)。此種區(qū)分方式,是準(zhǔn)確識(shí)別經(jīng)濟(jì)和金融不確定性源頭,并分析二者不確定性階段性波動(dòng)中共性與特性形成原因的必要前提。此外,如何從數(shù)據(jù)預(yù)處理和不確定性建模維度,對(duì)經(jīng)濟(jì)和金融不確定性測(cè)度的準(zhǔn)確性進(jìn)行有效提升?如何理解經(jīng)濟(jì)和金融不確定性的經(jīng)濟(jì)含義?如何合理劃分經(jīng)濟(jì)和金融不確定性所處的階段,并解釋不同階段特征的成因?對(duì)上述問題的回答,有利于科學(xué)地把握經(jīng)濟(jì)和金融不確定性的程度與未來發(fā)展趨勢(shì),提升中國(guó)抵御不確定性因素的能力,最終實(shí)現(xiàn)保障實(shí)體經(jīng)濟(jì)和金融市場(chǎng)平穩(wěn)健康發(fā)展的目標(biāo)。

圍繞上述研究目標(biāo),本文開展兩方面的研究工作:其一,本文從不確定性信息集的構(gòu)建、季節(jié)調(diào)整、數(shù)據(jù)降維三個(gè)方面改進(jìn)現(xiàn)有方法,在數(shù)據(jù)準(zhǔn)備和預(yù)處理階段數(shù)據(jù)質(zhì)量得到提升,不確定性測(cè)度的準(zhǔn)確性得以保證;其二,本文運(yùn)用TVP-SVM模型測(cè)算經(jīng)濟(jì)和金融不確定性并分析其階段性波動(dòng)的原因,拓展后的模型充分挖掘變量間的非線性關(guān)系,降低不確定性的測(cè)度偏誤。

二、文獻(xiàn)綜述

現(xiàn)有與不確定性測(cè)度相關(guān)的文獻(xiàn)較為豐富,由于不確定性定義和數(shù)據(jù)類型差異的存在,學(xué)者采用的測(cè)度方法也有所不同。整體而言,有關(guān)不確定性測(cè)度方法可大致歸納為以下四類:

第一類是單一指標(biāo)波動(dòng)率法。此方法通過計(jì)算單一指標(biāo)的波動(dòng)率作為不確定性的代理變量,具有計(jì)算難度低、快速易得的特點(diǎn)。王義中和宋敏運(yùn)用GARCH模型計(jì)算季度GDP的條件波動(dòng)率測(cè)度經(jīng)濟(jì)不確定性[2];劉玉榮等應(yīng)用SV模型計(jì)算股票市場(chǎng)的波動(dòng)率作為經(jīng)濟(jì)不確定性[3];Bloom、魯曉東等使用波動(dòng)率指數(shù)(VIX)作為經(jīng)濟(jì)不確定性的代理指標(biāo)[4-5]。

第二類是關(guān)鍵詞頻率法。Baker等統(tǒng)計(jì)美國(guó)十家主流報(bào)紙報(bào)道中出現(xiàn)的與不確定性高度相關(guān)的關(guān)鍵詞頻率作為經(jīng)濟(jì)政策不確定性[6]。借鑒此方法,Husted等構(gòu)建美聯(lián)儲(chǔ)貨幣政策不確定性[7];Davis等依據(jù)《人民日?qǐng)?bào)》和《光明日?qǐng)?bào)》測(cè)算1949年至今的中國(guó)經(jīng)濟(jì)政策不確定性[8];Bontempi等通過谷歌趨勢(shì)數(shù)據(jù)的搜索量指數(shù)構(gòu)建宏觀經(jīng)濟(jì)不確定性[9]。

第三類是離散程度或預(yù)測(cè)偏差法。該方法基于有關(guān)經(jīng)濟(jì)預(yù)測(cè)的專業(yè)調(diào)查數(shù)據(jù),或測(cè)算數(shù)據(jù)的截面離散程度,或測(cè)算真實(shí)值與預(yù)測(cè)值的偏差得到不確定性指數(shù)。Bachmann等使用德國(guó)企業(yè)商業(yè)景氣調(diào)查數(shù)據(jù)計(jì)算預(yù)測(cè)偏差得到不確定性指數(shù)[10];Leduc和Liu使用汽車市場(chǎng)預(yù)期調(diào)查數(shù)據(jù)得到消費(fèi)者預(yù)測(cè)的不確定性[11];Ma和Samaniego基于美國(guó)機(jī)構(gòu)經(jīng)理人估計(jì)數(shù)據(jù)以全體樣本企業(yè)絕對(duì)預(yù)測(cè)誤差的中位數(shù)測(cè)度行業(yè)不確定性[12]。

第四類是高維數(shù)據(jù)的條件波動(dòng)率法。此方法認(rèn)為經(jīng)濟(jì)和金融不確定性是對(duì)整體經(jīng)濟(jì)和金融環(huán)境非預(yù)期波動(dòng)的真實(shí)反映,不依賴于單一指標(biāo)的波動(dòng)性。Jurado等選擇279個(gè)經(jīng)濟(jì)和金融指標(biāo)測(cè)度美國(guó)經(jīng)濟(jì)不確定性和金融不確定性[1]。借鑒此方法,黃卓等測(cè)度中國(guó)金融不確定性并研究其對(duì)金融系統(tǒng)性風(fēng)險(xiǎn)的影響[13];馬丹等編制中國(guó)宏觀經(jīng)濟(jì)不確定性并分析政策對(duì)其影響[14];鄧創(chuàng)和吳超測(cè)量中國(guó)經(jīng)濟(jì)和金融不確定性并探究二者對(duì)經(jīng)濟(jì)波動(dòng)的作用機(jī)制[15]。

上述測(cè)度不確定性的方法存在以下問題。首先,單一指標(biāo)波動(dòng)率法無法測(cè)算不確定性的共性部分。經(jīng)濟(jì)和金融不確定性應(yīng)代表經(jīng)濟(jì)和金融環(huán)境的整體情況,單一指標(biāo)測(cè)算的不確定性不僅依賴于指標(biāo)的選擇,且其階段性特征具有鮮明的個(gè)體異質(zhì)性。此外,較為常用的VIX指數(shù)與金融市場(chǎng)高度相關(guān),指數(shù)的波動(dòng)情況多代表投資者風(fēng)險(xiǎn)厭惡程度的變化,并不能準(zhǔn)確反映經(jīng)濟(jì)和金融不確定性。其次,關(guān)鍵詞頻率法不具備不確定性的非預(yù)期特點(diǎn)。新聞報(bào)道或互聯(lián)網(wǎng)搜索是一種反映人們預(yù)期的自選擇行為,這種預(yù)期的準(zhǔn)確與否并不存在客觀的參考加以驗(yàn)證。因此,該方法僅統(tǒng)計(jì)出預(yù)期部分,而作為不確定性的非預(yù)期部分則無法計(jì)算。再次,離散程度或預(yù)測(cè)偏差法存在樣本數(shù)量有限的問題。采用該方法盡管滿足非預(yù)期性,然而受限于樣本數(shù)量,不可避免地存在片面性,且調(diào)查結(jié)果更多體現(xiàn)個(gè)體的意見分歧,并不代表經(jīng)濟(jì)和金融不確定性。最后,第四種方法克服以上三種方法的缺陷,具有以下優(yōu)點(diǎn):第一,使用剔除可預(yù)測(cè)部分后的條件波動(dòng)率作為不確定性的測(cè)度指標(biāo);第二,以高維數(shù)據(jù)估計(jì)得到的個(gè)體不確定性中的共性成分代表經(jīng)濟(jì)和金融不確定性;第三,數(shù)據(jù)均為統(tǒng)計(jì)數(shù)據(jù)而非調(diào)查數(shù)據(jù),保證了數(shù)據(jù)的客觀性。鑒于上述原因,本文采用第四種方法測(cè)度經(jīng)濟(jì)和金融不確定性。

不確定性測(cè)度模型的設(shè)定是獲得準(zhǔn)確不確定性的核心,除此之外,指標(biāo)集的構(gòu)建、季節(jié)調(diào)整模型的設(shè)定、數(shù)據(jù)降維方法的選擇均影響著不確定性的準(zhǔn)確性。通過分析現(xiàn)有文獻(xiàn)的不確定性建模流程,本文發(fā)現(xiàn)以下四點(diǎn)有待改進(jìn)之處:其一,現(xiàn)有文獻(xiàn)存在金融指標(biāo)集中股票市場(chǎng)指標(biāo)比重過大的問題。金融不確定性是金融市場(chǎng)整體不確定性情況的有效反映,股票市場(chǎng)作為子市場(chǎng),其不確定性不足以代表金融不確定性。其二,在數(shù)據(jù)處理中多數(shù)文獻(xiàn)沿用國(guó)外的季節(jié)調(diào)整方法,并未考慮中國(guó)數(shù)據(jù)特有的移動(dòng)和固定假日效應(yīng)等問題。季節(jié)調(diào)整的質(zhì)量決定數(shù)據(jù)的質(zhì)量,是獲得準(zhǔn)確不確定性的根基,因此選擇適合中國(guó)的季節(jié)調(diào)整模型是一項(xiàng)重要的基礎(chǔ)性工作。其三,現(xiàn)有研究忽視了異常值對(duì)不確定性的影響。異常值的存在使主成分法中的公因子包含過多的噪音,顯著降低因子提取公共信息的能力,致使不確定性的準(zhǔn)確性下降。其四,以往文獻(xiàn)多采用常系數(shù)隨機(jī)波動(dòng)方法對(duì)不確定性建模,此模型無法捕捉經(jīng)濟(jì)發(fā)展中的結(jié)構(gòu)性變化,減弱了歷史數(shù)據(jù)的預(yù)測(cè)能力,同樣會(huì)影響不確定性的準(zhǔn)確性。

因此,本文以測(cè)算中國(guó)經(jīng)濟(jì)不確定性和金融不確定性為目標(biāo),通過優(yōu)化現(xiàn)有不確定性建模方法以提升不確定性的準(zhǔn)確性,并對(duì)經(jīng)濟(jì)和金融不確定性的階段性特征加以分析,檢驗(yàn)改進(jìn)后方法有效性的同時(shí),為經(jīng)濟(jì)和金融政策的制定提供經(jīng)驗(yàn)支持。

三、經(jīng)濟(jì)和金融不確定性的構(gòu)建方法

(一)不確定性的測(cè)度

(1)

E[yjt+h|It]代表基于t時(shí)期的條件期望,yjt+h-E[yjt+h|It]為剔除預(yù)期后的非預(yù)期部分,真實(shí)值與預(yù)期之差的條件方差越大,表明個(gè)體不確定性越大。信息集It包括三個(gè)部分:經(jīng)濟(jì)指標(biāo)集、金融指標(biāo)集和補(bǔ)充指標(biāo)集,yjt代表經(jīng)濟(jì)指標(biāo)集和金融指標(biāo)集中的指標(biāo)。以經(jīng)濟(jì)不確定性為例,通過式(1)得到經(jīng)濟(jì)指標(biāo)集中全部指標(biāo)的個(gè)體不確定性,再結(jié)合式(2)的加權(quán)平均法即可獲得經(jīng)濟(jì)不確定性,金融不確定性的獲得同理。

(2)

具體而言,本文采用TVP-SVM模型測(cè)度指標(biāo)yjt的個(gè)體不確定性,此模型相較于常系數(shù)SV模型其優(yōu)勢(shì)有二。其一,模型將常系數(shù)拓展為時(shí)變系數(shù)。考慮到中國(guó)經(jīng)濟(jì)發(fā)展具有的階段性特點(diǎn),經(jīng)濟(jì)和金融數(shù)據(jù)中通常存在短期的結(jié)構(gòu)突變和中長(zhǎng)期的均值漸變,常系數(shù)模型的設(shè)定將低估歷史數(shù)據(jù)的預(yù)期部分并高估條件方差,降低不確定性的準(zhǔn)確性。其二,模型中增加條件方差的均值效應(yīng)項(xiàng)。Benigno、王偉強(qiáng)等發(fā)現(xiàn),DSGE模型穩(wěn)態(tài)解的二階展開形式中存在不確定性的均值效應(yīng)項(xiàng),同時(shí),有關(guān)不確定性與經(jīng)濟(jì)波動(dòng)的研究表明,不確定性是形成經(jīng)濟(jì)波動(dòng)的重要原因,因此在測(cè)算個(gè)體不確定性時(shí)忽略不確定性的均值效應(yīng)項(xiàng)亦為降低不確定性準(zhǔn)確性的可能原因之一[16-17]。測(cè)度不確定性的TVP-SVM模型如下所示:

(3)

(4)

(5)

第二步,估計(jì)TVP-SVM模型的參數(shù)。由于模型中存在隨機(jī)波動(dòng)的均值效應(yīng)項(xiàng),其自身作為待估參數(shù)是未知的,這使得傳統(tǒng)的兩步估計(jì)法失效。本文采用Chan提出的TVP-SVM貝葉斯參數(shù)估計(jì)方法獲得指標(biāo)的個(gè)體不確定性[21],具體步驟如下:

步驟一,抽取不確定性參數(shù)h的后驗(yàn)樣本,其后驗(yàn)分布如式(6)所示。

p(h|y,x,γ,μ,φ,σ2,Ω)=p(h|y,x,γ,μ,φ,σ2)∝p(y|x,γ,h)p(h|μ,φ,σ2)

(6)

步驟二,抽取時(shí)變參數(shù)γ的后驗(yàn)樣本,其后驗(yàn)分布如式(7)所示。

p(γ|y,x,h,μ,φ,σ2,Ω)=p(γ|y,x,h,Ω)

(7)

步驟三,抽取殘差方差參數(shù)Ω,σ2的后驗(yàn)樣本,其聯(lián)合后驗(yàn)分布如式(8)所示。

p(Ω,σ2|y,x,γ,h,μ,φ)=p(Ω|γ)p(σ2|h,μ,φ)

(8)

步驟四,抽取隨機(jī)波動(dòng)方程中參數(shù)μ,φ的后驗(yàn)樣本,其聯(lián)合分布如式(9)所示。

p(μ,φ|y,x,γ,h,σ2,Ω)=p(μ,φ|h,σ2)

(9)

步驟五,循環(huán)步驟一至步驟四,本文設(shè)定循環(huán)次數(shù)為2.5萬次,預(yù)燒樣本為0.5萬個(gè),實(shí)際可用樣本數(shù)為2萬個(gè)。在獲得待估參數(shù)后,應(yīng)用邊際似然函數(shù)法獲得不同子模型下參數(shù)的邊際似然函數(shù)值,最大值對(duì)應(yīng)的模型即為指標(biāo)的最優(yōu)模型,其所對(duì)應(yīng)的個(gè)體不確定性即為最優(yōu)估計(jì)。統(tǒng)計(jì)模型選擇結(jié)果發(fā)現(xiàn),144個(gè)經(jīng)濟(jì)和金融指標(biāo)中,110個(gè)指標(biāo)支持常系數(shù)SV模型。34個(gè)支持變系數(shù)模型的指標(biāo)包括工業(yè)增加值、固定資產(chǎn)投資、社會(huì)消費(fèi)品零售總額、多數(shù)價(jià)格指數(shù)指標(biāo)以及信貸指標(biāo)。這表明TVP-SVM成功識(shí)別數(shù)據(jù)中存在的非線性關(guān)系,提高模型解釋能力的同時(shí),降低不確定性的估計(jì)偏誤。

(二)變量的選擇與數(shù)據(jù)處理

本文信息集的構(gòu)建參考Jurado、黃卓、鄧創(chuàng)、孟浩等的研究成果,由三部分組成:97維中國(guó)經(jīng)濟(jì)指標(biāo)集、47維中國(guó)金融指標(biāo)集和63維補(bǔ)充指標(biāo)集,共包含207個(gè)指標(biāo),數(shù)據(jù)區(qū)間為2002年1月至2020年6月[1,13,22-23]。補(bǔ)充指標(biāo)集中包含15維美國(guó)核心經(jīng)濟(jì)指標(biāo)集、8維國(guó)際大宗商品指標(biāo)集和40維股市收益率指標(biāo)集。其中,經(jīng)濟(jì)、金融和國(guó)際大宗商品指標(biāo)集源于Wind數(shù)據(jù)庫,美國(guó)核心經(jīng)濟(jì)指標(biāo)源于FRED,股市收益率指標(biāo)源于銳思數(shù)據(jù)庫。下面詳細(xì)介紹本文信息集的選取思路,其具體劃分見表1。

表1 信息集的具體劃分情況

中國(guó)經(jīng)濟(jì)指標(biāo)集由產(chǎn)出、投資、消費(fèi)、進(jìn)出口、財(cái)政收支、貨運(yùn)、房地產(chǎn)、貨幣供應(yīng)、價(jià)格及利率,共十部分組成。中國(guó)金融指標(biāo)集由股票市場(chǎng)、債券市場(chǎng)、期貨市場(chǎng)、外匯、信貸和銀行間同業(yè)拆借市場(chǎng),共六部分組成。本文經(jīng)濟(jì)和金融指標(biāo)集的選取思路與鄧創(chuàng)、孟浩等相近[22-23]。具體而言,經(jīng)濟(jì)指標(biāo)集重點(diǎn)反映實(shí)體經(jīng)濟(jì)的運(yùn)行情況,同時(shí)也包含少數(shù)與政策相關(guān)的貨幣發(fā)行與無風(fēng)險(xiǎn)利率數(shù)據(jù);金融指標(biāo)集則突出金融市場(chǎng)整體運(yùn)行情況,覆蓋證券市場(chǎng)、銀行間同業(yè)拆借市場(chǎng)、外匯市場(chǎng)以及信貸市場(chǎng)。相較于Jurado、黃卓等的研究成果,本文指標(biāo)選取思路的不同之處在于兩方面:一方面,金融指標(biāo)集不局限于股市和債市相關(guān)指標(biāo);另一方面,將屬于金融市場(chǎng)的指標(biāo)從經(jīng)濟(jì)指標(biāo)集中剔除,保證經(jīng)濟(jì)指標(biāo)集與金融指標(biāo)集無交集,以使經(jīng)濟(jì)指標(biāo)集更聚焦在實(shí)體經(jīng)濟(jì)層面[1,13]。補(bǔ)充指標(biāo)集是對(duì)經(jīng)濟(jì)和金融指標(biāo)集的擴(kuò)充,其作用在于與經(jīng)濟(jì)和金融指標(biāo)集一并應(yīng)用于主成分的提取,降低模型遺漏重要變量的可能。其中,以美國(guó)為首的經(jīng)濟(jì)體是中國(guó)外部環(huán)境不確定性因素的重要來源,美聯(lián)儲(chǔ)的貨幣政策以及美國(guó)經(jīng)濟(jì)走勢(shì)均會(huì)對(duì)中國(guó)實(shí)體經(jīng)濟(jì)以及金融市場(chǎng)的發(fā)展造成沖擊,影響企業(yè)和家庭的行為決策;BDI指數(shù)(波羅的海干散貨指數(shù))代表全球航運(yùn)成本,是全球貿(mào)易先行指標(biāo),CRB指數(shù)(美國(guó)商品調(diào)查局期貨指數(shù))代表大宗商品價(jià)格,是通貨膨脹的先行指標(biāo),二者反映全球經(jīng)濟(jì)和商品貿(mào)易市場(chǎng)的未來走勢(shì);股市收益率指標(biāo)集由15個(gè)行業(yè)收益率和25個(gè)股票投資組合收益率數(shù)據(jù)構(gòu)成,更全面地刻畫股票市場(chǎng)的收益情況[1,13]。

在數(shù)據(jù)預(yù)處理方面,本文有如下四點(diǎn)說明:第一,工業(yè)增加值以及價(jià)格指數(shù)均為定基數(shù)據(jù),進(jìn)出口數(shù)據(jù)由于無法轉(zhuǎn)換成定基數(shù)據(jù),故保留其同比形式;第二,以社會(huì)消費(fèi)品零售總額為例,先對(duì)商品零售價(jià)格定基指數(shù)加以季節(jié)調(diào)整,將名義值轉(zhuǎn)化為實(shí)際值后再次進(jìn)行季節(jié)調(diào)整得到最終數(shù)據(jù);第三,借鑒Roberts和White對(duì)中國(guó)月度數(shù)據(jù)缺失值的處理方法,使用二月累計(jì)值的平均值替換一二月當(dāng)月的缺失值[24];第四,將全部變量取對(duì)數(shù)差分或差分形式,在滿足數(shù)據(jù)平穩(wěn)性的同時(shí),統(tǒng)一變量所代表的經(jīng)濟(jì)含義,其中利率類和比率數(shù)據(jù)采用差分形式處理,其余指標(biāo)采用對(duì)數(shù)差分形式處理。

在季節(jié)調(diào)整方面,參考國(guó)家統(tǒng)計(jì)局使用的NBS-SA方法對(duì)文獻(xiàn)中常用的X-13-TRAMO/SEATS方法加以拓展。以工業(yè)增加值為例,此數(shù)據(jù)主要存在三種季節(jié)效應(yīng):固定假日效應(yīng)、移動(dòng)假日效應(yīng)和閏年效應(yīng)。其中,固定假日效應(yīng)是由于元旦、勞動(dòng)節(jié)、國(guó)慶節(jié)等節(jié)假日調(diào)休使得其所在月份及上個(gè)月份的工作日天數(shù)發(fā)生變化對(duì)數(shù)據(jù)造成影響;移動(dòng)假日效應(yīng)則是由于春節(jié)、端午節(jié)、中秋節(jié)等以陰歷為參照的節(jié)日對(duì)數(shù)據(jù)產(chǎn)生影響,這些節(jié)日每年的具體時(shí)間按農(nóng)歷計(jì)是非固定的,因此其落在某個(gè)月份的天數(shù)隨年份發(fā)生變化。以春節(jié)為例,除法定假日外,春節(jié)前和春節(jié)后的生產(chǎn)同樣會(huì)受到節(jié)日的影響,且不同的數(shù)據(jù)影響形式也有所不同;閏年效應(yīng)是由于閏年較平年多增加一天而帶來的影響。為此,在季節(jié)調(diào)整時(shí)需對(duì)不同的季節(jié)效應(yīng)針對(duì)性處理,處理方式簡(jiǎn)要總結(jié)如下。其一,針對(duì)固定假日,本文重新統(tǒng)計(jì)日歷中每月的工作日和休息日天數(shù),形成單一工作日變量,調(diào)整時(shí)不考慮移動(dòng)假日對(duì)日歷的影響。其二,對(duì)于移動(dòng)假日,本文設(shè)定節(jié)前、節(jié)中和節(jié)后三個(gè)變量。此處文獻(xiàn)中常用的做法是預(yù)設(shè)天數(shù),本文則借鑒Roberts和White使用的搜索法,針對(duì)不同指標(biāo)通過AICC準(zhǔn)則確定具體天數(shù),春節(jié)搜索上限設(shè)定為節(jié)前20天,節(jié)中10天,節(jié)后20天,端午節(jié)和中秋節(jié)由于假日短,只設(shè)定節(jié)前和節(jié)后兩項(xiàng),搜索上限均為10天[24]。其三,對(duì)閏年效應(yīng),本文引入閏年效應(yīng)項(xiàng)。將上述變量引入季節(jié)調(diào)整模型中,此時(shí)軟件會(huì)給出數(shù)據(jù)中異常的點(diǎn),通過逐一預(yù)設(shè)異常值的時(shí)間點(diǎn)和類型對(duì)數(shù)據(jù)進(jìn)行季節(jié)調(diào)整[注]本文考慮三種類型的異常值:可加性異常值(AO)、暫時(shí)性調(diào)整(TC)和季節(jié)性異常值(SO)。,直至無異常值點(diǎn)并保留顯著的季節(jié)變量,即可獲得季節(jié)調(diào)整后的數(shù)據(jù)。表2展示工業(yè)增加值季節(jié)調(diào)整結(jié)果對(duì)比圖,不難發(fā)現(xiàn)本文的季節(jié)調(diào)整方法在正態(tài)性、獨(dú)立性和季節(jié)性譜峰值的評(píng)價(jià)指標(biāo)上優(yōu)于TRAMO/SEATS方法,證明NBS-SA方法在處理中國(guó)月度數(shù)據(jù)特有的季節(jié)效應(yīng)時(shí)表現(xiàn)更優(yōu)。

表2 工業(yè)增加值季節(jié)調(diào)整結(jié)果對(duì)比

(三)穩(wěn)健稀疏主成分結(jié)果分析

圖1 基于穩(wěn)健標(biāo)準(zhǔn)化的異常值分布圖

圖2 ROSPCA和PCA的碎石圖

圖3 穩(wěn)健稀疏主成分因子載荷系數(shù)圖

圖1表明,信息集在時(shí)間維度上存在異常值,這印證了Bai和Ng的觀點(diǎn)[19]。其中,橫坐標(biāo)代表得分距離,縱坐標(biāo)代表正交距離,垂線為得分距離的截?cái)嘀?水平線為正交距離的截?cái)嘀怠．惓Ｖ祫t是指得分距離或正交距離超過其相應(yīng)截?cái)嘀档臉颖军c(diǎn)。顯而易見,時(shí)間點(diǎn)為203,214,215,217,218,219為異常值點(diǎn),分別代表2018年12月,2019年11月至12月,2020年2月至4月。一方面印證了2019年末至2020年初,中國(guó)經(jīng)濟(jì)下行壓力加大的事實(shí)。另一方面,新冠肺炎疫情期間的異常值說明,疫情的沖擊不局限于少數(shù)經(jīng)濟(jì)指標(biāo),其影響具有“范圍廣,幅度大”的特點(diǎn)。

圖2展示穩(wěn)健稀疏主成分和經(jīng)典主成分的碎石圖。其中,橫坐標(biāo)代表主成分的數(shù)量,縱坐標(biāo)代表主成分所對(duì)應(yīng)的特征值。從圖2可知,穩(wěn)健稀疏主成分?jǐn)?shù)量在6個(gè)以上時(shí),其特征值有明顯的降幅,累計(jì)貢獻(xiàn)較小,故本文最終選取主成分的數(shù)目為5。與之相對(duì),PCA方法的主成分在3個(gè)以上時(shí)特征值降幅明顯,但其累計(jì)貢獻(xiàn)率較低。前10個(gè)及前50個(gè)主成分的累計(jì)貢獻(xiàn)率分別約為55%和88%,ROSPCA前5個(gè)主成分累計(jì)貢獻(xiàn)率約為65%,這足以說明異常值的存在影響PCA主成分的有效性,主成分所包含噪音信息過多致其壓縮信息的能力顯著劣于ROSPCA。

圖3展示出本文所選的5個(gè)主成分的構(gòu)成情況。通過因子載荷值的大小可判定某一個(gè)指標(biāo)在主成分中的相對(duì)貢獻(xiàn)程度。具體結(jié)果如下:第一主成分為利率指標(biāo)(同業(yè)拆借利率和國(guó)債到期收益率);第二主成分為股市因子指標(biāo)(行業(yè)收益率和組合收益率);第三主成分為美國(guó)指標(biāo)(聯(lián)邦基金利率為代表);第四主成分為價(jià)格指標(biāo)(CPI、PPI和PPIRM);第五主成分為房地產(chǎn)市場(chǎng)指標(biāo)(房地產(chǎn)開發(fā)企業(yè)新開工面積和房屋建筑施工面積)。

四、經(jīng)濟(jì)和金融不確定性階段性特征分析

通過TVP-SVM模型得到經(jīng)濟(jì)和金融指標(biāo)集的個(gè)體不確定性后,需對(duì)其賦予權(quán)重,根據(jù)Jurado、黃卓等采用的方法,對(duì)個(gè)體不確定性加權(quán)采用簡(jiǎn)單平均法[1,13]。本文沿用這一思路,考慮到個(gè)體不確定性的異質(zhì)性問題,選用中位數(shù)替代平均數(shù)以保證結(jié)果的穩(wěn)健性。構(gòu)建的不確定性加權(quán)結(jié)果對(duì)比如圖4和圖5所示,其中黑色實(shí)線代表中位數(shù)加權(quán),灰色虛線代表平均數(shù)加權(quán)。易知,中位數(shù)加權(quán)法不確定性的波動(dòng)幅度小,平均數(shù)加權(quán)法易受個(gè)體不確定性異常值影響,波動(dòng)幅度較大。其中,新冠肺炎疫情階段的經(jīng)濟(jì)不確定性平均數(shù)加權(quán)法峰值為3.2,約為全球金融危機(jī)期間中位數(shù)加權(quán)法峰值的3倍,說明其明顯受到異常值的影響;而通過中位數(shù)法的對(duì)比,新冠肺炎疫情階段的峰值不及全球金融危機(jī)期的峰值,但二者較為接近。因此,選擇中位數(shù)替代平均數(shù)加權(quán)是一個(gè)相對(duì)穩(wěn)健且合理的選擇。

表3 不確定性的區(qū)間劃分

圖4 經(jīng)濟(jì)不確定性對(duì)比圖

圖5 金融不確定性對(duì)比圖

圖6和圖7繪制本文測(cè)算的經(jīng)濟(jì)不確定性和金融不確定性,并依據(jù)二者走勢(shì)呈現(xiàn)的峰谷交替特征劃分其自身的運(yùn)行階段,具體方法概述如下。首先,本文使用HP濾波法得到經(jīng)濟(jì)和金融不確定性的趨勢(shì)成分,以粗略判斷波峰與波谷所處的時(shí)間段。其次,本文運(yùn)用分位數(shù)法將經(jīng)濟(jì)和金融不確定性的歷史數(shù)據(jù)劃分成五個(gè)區(qū)間:低、偏低、適中、偏高和高[注]其所對(duì)應(yīng)的分位數(shù)分別為10%、25%、75%和95%。出于穩(wěn)健性考慮,本文選擇5%和95%分位數(shù)與之對(duì)比,結(jié)果發(fā)現(xiàn),在新分位數(shù)下,僅經(jīng)濟(jì)不確定性階段一拐點(diǎn)提前2個(gè)月,階段二拐點(diǎn)提前8個(gè)月且位于趨勢(shì)成分波峰之前,其余拐點(diǎn)無影響。實(shí)際中,只有拐點(diǎn)位于趨勢(shì)成分波峰(谷)之后方可確立新階段的形成,而在10%和95%的分位數(shù)下,所有拐點(diǎn)均滿足這一條件且其高低區(qū)間樣本數(shù)量適中,更符合中國(guó)經(jīng)濟(jì)和金融系統(tǒng)運(yùn)行的實(shí)際情況。,詳情參見表3。最后,經(jīng)濟(jì)和金融不確定性不同階段的拐點(diǎn)種類可歸納為三類:(1)趨勢(shì)成分增速的切換點(diǎn);(2)波谷附近的極小值點(diǎn);(3)波谷(峰)附近若處于低(高)區(qū)間,則選擇最后一次走出此區(qū)間的最低(高)點(diǎn)。

圖6 經(jīng)濟(jì)不確定性及其趨勢(shì)

圖7 金融不確定性及其趨勢(shì)

綜合圖6和表4將經(jīng)濟(jì)不確定性劃分為五個(gè)階段。階段一,2002年6月至2006年5月,經(jīng)濟(jì)不確定性穩(wěn)步下行。2003年第二季度,非典爆發(fā),病例激增,這一公共衛(wèi)生事件對(duì)交通運(yùn)輸業(yè)、旅游業(yè)和餐飲住宿業(yè)造成較大沖擊,GDP增速明顯低于其他季度。從6月份開始,疫情得到控制,經(jīng)濟(jì)逐漸恢復(fù),經(jīng)濟(jì)不確定性從5月份的0.94回落至偏低區(qū)間。階段二,2006年6月至2009年6月,經(jīng)濟(jì)不確定性快速上漲。2007年中國(guó)經(jīng)濟(jì)增長(zhǎng)由偏快向過熱發(fā)展趨勢(shì)凸顯,高增長(zhǎng)伴隨著高通脹,中長(zhǎng)期貸款比重上升并主要流向房地產(chǎn)市場(chǎng)和股市。2008年極端自然災(zāi)害與全球金融危機(jī)疊加,上半年受自然災(zāi)害影響經(jīng)濟(jì)增速下滑,下半年全球金融危機(jī)影響發(fā)力,經(jīng)濟(jì)增速下滑加快。這期間經(jīng)濟(jì)不確定性一路上揚(yáng)并于2008年11月抵達(dá)第二階段的峰值1.05。2008年11月國(guó)家提出四萬億刺激計(jì)劃以保障經(jīng)濟(jì)平穩(wěn)較快增長(zhǎng),借助極度寬松的貨幣政策與政府干預(yù),經(jīng)濟(jì)不確定性開始下行。階段三,2009年7月至2014年末,經(jīng)濟(jì)不確定性回落中伴有震蕩。2009年7月經(jīng)濟(jì)不確定性回落至偏高區(qū)間,中國(guó)經(jīng)濟(jì)也開始企穩(wěn)。2012年經(jīng)濟(jì)增速從高速發(fā)展階段向中高速發(fā)展階段轉(zhuǎn)變,經(jīng)濟(jì)逐步過渡至“新常態(tài)”時(shí)期。這一時(shí)期,經(jīng)濟(jì)不確定性回落并穩(wěn)定在偏高區(qū)間,但在2010年第四季度,CPI不斷上升超出預(yù)期,其個(gè)體不確定性更是自2009年以來首次突破1個(gè)標(biāo)準(zhǔn)差,致使經(jīng)濟(jì)不確定性形成尖峰形態(tài)。階段四,2015年初至2018年9月,經(jīng)濟(jì)不確定性加速下行后低位震蕩。2015年中國(guó)經(jīng)濟(jì)增速步入“6時(shí)代”;2016年起為應(yīng)對(duì)經(jīng)濟(jì)發(fā)展中供需錯(cuò)位的結(jié)構(gòu)性問題,中國(guó)著力推進(jìn)供給側(cè)結(jié)構(gòu)性改革,由于經(jīng)濟(jì)放緩成為事實(shí),經(jīng)濟(jì)不確定性整體下行明顯;2017年世界經(jīng)濟(jì)溫和復(fù)蘇,中國(guó)經(jīng)濟(jì)穩(wěn)中向好,房地產(chǎn)市場(chǎng)迎來嚴(yán)厲調(diào)控,房市得到適度降溫;2018年中國(guó)穩(wěn)步推進(jìn)去杠桿政策,受中美貿(mào)易摩擦影響,中國(guó)采取穩(wěn)健的貨幣政策與積極的財(cái)政政策助力中小微企業(yè)發(fā)展。此階段,經(jīng)濟(jì)不確定性在低和偏低區(qū)間切換。階段五,2018年10月至2020年6月,經(jīng)濟(jì)不確定性快速攀升至全球金融危機(jī)水平。2019年全球經(jīng)濟(jì)增速繼續(xù)放緩,國(guó)內(nèi)外供需市場(chǎng)疲軟,經(jīng)濟(jì)不確定性由偏低過渡至適中。2020年初新冠肺炎疫情爆發(fā),受疫情影響一季度增速同比下降6.8%,二季度增長(zhǎng)3.2%,雖有回暖但明顯低于去年平均增速。經(jīng)濟(jì)不確定性則直線上升,1月步入高區(qū)間后繼續(xù)上漲,于5月達(dá)到此階段峰值1.04,僅次于前一峰值1.05。

綜合圖7和表4可將金融不確定性劃分為六個(gè)階段。階段一,2002年6月至2006年12月,金融不確定性小幅波動(dòng)。2003年4月銀監(jiān)會(huì)成立,中國(guó)人民銀行貨幣政策執(zhí)行能力提升。2005年7月,中國(guó)實(shí)行有管理的浮動(dòng)匯率制度,中國(guó)抵御匯率風(fēng)險(xiǎn)能力進(jìn)一步增強(qiáng),此階段,金融不確定性多數(shù)時(shí)間穩(wěn)定在適中區(qū)間。階段二,2007年1月至2008年10月,金融不確定性顯著增長(zhǎng)。2007年市場(chǎng)中流動(dòng)性過剩,部分資金流向股市,助推股市上行;2007年10月上證指數(shù)破6 000點(diǎn)大關(guān),全年指數(shù)漲幅約為96%,股市賺錢效應(yīng)明顯,金融不確定性同步增長(zhǎng);隨后股市逐步下行,于2008年10月跌至階段最低點(diǎn)1 664.93,股市震蕩加劇,與此同時(shí),金融不確定性增速加快,于2008年10月上漲至階段極大值點(diǎn)1.066。階段三,2008年11月至2012年7月,金融不確定性回落后伴有震蕩。這一階段初期處在全球金融危機(jī)后的恢復(fù)期,上證指數(shù)觸底反彈,市場(chǎng)投資者的情緒逐步恢復(fù)。2009年,創(chuàng)業(yè)板的開設(shè)、試行中小企業(yè)集合票據(jù)等措施,助力中小企業(yè)走出全球金融危機(jī)帶來的融資困境;同年11月,上海清算所成立,金融交易風(fēng)險(xiǎn)和金融市場(chǎng)的系統(tǒng)性風(fēng)險(xiǎn)得到有效控制,金融不確定性回落至適中區(qū)間。2010年下半年,通脹預(yù)期上升疊加融資需求旺盛等因素帶動(dòng)銀行間同業(yè)拆借利率持續(xù)大幅攀升,金融不確定性進(jìn)入偏高區(qū)間。而后,中國(guó)采取穩(wěn)健而非寬松的貨幣政策,人民幣匯率形成機(jī)制改革得到推進(jìn),銀監(jiān)會(huì)加強(qiáng)對(duì)地方融資平臺(tái)風(fēng)險(xiǎn)的監(jiān)管,股指期貨的推出,這一系列舉措保障金融市場(chǎng)在后危機(jī)時(shí)期的良性發(fā)展,金融不確定性回歸適中區(qū)間。階段四,2012年8月至2015年7月,金融不確定性上升至階段峰值。2013年下半年,銀行間同業(yè)拆借利率高點(diǎn)較年內(nèi)低點(diǎn)上漲超50%,市場(chǎng)流動(dòng)性趨緊帶動(dòng)金融不確定性步入偏高區(qū)間。隨后,上證指數(shù)從2014年11月開始上漲,于2015年6月突破5 000點(diǎn),達(dá)到5 178.19點(diǎn),而后一路下跌,于2015年8月跌至2 850.71點(diǎn),跌幅達(dá)45%,這使得金融不確定性在高區(qū)間運(yùn)行,于2015年7月上升至1.043,僅次于前高1.066。階段五,2015年8月至2019年10月,金融不確定性回落至偏低區(qū)間后保持低位運(yùn)行。2015年9月上證指數(shù)企穩(wěn)回升,盡管2016年1月單月跌幅達(dá)22.65%,但影響力不及前期,市場(chǎng)投資者的情緒由恐慌趨于理性,因此這一時(shí)期股票市場(chǎng)對(duì)金融市場(chǎng)整體影響并不突出。2016年10月人民幣正式納入特別提款權(quán)貨幣籃子有助于維持匯率的穩(wěn)定;同年12月深港通正式開通,2017年A股納入MSCI新興市場(chǎng)指數(shù),2019年科創(chuàng)板開板,標(biāo)志著中國(guó)的金融市場(chǎng)機(jī)制逐步完善,資本市場(chǎng)步入新階段。政策方面,2016年互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)專項(xiàng)整治工作正式啟動(dòng),一系列舉措的實(shí)施使得互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)得到有效控制;2017年國(guó)務(wù)院金融穩(wěn)定發(fā)展委員會(huì)成立,2018年中國(guó)銀行保險(xiǎn)監(jiān)督管理委員會(huì)正式成立,金融風(fēng)險(xiǎn)管控效果顯著伴以金融不確定性于低至適中區(qū)間切換。階段六,2019年11月至2020年6月,金融不確定性上漲至階段峰值。2020年初新冠肺炎疫情開始肆虐,企業(yè)大面積停工停產(chǎn),中小微企業(yè)生存狀況不容樂觀。金融不確定性于2020年5月上升至0.97,處于偏高區(qū)間,且未超出前峰值,說明中國(guó)的疫情控制與政策調(diào)控效果顯著,金融不確定性的上升勢(shì)頭得到遏制。

表4 不確定性的階段劃分

綜上分析,本文構(gòu)建的經(jīng)濟(jì)和金融不確定性,其呈現(xiàn)的階段性特征與實(shí)體經(jīng)濟(jì)和金融市場(chǎng)的實(shí)際運(yùn)行情況較為吻合,具有較好的解釋力。特別是,二者在全球金融危機(jī)期和新冠肺炎疫情期呈現(xiàn)高波動(dòng)特征,金融不確定性在此基礎(chǔ)上反映出2015年“股災(zāi)”這一特殊金融事件。

五、結(jié)論與政策啟示

為充分挖掘數(shù)據(jù)的非線性關(guān)系,提升不確定性測(cè)度的準(zhǔn)確性,本文首先構(gòu)建涵蓋實(shí)體經(jīng)濟(jì)、金融市場(chǎng)和外部環(huán)境的207維不確定性信息集并使用NBS-SA方法獲得季節(jié)調(diào)整數(shù)據(jù);其次應(yīng)用ROSPCA方法提取信息集的主成分;最終基于TVP-SVM方法測(cè)度中國(guó)2002年6月至2020年6月的經(jīng)濟(jì)不確定性和金融不確定性,并詳細(xì)分析其階段性特征的成因。本文的研究結(jié)論如下:

第一,本文構(gòu)建的經(jīng)濟(jì)指標(biāo)集保留實(shí)體經(jīng)濟(jì)部分并剔除反映金融市場(chǎng)的指標(biāo),以實(shí)現(xiàn)經(jīng)濟(jì)和金融不確定性的測(cè)度分離;金融指標(biāo)集不再局限于證券市場(chǎng),新增同業(yè)拆借市場(chǎng)、信貸市場(chǎng)以及外匯市場(chǎng),以反映金融市場(chǎng)整體運(yùn)行情況。第二,考慮到季節(jié)調(diào)整中存在的固定假日效應(yīng)、移動(dòng)假日效應(yīng)、閏年效應(yīng)以及異常值,本文采用NBS-SA方法提升季節(jié)調(diào)整數(shù)據(jù)質(zhì)量,此外,鑒于數(shù)據(jù)中存在的異常值影響經(jīng)典主成分的信息提取能力,數(shù)據(jù)降維時(shí)應(yīng)用ROSPCA方法,新方法得到的主成分在信息提取有效性上得到提升的同時(shí),其經(jīng)濟(jì)解釋能力也明顯增強(qiáng)。第三,基于數(shù)據(jù)中存在的結(jié)構(gòu)變化問題,在不確定性建模時(shí)使用TVP-SVM模型,該模型相較于常系數(shù)SV模型引入時(shí)變參數(shù)與隨機(jī)波動(dòng)的均值效應(yīng)項(xiàng),充分刻畫了變量間的非線性關(guān)系,降低不確定性估計(jì)的偏誤。從估計(jì)結(jié)果來看,144個(gè)經(jīng)濟(jì)和金融指標(biāo)中有34個(gè)指標(biāo)拒絕常系數(shù)SV模型,說明TVP-SVM在模型解釋能力上更強(qiáng),所得的經(jīng)濟(jì)和金融不確定性的準(zhǔn)確性得以保證。從階段性特征來看,經(jīng)濟(jì)和金融不確定性有效識(shí)別不同階段實(shí)體經(jīng)濟(jì)和金融市場(chǎng)的不確定性程度,在全球金融危機(jī)和新冠肺炎疫情時(shí)期均快速上升,在新常態(tài)階段均明顯下降。

基于上述研究結(jié)論,本文得到如下政策啟示:(1)經(jīng)濟(jì)和金融不確定性的測(cè)算是一項(xiàng)系統(tǒng)性工作,涉及季節(jié)調(diào)整、數(shù)據(jù)降維、參數(shù)估計(jì)、指標(biāo)加權(quán)、算法優(yōu)化等多模塊,所涉及的知識(shí)體系極為龐大,而每一個(gè)模塊的設(shè)計(jì)都影響著不確定性測(cè)算的準(zhǔn)確性。因此,中國(guó)應(yīng)加強(qiáng)對(duì)不確定性測(cè)算的研究,結(jié)合實(shí)際情況不斷優(yōu)化測(cè)算方法,以提升不確定性測(cè)算的準(zhǔn)確性。(2)經(jīng)濟(jì)和金融不確定性綜合反映中國(guó)實(shí)體經(jīng)濟(jì)和金融市場(chǎng)的運(yùn)行情況,在檢驗(yàn)宏觀政策調(diào)控效果的同時(shí),為未來的政策制定提供參考依據(jù)。因此,中國(guó)應(yīng)加強(qiáng)對(duì)經(jīng)濟(jì)和金融不確定性以及單一指標(biāo)個(gè)體不確定性的監(jiān)測(cè),并配合政策工具使其在合理區(qū)間內(nèi)運(yùn)行,以保障實(shí)體經(jīng)濟(jì)和金融市場(chǎng)的平穩(wěn)健康發(fā)展。