郎鴻裕

摘?要：基于Huang?&?Luk編制的中國經(jīng)濟(jì)政策不確定性指數(shù)以及上證指數(shù)，采用TVP-SV-VAR模型考察我國經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)的動(dòng)態(tài)時(shí)變影響。研究結(jié)果表明：滯后短期的經(jīng)濟(jì)政策不確定性沖擊對(duì)股票市場(chǎng)收益呈現(xiàn)顯著負(fù)向影響，隨著滯后期增長(zhǎng)負(fù)向影響逐漸趨向于零；股票市場(chǎng)波動(dòng)對(duì)短期經(jīng)濟(jì)政策不確定性具有穩(wěn)定的正向影響；經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)的沖擊在不同重大事件時(shí)點(diǎn)呈現(xiàn)分異趨勢(shì)。根據(jù)研究結(jié)論，本文提出相關(guān)政策建議。

關(guān)鍵詞：經(jīng)濟(jì)政策不確定性；股票市場(chǎng)；TVP-SV-VAR模型

中圖分類號(hào)：F23?????文獻(xiàn)標(biāo)識(shí)碼：A??????doi：10.19311/j.cnki.16723198.2023.12.048

0?引言

2008年次貸危機(jī)的爆發(fā)對(duì)世界各國經(jīng)濟(jì)造成不同程度的沖擊，盡管各國積極出臺(tái)一系列刺激政策和救助措施，但世界經(jīng)濟(jì)依然復(fù)蘇緩慢，這引起了學(xué)者的關(guān)注。2013年《世界經(jīng)濟(jì)展望報(bào)告》中，國際貨幣基金組織（IMF）通過研究發(fā)現(xiàn)經(jīng)濟(jì)政策的不確定性會(huì)導(dǎo)致家庭和企業(yè)減少消費(fèi)和投資，是導(dǎo)致世界經(jīng)濟(jì)復(fù)蘇緩慢的重要原因。

為應(yīng)對(duì)新的經(jīng)濟(jì)政策，各經(jīng)濟(jì)主體會(huì)對(duì)即將發(fā)布的政策內(nèi)容及出臺(tái)時(shí)間進(jìn)行預(yù)測(cè)，并依照其預(yù)測(cè)的結(jié)果做出相應(yīng)的市場(chǎng)行為。經(jīng)濟(jì)政策不確定性指經(jīng)濟(jì)主體對(duì)于經(jīng)濟(jì)政策變動(dòng)的方向、影響程度和出臺(tái)時(shí)間不明確。在嚴(yán)峻復(fù)雜的內(nèi)外部形勢(shì)下，考察經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)的動(dòng)態(tài)時(shí)變影響，具有重要的理論和現(xiàn)實(shí)意義?；趦?nèi)部環(huán)境的視角，我國產(chǎn)業(yè)結(jié)構(gòu)不斷優(yōu)化，經(jīng)濟(jì)結(jié)構(gòu)處于戰(zhàn)略性調(diào)整和轉(zhuǎn)型升級(jí)的關(guān)鍵時(shí)期，宏觀調(diào)控發(fā)揮著不可或缺的重要作用?；谕獠凯h(huán)境的視角，我國正面臨“百年未有之大變局”，面對(duì)重大突發(fā)事件如何合理應(yīng)對(duì)經(jīng)濟(jì)政策的不確定性，保障金融穩(wěn)定，防范化解金融風(fēng)險(xiǎn)是國家重點(diǎn)關(guān)注的問題。基于相關(guān)數(shù)據(jù)的視角，我國在2008年次貸危機(jī)、2011年歐債危機(jī)、2015年股災(zāi)、2018年中美貿(mào)易戰(zhàn)以及2020年新冠肺炎疫情發(fā)生時(shí)，經(jīng)濟(jì)政策不確定性指數(shù)迅速上升并到達(dá)階段性峰值，表明經(jīng)濟(jì)系統(tǒng)在這些時(shí)點(diǎn)很可能發(fā)生了結(jié)構(gòu)性突變。股票市場(chǎng)作為金融市場(chǎng)重要組成部分，其波動(dòng)會(huì)通過直接或間接的渠道影響政府政策的出臺(tái)和實(shí)施。因此探究我國經(jīng)濟(jì)政策不確定性與股票市場(chǎng)的時(shí)變影響關(guān)系有助于提高宏觀調(diào)控的科學(xué)性，增強(qiáng)金融系統(tǒng)的穩(wěn)定性。

1?文獻(xiàn)綜述

1.1?經(jīng)濟(jì)政策不確定性與股票市場(chǎng)收益的關(guān)系

國內(nèi)外學(xué)者大多采用Baker?et?al.（2012）發(fā)布的EPU指數(shù)研究經(jīng)濟(jì)政策不確定性與股票市場(chǎng)收益之間的關(guān)系。Sum（2012）以及Sum（2013）分別使用線性回歸和VAR模型研究歐洲和美國經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)收益的單向影響，結(jié)論表明影響程度一般為負(fù)向并且經(jīng)濟(jì)政策不確定性的變化是股票市場(chǎng)收益變化的格蘭杰原因。汪弘等（2018）通過多元回歸分析、時(shí)間序列和定價(jià)分析發(fā)現(xiàn)經(jīng)濟(jì)政策不確定性會(huì)對(duì)未來3個(gè)月的股票市場(chǎng)收益產(chǎn)生顯著的正向影響，是中國股票市場(chǎng)的重要定價(jià)因子。

同時(shí)也有學(xué)者研究表明經(jīng)濟(jì)政策不確定性與股票市場(chǎng)收益之間可能存在雙向影響。Li?et?al.（2016）以中國和印度為研究對(duì)象，采用自助滾動(dòng)窗口因果關(guān)系檢驗(yàn)法，發(fā)現(xiàn)兩個(gè)國家經(jīng)濟(jì)政策不確定性和股票市場(chǎng)收益之間互為格蘭杰因果原因。翟曉英等（2020）以G7國家和金磚國家為研究對(duì)象，發(fā)現(xiàn)G7國家中經(jīng)濟(jì)政策不確定性和股票市場(chǎng)收益之間互為格蘭杰因果關(guān)系，但這一結(jié)論在金磚國家中不成立。

1.2?經(jīng)濟(jì)政策不確定性與股票市場(chǎng)波動(dòng)的關(guān)系

Baker?et?al.（2016）研究公司層面股價(jià)數(shù)據(jù)與經(jīng)濟(jì)政策不確定性的關(guān)系，發(fā)現(xiàn)經(jīng)濟(jì)政策不確定性與公司層面的股票波動(dòng)呈現(xiàn)顯著的正相關(guān)。Yu?et?al.（2018）構(gòu)建GARCH－MIDAS模型，發(fā)現(xiàn)全球經(jīng)濟(jì)政策不確定（GEPU）與中國股市波動(dòng)率之間有顯著正向關(guān)系。卜林等（2020）采用廣義脈沖響應(yīng)函數(shù)和廣義方差分解，發(fā)現(xiàn)中國股市波動(dòng)對(duì)中國經(jīng)濟(jì)政策不確定性具有一定的單向解釋力。潘長(zhǎng)春等（2022）對(duì)中美兩國3種類型經(jīng)濟(jì)政策不確定性和股票市場(chǎng)波動(dòng)性之間的跨類及跨國關(guān)聯(lián)進(jìn)行了靜態(tài)和動(dòng)態(tài)分析，發(fā)現(xiàn)經(jīng)濟(jì)政策不確定性對(duì)中美股票市場(chǎng)波動(dòng)性都存在非對(duì)稱溢出效應(yīng)。

2?模型構(gòu)建與變量選取

2.1?TVP－SV－VAR模型構(gòu)建

考慮到我國當(dāng)前的宏觀經(jīng)濟(jì)結(jié)構(gòu)下經(jīng)濟(jì)變量之間的影響很可能具有時(shí)變特征，帶有隨機(jī)波動(dòng)率的時(shí)變參數(shù)向量自回歸模型（TVP－SV－VAR）可以考察模型變量因經(jīng)濟(jì)政策變動(dòng)引起的動(dòng)態(tài)時(shí)變沖擊，是描述宏觀經(jīng)濟(jì)系統(tǒng)動(dòng)態(tài)時(shí)變特性的較好選擇，因此本文選取TVP－SV－VAR模型進(jìn)行實(shí)證研究。當(dāng)結(jié)構(gòu)向量自回歸模型（SVAR）的參數(shù)具有時(shí)變性時(shí)即為TVP－SV－VAR模型，一般的SVAR模型可以表示如下：

Ayt=B1yt-1+B2yt-2+…+Bsyt-s+μt，t=s+1，…，n（1）

其中，yt是k×1維可觀測(cè)向量，在本文中包括CNEPU、SYR及VOL三個(gè)變量。A，B1，…Bs是k×k維系數(shù)矩陣，μt為結(jié)構(gòu)沖擊矩陣且μt～N0，ΣΣ，μt的標(biāo)準(zhǔn)差為σk。假定矩陣A為下三角矩陣形式，即結(jié)構(gòu)沖擊服從遞歸識(shí)別，參考Nakajima（2011），可將矩陣Σ和A表示為：

Σ=σ1?0?…?00????…??00?…?0?σk，A=1??0?…?0a21???…?…??0ak1?…?ak，k-1?1（2）

將式（1）重寫為簡(jiǎn)化的VAR形式：

yt=ω1yt-1+ω2yt-2+…+ωsyt-s+A-1Σεt，εt～N0，Ik（3）

其中，εt是殘差項(xiàng)，Ik為單位矩陣，ωi=A-1B，i=1，2，…，n；ωi的每一行元素按列排序堆疊得到β，為k2s×1維列向量，定義Xt=Iky′t-1，…，y′t-s，表示克羅內(nèi)克積，由此上述?VAR模型可以表示為下式：

yt=Xtβ+A-1Σεt，t=s+1，…，n（4）

當(dāng)經(jīng)濟(jì)系統(tǒng)發(fā)生結(jié)構(gòu)性突變時(shí)，為刻畫變量之間的非線性關(guān)系，需要式（4）中參數(shù)β、A以及∑具有時(shí)變性，此時(shí)對(duì)應(yīng)的帶有隨機(jī)波動(dòng)的時(shí)變參數(shù)向量自回歸模型（TVP－SV－VAR）模型可表示如下：

yt=Xtβt+A-1tΣtεt，t=s+1，…，n（5）

在式（5）中，參數(shù)βt，At，Σt均已轉(zhuǎn)化為時(shí)變參數(shù)，令α1=α21，α31，…，αk，k-1′表示下三角矩陣At中的元素按行堆疊向量，ht=h1t，h2t，…，hkt′，且hjt=lnσ2jt，j=1，2，…，k;t=s+1，…，n。同時(shí)假定式（5）中的參數(shù)服從如下的隨機(jī)游走過程：

βt+1=βt+uβt，αt+1=αt+uαt，ht+1=αt+uht（6）

εtuβtuαtuht～N0，I0000Σβ0000Σα0000Σh（7）

在式（7）中，βs+1～Nμβ0，Σβ0、αs+1～Nμα0，Σα0、hs+1～Nμh0，Σh0。時(shí)變參數(shù)的隨機(jī)沖擊εt、uβt、uαt、uht之間互不相關(guān)，Σβ、Σα、Σh定義為對(duì)角矩陣。

TVP－SV－VAR模型需要估計(jì)的參數(shù)較多，結(jié)構(gòu)性沖擊方差的隨機(jī)波動(dòng)導(dǎo)致運(yùn)用似然函數(shù)進(jìn)行估計(jì)非常困難，因此本文通過馬爾科夫鏈蒙特卡洛模擬方法（MCMC）進(jìn)行模擬抽樣，抽樣方法使用基于后驗(yàn)分布的Gibbs抽樣。對(duì)于模型的參數(shù)初值，本文設(shè)定μβ0=μα0=μh0=0，Σβ0=Σα0=Σh0=10×Ik，Σβ-2i～Gamma40，0.02，Σα－2i～Gamma4，0.02，Σh－2i～Gamma4，0.02。

此外，設(shè)定抽樣次數(shù)為20000，其中前2000次抽樣為樣本的預(yù)期模擬值，為避免迭代初期不平穩(wěn)情況將前2000次抽樣結(jié)果舍棄，后18000次抽樣用于后驗(yàn)分布的參數(shù)估計(jì)。

2.2?數(shù)據(jù)的選取及處理

本文選取經(jīng)濟(jì)政策不確定性、股票市場(chǎng)收益與股票市場(chǎng)波動(dòng)數(shù)據(jù)展開實(shí)證分析，數(shù)據(jù)選取范圍為2002年1月至2022年1月，數(shù)據(jù)類型為月度數(shù)據(jù)，數(shù)據(jù)來源于Wind數(shù)據(jù)庫以及中國經(jīng)濟(jì)政策不確定性官網(wǎng)（https：//economicpolicyuncertaintyinchina.weebly.com）。各指標(biāo)選取和說明如下。

2.2.2?中國經(jīng)濟(jì)政策不確定性（CNEPU）

Baker?et?al.（2012）發(fā)布的經(jīng)濟(jì)政策不確定性指數(shù)（EPU）被學(xué)者廣泛采納并用于研究，但Baker?et?al.構(gòu)建的中國地區(qū)經(jīng)濟(jì)政策不確定性指數(shù)（EPU）是基于香港的《南華晨報(bào)》英文版計(jì)算得出，沒有將中國內(nèi)地報(bào)紙納入考慮范圍，新聞信息的代表性有所欠缺。有鑒于此，香港浸會(huì)大學(xué)Huang?&?Luk（2020）通過慧科（Wisenews）電子報(bào)紙資訊庫進(jìn)行文本挖掘，選取10份中國內(nèi)地代表性報(bào)紙，重新編制了中國經(jīng)濟(jì)政策不確定指數(shù)（CNEPU）。本文采用此指數(shù)（CNEPU）進(jìn)行后續(xù)實(shí)證分析并采用Baker?et?al.發(fā)布的經(jīng)濟(jì)政策不確定性指數(shù)（EPU）進(jìn)行穩(wěn)健性檢驗(yàn)。參考其他學(xué)者對(duì)于數(shù)據(jù)平穩(wěn)性的處理方法，首先對(duì)中國經(jīng)濟(jì)政策不確定指數(shù)做取對(duì)數(shù)處理。

2.2.3?股票市場(chǎng)收益（SYR）

股票價(jià)格指數(shù)選取上證綜合指數(shù)，該指數(shù)是國內(nèi)最具影響力的股票指數(shù)。本文采用連續(xù)復(fù)利計(jì)算公式對(duì)股票市場(chǎng)收益進(jìn)行計(jì)算：

SYRt=lnPtPt-1（8）

其中，Pt和Pt-1分別表示t時(shí)刻和t-1時(shí)刻上證綜合指數(shù)收盤價(jià)。

2.2.4?股票市場(chǎng)波動(dòng)（VOL）

本文使用歷史波動(dòng)率度量股票市場(chǎng)波動(dòng)，計(jì)算方法如下：選擇一個(gè)時(shí)間窗口n，本文選擇時(shí)間窗口為一個(gè)月；求出股票日波動(dòng)率，即股票日收益率的標(biāo)準(zhǔn)差；最后乘以時(shí)間窗口n的平方根，具體公式如下：

VOL=∑nt=1Rt-Ravg2n-1×n（9）

其中，n表示一個(gè)月中除去閉市的天數(shù)，Rt表示t時(shí)刻上證指數(shù)收益率，Ravg表示一個(gè)月中除去閉市這一階段內(nèi)上證指數(shù)收益率的平均值。

3?實(shí)證結(jié)果與分析

3.1?數(shù)據(jù)的平穩(wěn)性及協(xié)整檢驗(yàn)

本文通過ADF單位根檢驗(yàn)法對(duì)CNEPU、SYR、VOL三個(gè)時(shí)間序列進(jìn)行平穩(wěn)性檢驗(yàn)，表1為ADF單位根檢驗(yàn)的結(jié)果，借助Eviews12.0完成。其中SYR為0階單整平穩(wěn)序列，CNEPU、VOL一階差分后平穩(wěn)。非平穩(wěn)序列很可能出現(xiàn)偽回歸，需要借助協(xié)整檢驗(yàn)進(jìn)行判斷，即檢驗(yàn)變量之間是否存在穩(wěn)定的關(guān)系。協(xié)整檢驗(yàn)的前提是同階單整，因此本文接下來采用CNEPU、SYR、VOL三個(gè)時(shí)間序列序列取一階差分構(gòu)建TVP－SV－VAR模型。

本文采用Johansen協(xié)整檢驗(yàn)的方法判斷CNEPU、SYR、VOL三個(gè)時(shí)間序列是否存在協(xié)整關(guān)系，其思想是采用極大似然估計(jì)檢驗(yàn)多變量之間的協(xié)整關(guān)系。由表2可知，在5%的顯著性水平下，本文所選取的三個(gè)指標(biāo)間不會(huì)產(chǎn)生偽回歸結(jié)果并且存在兩個(gè)長(zhǎng)期穩(wěn)定的關(guān)系。

3.2?參數(shù)估計(jì)與模型診斷

對(duì)于如何確定變量順序，本文根據(jù)時(shí)間序列模型按照外生性的強(qiáng)弱確定變量順序的通常做法，設(shè)定順序?yàn)镃NEPU、SYR、VOL。在進(jìn)行實(shí)證前需要確定模型滯后階數(shù)，估計(jì)結(jié)果見表3。參考姚登寶（2017）根據(jù)VAR模型中的AIC準(zhǔn)則確定最優(yōu)滯后期的做法，并依據(jù)信息準(zhǔn)則最小值原則，確定模型中各變量最優(yōu)滯后期數(shù)為4，因此建立滯后4期的TVP-SV-VAR模型。

基于OxMetrics?6.0平臺(tái)實(shí)現(xiàn)TVP－SV－VAR模型的相關(guān)模擬結(jié)果。使用MCMC算法對(duì)TVP－SV－VAR模型進(jìn)行參數(shù)估計(jì)并通過Geweke檢驗(yàn)和無效因子分析模型估計(jì)效果。在MCMC產(chǎn)生的馬氏鏈前一部分與后一部分漸進(jìn)獨(dú)立的假設(shè)條件下，Geweke構(gòu)造的檢驗(yàn)統(tǒng)計(jì)量漸進(jìn)服從標(biāo)準(zhǔn)正態(tài)分布，此時(shí)說明MCMC抽樣是平穩(wěn)的。無效因子用于判斷MCMC抽取樣本的有效性。相關(guān)參數(shù)的后驗(yàn)估計(jì)結(jié)果見表4。

由表4可知，所有參數(shù)的后驗(yàn)均值在95%置信區(qū)間內(nèi)。Geweke診斷值均未拒絕趨于后驗(yàn)分布的5%置信水平原假設(shè)。同時(shí)所有參數(shù)的無效影響因子數(shù)值均較小，其中最大的無效影響因子數(shù)值為62.09，說明在20000次的MCMC抽樣中，可以至少獲得322（20000?/62.09≈322）個(gè)不相關(guān)樣本觀測(cè)值進(jìn)行后驗(yàn)估計(jì)，滿足進(jìn)行后驗(yàn)分布推斷的基本數(shù)量要求。綜上所述，TVP－SV－VAR模型的?MCMC?模擬是有效的。

圖1從上到下三排分別是樣本的自相關(guān)系數(shù)、樣本路徑以及后驗(yàn)分布。如圖所示，∑β、∑α、∑h的樣本自相關(guān)系數(shù)均隨著模擬次數(shù)的增加趨向于零，表明經(jīng)過20000次MCMC模擬能在一定程度上消除抽樣方法導(dǎo)致的樣本自相關(guān)性；同時(shí)，樣本路徑圍繞后驗(yàn)均值上下波動(dòng)，呈現(xiàn)“白噪音”波動(dòng)軌跡，整體較為平穩(wěn)，表明MCMC算法抽樣得出的樣本具有獨(dú)立性和有效性。

3.3?TVP－SV－VAR模型的時(shí)變脈沖響應(yīng)分析

對(duì)于經(jīng)濟(jì)政策不確定性（CNEPU）、股票市場(chǎng)收益率（SYR）與股票市場(chǎng)波動(dòng)率（VOL）三者之間的動(dòng)態(tài)脈沖響應(yīng)分析，TVP－SV－VAR模型通過兩種函數(shù)刻畫不同時(shí)期變量之間的動(dòng)態(tài)反應(yīng)情況，分別為等間隔脈沖響應(yīng)函數(shù)和時(shí)點(diǎn)脈沖響應(yīng)函數(shù)。

3.3.1?等間隔脈沖響應(yīng)分析

等間隔脈沖響應(yīng)用于分析變量間脈沖響應(yīng)的滯后性與時(shí)變性。由于政策變動(dòng)的周期一般較長(zhǎng)，本文分別設(shè)定時(shí)間間隔為滯后1期（一個(gè)月）、滯后3期（一個(gè)季度）、滯后6期（半年）和滯后12期（一年），衡量了短期、中期和長(zhǎng)期時(shí)變效應(yīng)。

圖2是經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)收益的等間隔脈沖響應(yīng)εCNEPU↑→SYR。針對(duì)不同滯后期的脈沖效應(yīng)而言，滯后1期的脈沖響應(yīng)表現(xiàn)為正負(fù)向影響交替出現(xiàn)且負(fù)向影響程度較大；滯后3期表現(xiàn)出微弱的正向影響，這與汪弘等（2018）得出的結(jié)論“EPU?增加一單位標(biāo)準(zhǔn)差將會(huì)使未來?3?個(gè)月的股票市場(chǎng)收益上升?0.151%”相一致；滯后6期以及滯后12期的脈沖效應(yīng)圍繞零值上下波動(dòng)，表明經(jīng)濟(jì)政策不確定性沖擊的影響會(huì)隨著時(shí)間逐漸減弱并趨于零。針對(duì)不同時(shí)間段的脈沖效應(yīng)而言，2004-2007年、2014年經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)收益產(chǎn)生正向影響，其余時(shí)期經(jīng)濟(jì)政策不確定性沖擊對(duì)股票市場(chǎng)收益主要產(chǎn)生強(qiáng)烈的負(fù)向影響。與零線相交的兩個(gè)時(shí)間點(diǎn)對(duì)應(yīng)次貸危機(jī)（2008年）以及中國宏觀經(jīng)濟(jì)步入“新常態(tài)”（2014年）。

圖3是經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)波動(dòng)的等間隔脈沖響應(yīng)εCNEPU↑→VOL。各個(gè)滯后期的脈沖響應(yīng)線具有相同的趨勢(shì)，均在2008年次貸危機(jī)、2011年歐債危機(jī)、2015年股災(zāi)以及2018年中美貿(mào)易戰(zhàn)達(dá)到正向影響的階段性峰值并且在達(dá)到階段性峰值后脈沖響應(yīng)迅速下降。這種現(xiàn)象的產(chǎn)生可能是因?yàn)樵诮?jīng)濟(jì)危機(jī)時(shí)市場(chǎng)虛假繁榮，投機(jī)泡沫膨脹，金融系統(tǒng)穩(wěn)定性降低導(dǎo)致股票市場(chǎng)波動(dòng)增大。隨著后續(xù)政府出臺(tái)的救助措施使得資產(chǎn)價(jià)格波動(dòng)幅度回到正常范圍，如次貸危機(jī)時(shí)的問題資產(chǎn)救助計(jì)劃、歐債危機(jī)時(shí)的歐洲穩(wěn)定機(jī)制?（ESM）的設(shè)立。

圖4是股票市場(chǎng)收益對(duì)經(jīng)濟(jì)政策不確定性的等間隔脈沖響應(yīng)εSYR↑→CNEPU。其中滯后1期、滯后3期以及滯后12期的脈沖效應(yīng)表現(xiàn)出負(fù)向而滯后6期的脈沖效應(yīng)表現(xiàn)出正向，表明股票市場(chǎng)收益對(duì)經(jīng)濟(jì)政策不確定性的負(fù)向影響在半年后會(huì)逐漸減弱直至零值上下波動(dòng)。

圖5是股票市場(chǎng)波動(dòng)對(duì)經(jīng)濟(jì)政策不確定性的等間隔脈沖響應(yīng)εVOL↑→CNEPU。滯后1期的脈沖響應(yīng)為正向且非常平穩(wěn)，影響程度維持在2.5%左右；隨著時(shí)間增加，滯后3期、滯后6期以及滯后12期的脈沖效應(yīng)呈現(xiàn)微弱正向效應(yīng)并維持在零線附近上下波動(dòng)。就影響程度的持續(xù)時(shí)間而言，股票市場(chǎng)波動(dòng)對(duì)經(jīng)濟(jì)政策不確定性的影響表現(xiàn)為即期影響較為顯著，遠(yuǎn)期影響不顯著。

3.3.2?不同時(shí)點(diǎn)脈沖響應(yīng)分析

時(shí)點(diǎn)脈沖響應(yīng)用于分析在特殊時(shí)點(diǎn)上變量對(duì)結(jié)構(gòu)沖擊的動(dòng)態(tài)影響。本文根據(jù)中國經(jīng)濟(jì)政策不確定性指數(shù)的階段性峰值選取四個(gè)代表性脈沖時(shí)點(diǎn)進(jìn)行研究，即2008年10月（次貸危機(jī)）、2011年8月（歐債危機(jī)）、2015年8月（股災(zāi)）和2020年5月（新冠肺炎疫情），脈沖反應(yīng)長(zhǎng)度為?18?期（?1?期為?1?個(gè)月）?。

圖6是經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)收益的時(shí)點(diǎn)脈沖響應(yīng)εCNEPU↑→SYR。在第0期至第3期，四個(gè)時(shí)點(diǎn)脈沖效應(yīng)程度有一定差異但總體趨勢(shì)呈現(xiàn)出V型變動(dòng)，即先減小后增大。在2011年8月歐債危機(jī)以及2020年5月新冠疫情這兩個(gè)時(shí)點(diǎn)，經(jīng)濟(jì)政策不確定性沖擊對(duì)同期股票市場(chǎng)收益影響程度為正，隨后迅速下降表現(xiàn)為負(fù)影響程度，證明股票市場(chǎng)對(duì)經(jīng)濟(jì)政策的反饋可能存在一定滯后性。半年（第6期）以后，四個(gè)時(shí)點(diǎn)的影響程度基本趨于零，唯獨(dú)2015年8月股災(zāi)這一時(shí)點(diǎn)的脈沖效應(yīng)在第15期仍存在異常波動(dòng)。

圖7是經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)波動(dòng)的時(shí)點(diǎn)脈沖響應(yīng)εCNEPU↑→VOL。第?0?期各個(gè)時(shí)點(diǎn)的脈沖響應(yīng)值均為正值，表明經(jīng)濟(jì)政策不確定性沖擊會(huì)加劇同期股票市場(chǎng)波動(dòng)性經(jīng)濟(jì)政策不確定性。就影響程度而言，經(jīng)濟(jì)政策不確定性對(duì)同期股票市場(chǎng)波動(dòng)的正向影響程度在2015年8月股災(zāi)這一時(shí)點(diǎn)上達(dá)到最大，為3.3%。4期以后，四個(gè)時(shí)點(diǎn)的影響程度非常緩慢地趨向于零。2008年10月次貸危機(jī)表現(xiàn)為穩(wěn)定的正向影響而其他三個(gè)時(shí)點(diǎn)表現(xiàn)為穩(wěn)定的負(fù)向影響，表明2008年10月次貸危機(jī)對(duì)股票市場(chǎng)波動(dòng)性的影響程度較為持久。

圖8是股票市場(chǎng)收益對(duì)經(jīng)濟(jì)政策不確定性的時(shí)點(diǎn)脈沖響應(yīng)εSYR↑→CNEPU。第0期至第4期，脈沖響應(yīng)函數(shù)均呈現(xiàn)U型走勢(shì)并且在第3期達(dá)到最大負(fù)向影響，隨后各脈沖響應(yīng)的影響程度逐漸趨向于零。在這一過程中，2008年10月次貸危機(jī)走勢(shì)和2011年8月歐債危機(jī)類似，2015年10月股災(zāi)走勢(shì)和2020年5月新冠疫情類似，表明我國的宏觀經(jīng)濟(jì)結(jié)構(gòu)具有時(shí)變性，不同時(shí)點(diǎn)之間越接近，股票市場(chǎng)收益對(duì)經(jīng)濟(jì)政策不確定性的影響程度就越相似。對(duì)比不同時(shí)點(diǎn)負(fù)向影響程度趨向于零值的速度，反映出國家通過供給側(cè)結(jié)構(gòu)性改革、規(guī)范金融監(jiān)管等舉措優(yōu)化了股票市場(chǎng)的結(jié)構(gòu)，因而經(jīng)濟(jì)不確定性造成的負(fù)面影響能被市場(chǎng)更迅速地消化。

圖9是股票市場(chǎng)波動(dòng)對(duì)經(jīng)濟(jì)政策不確定性的時(shí)點(diǎn)脈沖響應(yīng)εVOL↑→CNEPU。四個(gè)時(shí)點(diǎn)的脈沖響應(yīng)函數(shù)走勢(shì)基本一致，均在第1期達(dá)到正向極大值，影響程度達(dá)到2.5%，與前文等間隔脈沖應(yīng)的結(jié)論一致。就中長(zhǎng)期而言，股票市場(chǎng)波動(dòng)對(duì)經(jīng)濟(jì)政策不確定性的影響程度呈現(xiàn)微弱的正向，并且從第4期開始逐漸趨向于零，表明股票市場(chǎng)波動(dòng)增大時(shí)會(huì)導(dǎo)致經(jīng)濟(jì)政策不確定性小幅度上升。

3.4?穩(wěn)健性檢驗(yàn)

為保證結(jié)論的穩(wěn)健性，本文通過改變數(shù)據(jù)頻率以及使用其他經(jīng)濟(jì)政策不確定性指數(shù)兩種方式進(jìn)行檢驗(yàn)。

3.4.1?改變數(shù)據(jù)頻率

本文使用月度數(shù)據(jù)的算術(shù)平均值作為季度數(shù)據(jù)，模型結(jié)果表明經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)收益的影響程度仍表現(xiàn)為滯后1期（一季度）微弱正向，滯后2期（半年）和滯后4期（一年）趨向于零；經(jīng)濟(jì)政策不確定性沖擊對(duì)股票市場(chǎng)波動(dòng)的主要表現(xiàn)為正向影響。結(jié)論表明，改變數(shù)據(jù)頻率后前文所述結(jié)論依然成立。

3.4.2?使用其他經(jīng)濟(jì)政策不確定性指數(shù)

較多學(xué)者在研究經(jīng)濟(jì)不確定性相關(guān)問題時(shí)選用Baker?et?al.編制的經(jīng)濟(jì)政策不確定性指數(shù)（EPU）作為被解釋變量，其階段性峰值與Huang?&?Luk編制的中國經(jīng)濟(jì)政策不確定性指數(shù)（CNEPU）不同。本文利用該指數(shù)的四個(gè)階段性峰值即2008年9月、2011年11月、2017年1月以及2020年5月作為代表性的脈沖時(shí)點(diǎn)進(jìn)行時(shí)點(diǎn)脈沖響應(yīng)分析。研究結(jié)果表明，2017年1月這一時(shí)點(diǎn)經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)收益的影響程度表現(xiàn)為正負(fù)向交替并且在8期后趨于零，經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)波動(dòng)的影響程度主要表現(xiàn)為負(fù)向。其余時(shí)點(diǎn)的脈沖效應(yīng)與前文結(jié)果基本一致，驗(yàn)證了本文結(jié)論的穩(wěn)健性。

4?結(jié)論與建議

后疫情時(shí)代全球經(jīng)濟(jì)形勢(shì)面臨巨大的不確定性，加之國內(nèi)經(jīng)濟(jì)內(nèi)生動(dòng)力的下降，導(dǎo)致宏觀經(jīng)濟(jì)下行壓力增大。為維護(hù)股票市場(chǎng)穩(wěn)定，防范、化解金融風(fēng)險(xiǎn)，本文基于2002年1月至2022年1月Huang?&?Luk編制的中國經(jīng)濟(jì)政策不確定性指數(shù)以及中國股票市場(chǎng)相關(guān)數(shù)據(jù)，通過TVP－SV－VAR模型考察我國經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)的動(dòng)態(tài)時(shí)變影響。得出的研究結(jié)論主要如下。

（1）經(jīng)濟(jì)政策不確定性沖擊對(duì)滯后1個(gè)月的股票市場(chǎng)收益有顯著的負(fù)向影響，只有部分經(jīng)濟(jì)高度穩(wěn)定的時(shí)期，經(jīng)濟(jì)政策不確定性沖擊對(duì)滯后1個(gè)月的股票市場(chǎng)收益具有正向影響；經(jīng)濟(jì)政策不確定性沖擊對(duì)滯后3個(gè)月的股票市場(chǎng)收益呈現(xiàn)微弱正向影響，并隨著滯后期增加趨向于零。

（2）經(jīng)濟(jì)政策不確定性沖擊會(huì)增加股票市場(chǎng)波動(dòng)，由于國家的宏觀調(diào)控的有效性，經(jīng)濟(jì)政策不確定性沖擊對(duì)股票市場(chǎng)波動(dòng)的正向影響會(huì)迅速減弱直至趨向于零；股票市場(chǎng)波動(dòng)對(duì)滯后1期的經(jīng)濟(jì)政策不確定性具有顯著且穩(wěn)定的正向影響，對(duì)滯后3期、滯后6期和滯后12期的影響不顯著。

（3）經(jīng)濟(jì)事件性質(zhì)、影響范圍的差異性導(dǎo)致不同時(shí)點(diǎn)經(jīng)濟(jì)政策不確定性沖擊對(duì)股票市場(chǎng)的影響程度呈現(xiàn)分異趨勢(shì)。隨著我國金融漸進(jìn)性改革的推進(jìn)、政府積極的政策干預(yù)，經(jīng)濟(jì)政策不確定性對(duì)股票市場(chǎng)的負(fù)向影響程度減輕并且能更快被市場(chǎng)消化。

針對(duì)本文的實(shí)證結(jié)論，給出的政策建議如下。

（1）統(tǒng)籌把握經(jīng)濟(jì)政策的連續(xù)性、穩(wěn)定性和可持續(xù)性。

2021年中央經(jīng)濟(jì)工作會(huì)議指出，“宏觀政策要保持連續(xù)性、穩(wěn)定性、可持續(xù)性”。連續(xù)性強(qiáng)調(diào)政策方向的變化不能太快，穩(wěn)定性強(qiáng)調(diào)政策支持力度，可持續(xù)性強(qiáng)調(diào)短期和長(zhǎng)期的平衡。基于本文得出結(jié)論，經(jīng)濟(jì)政策不確定性沖擊在短期內(nèi)會(huì)對(duì)股票市場(chǎng)產(chǎn)生顯著影響。因此頻繁地變更政策會(huì)引起股票市場(chǎng)過度反應(yīng)，導(dǎo)致不同政策的影響彼此交叉，造成資產(chǎn)價(jià)格異常波動(dòng)，增加金融系統(tǒng)不穩(wěn)定性。

（2）提升經(jīng)濟(jì)政策信息的公開性、透明度和可預(yù)期性。

一方面，政府公開透明是法治政府的基本特征，市場(chǎng)規(guī)范透明運(yùn)行有助于穩(wěn)定投資者情緒。為此政府可設(shè)立相關(guān)部門或召開新聞發(fā)布會(huì)加大經(jīng)濟(jì)政策解讀力度，對(duì)投資者進(jìn)行正確引導(dǎo)，減少非理性行為的產(chǎn)生，降低經(jīng)濟(jì)政策不確定帶來的負(fù)向影響。另一方面，投資者自身需要基于公開的經(jīng)濟(jì)政策設(shè)立合理心理預(yù)期，由短期的投機(jī)行為逐漸轉(zhuǎn)向長(zhǎng)期的投資行為。

（3）強(qiáng)化特定時(shí)間節(jié)點(diǎn)經(jīng)濟(jì)政策的時(shí)效性和針對(duì)性。

經(jīng)濟(jì)政策要更加精準(zhǔn)有效地實(shí)施定向調(diào)控和相機(jī)調(diào)控才能發(fā)揮其政策效力。本文在時(shí)點(diǎn)脈沖效應(yīng)分析中發(fā)現(xiàn)經(jīng)濟(jì)政策的影響效應(yīng)具有一定的滯后性與時(shí)變性，金融市場(chǎng)有時(shí)無法對(duì)動(dòng)態(tài)的政策信息做出及時(shí)反應(yīng)，這一現(xiàn)象在特定經(jīng)濟(jì)事件的時(shí)點(diǎn)表現(xiàn)得更為明顯。因此強(qiáng)化經(jīng)濟(jì)政策的時(shí)效性和針對(duì)性有利于政府更加科學(xué)、有預(yù)見地進(jìn)行宏觀調(diào)控。

參考文獻(xiàn)

[1]Baker?S?R，Bloom?N，Davis?S?J.Policy?Uncertainty-A?New?Indicator[J].Centre?Piece-The?Magazine?for?Economic?Performance，2012：2123.

[2]Sum?V.Economic?Policy?Uncertainty?and?Stock?Market?Economic?Performance：Evidence?from?the?European?Union，Croatia，Norway，Russia，Switzerland，Turkey，and?Ukraine[J].Journal?of?Money，Investment?and?Banking，2012，25：99104.

[3]SumV.The?Asean?Stock?Market?Performance?and?Economic?Policy?Uncertainty?in?the?United?States[J].Economic?Papers，2013，32（4）：512521.

[4]汪弘，宋登輝，陳立慧，等.經(jīng)濟(jì)政策不確定性與股票收益[J].金融學(xué)季刊，2018，12（04）：120.

[5]Li?X?Y，Balcilarm，Gupta?R，et?al.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?＆?Trade，2016，52（3）：674689.

[6]翟曉英，楊嚴(yán)鈞.經(jīng)濟(jì)政策不確定性與股票市場(chǎng)收益的動(dòng)態(tài)關(guān)系研究——基于G7國家和金磚國家分析[J].經(jīng)濟(jì)問題，2020，（08）：3745.

[7]Baker?S?R，Bloom?N，Davis?S?J.Measuring?Economic?Policy?Uncertainty[J].The?Quarterly?Journal?of?Economics，2016，131（4）：15931636.

[8]YU?H，F(xiàn)ANG?L，SUN?W.Forecasting?Performance?of?Global?Economic?Policy?Uncertainty?for?Volatility?of?Chinese?Stock?Market[J].Physica?A：?Statistical?Mechanics?and?its?Applications，2018，（505）：931940.

[9]卜林，孫麗玲，李政，等.地緣政治風(fēng)險(xiǎn)、經(jīng)濟(jì)政策不確定性與股票市場(chǎng)波動(dòng)[J].南開經(jīng)濟(jì)研究，2020，（05）：185205.

[10]潘長(zhǎng)春，王偉強(qiáng).經(jīng)濟(jì)政策不確定性與股票市場(chǎng)波動(dòng)性之間的跨類及跨國關(guān)聯(lián)：來自中美兩國的經(jīng)驗(yàn)證據(jù)[J].世界經(jīng)濟(jì)研究，2022，（11）：89105+136137.

[11]Nakajima?J.TimeVarying?Parameter?VAR?Model?with?Stochastic?Volatility：An?Overview?of?Methodology?and?Empirical?Applications[J].Monetary?and?Economic?Studies，2011，（29）：107142.

[12]Huang?Y，Luk?P.Measuring?Economic?Policy?Uncertainty?in?China[J].China?Economic?Review，2020，59（2）：101367.

[13]后小仙，馬融，鄭田丹，等.突發(fā)事件沖擊與財(cái)政政策效應(yīng)的動(dòng)態(tài)評(píng)價(jià)[J].當(dāng)代經(jīng)濟(jì)研究，2021，（10）：93104.

[14]姚登寶.投資者情緒、市場(chǎng)流動(dòng)性與金融市場(chǎng)穩(wěn)定——基于時(shí)變分析視角[J].金融經(jīng)濟(jì)學(xué)研究，2017，32（05）：94106+128.