联系我们 |
 |
合作经济与科技杂志社
地址:石家庄市建设南大街21号
邮编:050011
电话:0311-86049879 |
|
|
金融/投资 |
经济政策对A股市场波动率影响分析 |
第749期 作者:□文/赵 锦 时间:2025/3/17 16:22:23 浏览:16次 |
[提要] 本文使用VAR模型进行分析,通过相关文献研究,提出假设:经济政策不确定性与股票市场波动率呈正相关关系,即政策不确定性增加会导致市场波动率增加。本文使用2010~2020年中国A股市场沪深300指数每月交易数据进行实证研究,并以官方发布或者媒体报道的经济政策不确定性指数作为独立变量,以每月A股市场的收盘价日内波动率作为因变量,使用VAR模型进行分析。经过描述性统计分析和相关性测试,得到经济政策不确定性指数和A股市场波动率之间存在显著正相关关系。VAR模型分析结果显示:经济政策不确定性对股票市场波动率存在即时和滞后效应,政策不确定性显著增加时,当日股票市场波动率会显著上升,且第二天和第三天股票市场波动率也会持续上升。
关键词:经济政策不确定性;股票市场;波动率
中图分类号:F83 文献标识码:A
收录日期:2024年9月20日
一、绪论
(一)研究背景及意义
1、选题背景。经济政策是影响经济发展的重要因素之一,包括货币政策、财政政策、产业政策等。政策的制定和调整过程中的不确定性会影响股票市场的预期,从而导致股票价格的波动。特别是在近年来我国外部环境不稳定因素增多,以及国内经济转型面临多重挑战的大背景下,经济政策不确定性对股票市场波动的影响更加明显。因此,对经济政策不确定性对股票市场波动的影响进行深入研究具有重要意义,它不仅可以帮助企业和投资者更好地理解股票市场的风险,还可以为政策制定部门提供有益的参考,以更好地稳定经济并促进经济发展。
2、研究意义。一是有助于了解我国股票市场风险因素的形成和演化。政策不确定性是引发股票市场波动的重要因素,研究经济政策不确定性对股票市场波动率的影响,可以帮助我们了解政策变化带来的风险因素如何在股市中得到反映,并且有利于投资者、政策制定者和监管部门更好地评估股市风险。二是为投资者提供有益的投资参考。股市中存在较大程度的不确定性,尤其是政策因素的影响如此之大,投资者如果可以更好地了解政策变化对股市的影响,就可以做出更为准确的投资决策,从而更好地控制投资风险和获取收益。三是对我国经济政策不确定性对股票市场波动率的影响进行深入研究,有利于提高股市风险的识别和控制能力,更好地保护股市投资者的利益,促进我国股票市场的健康发展。
(二)研究方法及内容
1、研究方法。本文利用定量分析方法,用SPSS构建VAR模型,用中国EPU指数量化经济政策不确定性,同时找到其与股票市场波动率之间的关系进行分析研究。同时,对市场发生的事件进行分析,探究经济政策不确定性事件对股票市场波动率的影响。找到相关文献依据,并提出本文自己的观点。
2、研究内容。本文研究经济政策不确定性对股票市场波动率的影响机制,探究经济政策不确定性和股票市场波动率之间的直接和间接影响机制,如情绪效应、投资者风险偏好、政策信号等。研究经济政策不确定性对股票市场波动率的影响是一个重要的研究领域,需要综合运用定量和定性研究方法,为股票市场投资者和政策制定者提供理论和实践启示。
二、问题的提出
(一)经济政策不确定性。随着经济全球化、国际贸易和投资的不断发展,经济政策的不确定性问题已成为一个重要的研究领域。经济政策不确定性指的是政策制定者采取的经济政策的预期不确定性。Stelios Bekiros和Gazi Salah Uddin在《Journal of International Financial Markets,Institutions and Money》上发表了“The Impact of Economic Policy Uncertainty on Stock Returns”,该文探讨了经济政策不确定性对股票收益率和风险溢价的影响。Bahram Adrangi、Arjun Chatrath和Qi Sun在《Energy Economics》上发表了“Economic Policy Uncertainty and the Volatility of Commodity Prices”,该文研究了经济政策不确定性对大宗商品价格波动的影响,并对这种影响机制进行了进一步分析。南永清等发表在《当代经济研究》上的“经济政策不确定性对城镇居民消费行为的动态时变影响”一文,通过搭建VAR模型,探讨经济政策不确定性与消费者行为的关系。刘振锋、刘璐和杨昕发表在《经济研究》上的“经济政策不确定性对资本流动的影响——来自微观数据的分析”一文,通过分析中国企业在海外投资的实证数据,研究了经济政策不确定性对资本流动的影响。邢天才和王笑发表在《当代经济管理》上的“金融市场发展与经济政策不确定性的关系研究”一文,以中国为例,研究了经济政策不确定性对金融市场发展的影响。
综上所述,当前围绕经济政策不确定性的研究已经越来越成熟,各种成果涉及的经济领域也十分广泛。由于不确定性的定义和测量具有一定的主观性,研究成果的评价和应用仍需要进一步完善。
(二)我国股票市场波动性。在研究股票市场波动性问题时,波动性定义及衡量方法是首先需要澄清的问题。针对这一问题,国内外学者进行了多方面的研究。例如,张德容和吴姗姗(2023)表示常用的衡量股票市场波动性的指标有收益率的标准差(即对数收益率的波动率)、历史波动率、隐含波动率等,这些指标在研究中比较常用,世界范围内也有相应的研究成果。曾发周(2023)研究发现,在宏观经济因素方面,经济增长、通货膨胀、汇率波动等因素都对股票市场波动性产生较大的影响。在市场结构因素方面,市场深度、流动性、交易成本等因素也会影响股票市场波动性的大小。此外,政策因素与情绪因素对股票市场波动性的影响也越来越明显。
股票市场波动性对投资者来说是一种风险,因此研究波动性与投资风险的相关问题也成为了国内外的研究重点之一。宋长青和张羽(2023)调研结果显示,股票市场波动性的增加对于投资者的风险有很大的影响。曹剑秋(2022)认为不同类型的投资者对股票市场波动性的反应也有差异,比如机构投资者相对于散户投资者更容易通过配置多种资产来降低风险。
研究股票市场波动性预测是另一个关键性的问题。近年来,学者们利用不同的预测方法,如时间序列模型、人工神经网络、VAR模型等,对股票市场波动性进行预测,其中以GARCH族模型的应用最为广泛。
总结来看,国内外文献对我国股票市场波动性的研究涵盖了波动性的定义及衡量方法、影响因素及机制、与投资风险的关系、预测研究、国际比较分析等多个方面,这些研究结果对于了解我国股票市场波动性的特征、预测未来股票市场走势、投资风险管理等具有重要意义。
三、实证分析
(一)数据选取。经济政策不确定性指标采用Baker等编制而成的EPU指数来衡量,EPU指数自提出之后,就成为学者衡量全球各大经济体经济政策不确定性的常用指标。连兰兰(2016)认为EPU指数编制主要以新闻指数为主,通过新闻指数可以在网页中搜索“economic/economy”“policy” “uncertain/uncertainty” “tax”等字样,对搜索内容进行整理和标准化处理得到EPU指数,并用工业增加值、居民价格消费指数的增速、银行间同业拆借利率和进出口价格指数加以量化。本文选取了中国EPU指数作为研究对象进行研究。综合来看,EPU指数可以良好地反映我国经济政策不确定的基本走势。EPU指数的数据来源于艾媒智库数据中心。
(二)模型设定及变量定义
1、模型设定。前文对于经济政策不确定性对股票市场整体性影响的研究时,选择上证综指作为股票市场代理性指标,进行数据时间序列分析,所以选用了VAR模型作为研究的理论模型。本章将研究对象设定为所有符合特别条件的A股上市公司股票,所以研究对象为面板数据。针对于面板数据分析,及上文提到的研究假说,本文构建回归模型。本文被解释变量为股票市场波动率,解释变量为中国EPU指数。向量模型为:
Y=aX1+bX2+μ
2、变量定义
(1)被解释变量。本文选用我国在上交所与深交所的A股上市公司月度股价波动率作为被解释变量,波动率以2014年4月1日到2022年4月1日的沪深300的收盘价以及涨跌幅进行量化,剔除 ST 类、金融类、已退市及部分数据缺失的企业。股价波动率以上次公司月收盘价的标准差作为月历史波动率指标,即表示为sqrt[1/n×∑(xi-■)2]。数据来自Wind数据库和国泰安数据库。
(2)关键解释变量。经济政策不确定性选择 Beker 等根据《南华早报》(South China Morning Post,SCMP)制定的EPU指数的月度数据作为关键解释变量代理指标。本文以EPU指数为主要研究变量。
(三)实证分析
1、平稳性检验。由表1中数据可知,针对收盘价,该时间序列数据ADF检验的t统计量为-2.076,p值为0.254,1%、5%、10%临界值分别为-3.498、-2.891、 -2.583。p=0.254>0.1,不能拒绝原假设,序列不平稳。对序列进行一阶差分再进行ADF检验。一阶差分后数据ADF检验结果显示p=0.000<0.01,有高于99%的把握拒绝原假设,此时序列平稳,不需要进行协整检验。(表1)
2、Var建模结果。从表2、表3中的数据可以看出,AIC准则时应该以2阶为准,BIC准则时应该以1阶为准,FPE准则时应该以2阶为准,HQIC准则时应该以2阶为准。4个指标值中最小值为1阶,因而SPSSAU最终以1阶为准来构建VAR模型。(表2、表3)
VAR模型公式如下:
日期=2602015410.804+1.000×L1.日期-7634.407×L1.EPU-57035850.944×L1.涨跌幅
EPU=-835.843+0.000×L1.日期+0.746×L1.EPU-291.637×L1.涨跌幅
涨跌幅=0.410-0.000×L1.日期+0.000×L1.EPU+0.157×L1.涨跌幅
VAR模型结果见表4。(表4)
3、模型预测。根据检验结果显示,残差序列不满足正态特征,并且还具有自相关性,这通常表示残差序列中仍存在一些未被捕获的时间序列结构,模型的精度有待改进。自相关性有时被称为序列的“记忆效应”,这意味着先前的误差会影响后续的预测。残差序列中存在一定程度的自相关性,模型能够基本捕捉时间序列的波动和变化,导致残差序列中存在相关性。(表5、图1、表6、表7)
四、结论
本文的研究结果表明,我国经济政策不确定性对股票市场波动率有显著的影响。根据研究结果,提出以下政策启示和建议:政府经济政策的不确定性对股票市场波动率的影响需高度重视,政府应加强政策实施的透明度和稳定性,减少政策不确定性;股票市场投资者应根据经济政策的变化灵活调整股票投资组合,对政策不确定性的变化做出及时反应;未来的研究可以继续探究政策不确定性对不同行业和市值股票的影响等。首先,经济政策不确定性在一定程度上会导致股票市场波动率的增加。这是因为大量的政策变化会导致投资者难以预测未来的经济走势和市场变化,从而增加了投资风险,进而导致股票价格的波动加剧。其次,当政策变化对于市场的方向和趋势产生积极的影响时,股票市场的波动率可能会减少。例如,政府所发布的经济刺激计划可能会增加市场的活力,让投资者更加有信心投资,从而使股票市场的波动率降低。此外,受益于现代信息技术的快速发展,投资者可以通过各种渠道及时获取关于政策变化的信息,这也就使得政策变化对于股票市场波动率的影响逐渐变得更为微弱。投资者能够更加迅速地得到政策信息,对市场变化做出反应,从而降低了市场对政策变化的非理性反应,这也有利于降低股票市场的波动性。
因此,总体而言,经济政策不确定性对股票市场波动率的影响是由多种因素决定的。政策变化本身的性质、市场状况、投资者信息获取和分析能力等因素均会对影响产生影响。但是,本文的研究仅基于中国A股市场的数据,可能存在时地限制性,未来可以通过进一步扩大样本规模以及范围来提高研究的可靠性。
(作者单位:西安石油大学)
主要参考文献:
[1]南永清,后天路,宋明月.经济政策不确定性对城镇居民消费行为的动态时变影响——基于TVP-SV-VAR模型的实证检验[J].当代经济研究,2022(01).
[2]刘浩杰,刘玚.经济政策不确定性、空间关联与短期资本流动波动[J].世界经济研究,2023(01).
[3]邢天才,王笑.内外部经济政策不确定性与中国金融市场稳定的动态传递效应研究[J].当代经济管理,2021.43(10).
[4]张德容,吴珊珊.社会责任信息披露质量对经济增加值的影响研究——兼议经济政策不确定性的调节作用[J].东莞理工学院学报,2023.30(02).
[5]曾发周.经济政策不确定性对股权集中度的影响研究——基于投资者情绪的中介效应[J].中国物价,2023(04).
[6]宋长青,张羽.经济政策不确定性、金融稳定与经济波动——基于TVP-SV-VAR模型的动态分析[J].财经理论与实践,2023.44(02).
[7]曹剑秋.中国股票市场波动率管理策略实证研究[D].成都:西南财经大学,2022.
[8]梁威宇.基于已实现波动率模型(HAR-RV)对中国股票市场波动率研究[D].哈尔滨:哈尔滨工业大学,2020.
[9]刘婷.经济政策不确定性对股票市场波动影响的实证分析[D].北京:中央财经大学,2020.
[10]金浩,舒帅杰.经济政策不确定性对我国股票市场波动性的影响研究[J].现代商贸工业,2020.41(07).
[11]连兰兰.中国股票市场波动率与定价效率研究[D].大连:东北财经大学,2016.
[12]Scott R.Baker,Nicholas Bloom,Steven J.Davis.Measuring Economic Policy Uncertainty[J].The Quarterly Journal of Economics,2016.131(04).
[13]Bekiros,S.,Uddin,G.S.The impact of economic policy uncertainty on stock returns[J].Journal of International Financial Markets,Institutions and Money,2017(09).
[14]Adrangi,B.,Chatrath,A.,Sun,Q..Economic policy uncertainty and the volatility of commodity prices.Energy Economics,2018(74).
|
|
|
|