经济政策不确定性对中国股市波动率的影响

借鉴REGARCH-MIDAS SK模型的建模思路及框架，引入经济政策不确定性指数(CEPU),提出了REGARCH-MIDAS-CEPU SK模型，该模型优势在于可将高频日内数据与低频不确定性指数数据结合，同时考虑股市收益率的多种特性，能够准确分析经济政策不确定性对股市波动的影响机理。采用上证综指收盘价日度数据和经济政策不确定性指数及其细化指数月度数据，利用引入了经济政策不确定性的双因素REGARCH-MIDAS SK(REGARCH-MIDAS-CEPU SK)模型，实证分析总体和细化经济政策不确定性对股市波动率的影响作用。实证结果表明：提出的双因素模型在样本内拟合与样本外预测实证中，其性能均优于现有双因素模型，说明该模型的提出具有显著的理论与实践意义。此外，研究证明各类经济政策不确定性水平增加均会促进股票市场波动，其中货币政策和贸易政策不确定性对股票波动长期趋势影响较大，贸易政策不确定性对股市波动率的影响持续时间较长，股市波动对财政政策以及外汇和资本账户政策不确定性变动较为敏感，由此可见四类经济政策不确定性对股市波动的影响机理各不相同。     

基于混频数据的日度经济不确定性测度及其应用

经济不确定性主要反映经济系统的不可预测程度，可以通过经济指标的实际值和预期值之间的偏差进行测度。为及时测度我国的经济不确定性，本文提出一种同比形式的日度混频动态因子模型，将金融市场的日度数据和传统的宏观低频数据信息相结合，构建我国日度经济意外指数和经济不确定性指数，用于反映我国宏观经济运行的非预期成分和不确定性程度。进一步地，本文基于日度数据分别讨论经济意外指数对人民币汇率的影响，以及经济不确定性对我国股市波动率的影响，研究结果表明经济意外指数的正向变化使人民币对美元升值，经济不确定性的增加将加剧股市波动。     

我国经济不确定性、金融不确定性与经济波动

不确定性是经济波动的根本原因，为保持经济平稳健康发展，探究不确定性对经济波动的影响具有重要的现实意义。本文基于拓展的SV模型测算2002—2020年我国月度经济不确定性和金融不确定性，并使用TVAR模型考察经济不确定性和金融不确定性对产出波动和价格波动的分区制影响动态。研究发现，首先，经济不确定性和金融不确定性间存在交互影响，且金融不确定性对经济不确定性的冲击力更强，但滞后性更弱。其次，相较于金融不确定性，经济不确定性对产出波动和价格波动的冲击效应更明显，在产出和价格高波动区制下冲击效应被进一步扩大。最后，在经济不确定性水平高增速情形下，金融不确定性的提升对产出波动和价格波动起到放大作用，而金融不确定性水平的增速高低基本不影响经济不确定性对产出波动和价格波动的冲击。本研究兼顾实体经济和金融市场，从不确定性视角解读经济波动现象，为制定宏观经济调控政策提供有益的实证经验和政策启示。     

货币政策对股票市场流动性的影响研究

中国股票市场长期以来受到政府各种政策的影响,而股市资金面受货币政策影响尤为明显。文章基于脉冲响应和BEKK模型实证研究了货币政策对股市流动性的影响。脉冲响应结果显示,M1对股市流动性的冲击力度最大,利率对股市流动性的冲击影响周期最长,M0无论是冲击力度还是影响周期上都最小。BEKK模型结果显示,利率与股市流动性的波动相关性最持久,其次为M2,表明利率变化相对于货币供应量的变化对股市流动性波动的影响更有长期性。     

经济政策不确定性如何影响金融市场间的流动性协同运动？——基于中国金融周期的视角

金融市场间流动性出现高协同运动是发生危机传染的重要表现之一，因此，针对流动性动态联动效应的研究显得极为重要。本文基于中国金融市场数据测算了2003-2018年间我国股市、债市流动性，并对Colacito等（2011）的混频数据抽样动态条件相关系数模型（DCC-MIDAS）进行了扩展，同时从金融周期视角出发，运用扩展后的模型考察了经济不确定性在不同时间区间内对于流动性波动率和相关性是否存在不同的作用效果。研究结果表明，相较于单因子混频模型，引入经济政策不确定性的多因子混频模型可以更好地捕捉我国股债两市相关性的动态变化；同时，经济政策不确定性的提高会降低股债两市流动性的正相关性，但这一作用效果会在金融周期的拐点处转为加强两者的正相关性。本文不仅为讨论股债两市联动效应提供了流动性的新视角，也为金融市场风险监管提供了重要的参考依据。     

中国股市波动的变动长期记忆性研究

文章以分整SETAR模型为基础,描述了中国股市在不同波动幅度下的变动长期记忆性特征,结果表明中国股市波动存在长期记忆性且大幅波动对中国股市的影响比小幅波动要更持久,并且相对以恒生指数为例的相对发达的香港股市,中国股市大幅波动的长期记忆性较弱,小幅波动的长期记忆性较强,波动持续影响性具有其自身的特点。     

预期引导、政策冲击与股市波动——基于文本分析法的异质性诊断

防范股票市场异常波动是维护金融稳定和防控金融风险的关键一环。货币政策实践中,预期引导与政策冲击对股市波动的实际影响和传导机制迥然不同。现有文献对两者之于股票市场波动 的异质性影响多有讨论,但分歧明显。基于2005年到2019年中国人民银行各季度《货币政策执行报告》和《货币政策大事记》,本文分别构建表征货币政策预期引导强度和实际操作频度的代理变量,对上述指标之于同期A股市场主要行业指数的波动性影响做了多维诊断和系统梳理。研究发现,第一,预期引导效应和政策冲击效应对于股票市场波动性的影响存在显著异质性特征,预期引导有助于平抑市场波动,而频繁调控则会放大股市波动。第二,预期引导的明确性会制约其对股市波动的平缓作用,货币调控意愿的表达越明确,越有助于平抑股票市场波动;而更坚决的“严厉型”表述比态度相对温和的“温和型”表述能够更显著地平抑股票市场波动。第三,实际操作频度对股市波动的放大作用受制于具体调控方向,宽松型调控的频率上升仅会小幅放大股市波动,而紧缩型货币调控则会大幅抬升股市波动性。由此,从平抑股市异常波动、维持金融稳定的角度出发,强化货币政策的预期引导比相机抉择的频繁调控更为重要;在预期引导过程中,应当增强调控意愿表达的明确性和坚决性,以限制其对金融市场运行带来的扰动。     

政策关联--数据挖掘在股市中的运用

我国股市成立至今有十几年的历史,是一个新兴的市场。在股市成长的过程中,政府用了各种政策对股市进行规范。政府的这些政策会对股市产生什么样的影响呢?孙华妤和马跃(2003)认为国家货币政策在一定程度上能够影响股市的波动。史代敏(2002)研究了政策对股市波动的影响的深度、广     

中美股市协整关系的实证分析

随着全球经济一体化,各国经济共同受到世界经济波动的影响,反映国民经济运行状况的各国股市就会反映出一种同步波动,长期中具有一种均衡关系.本文对中国股市和美国股市在不同时期的长期均衡特征和因果关系进行了实证分析,以期找出股市间波动的规律.     

我国系统性金融风险的跨市场传染效应研究

文章结合我国金融市场的特点，从市场波动状况、资产流动性状况、投资者情绪及资产泡沫化程度四个维度，选取相应的基础性指标，分别合成我国货币市场、股票市场、债券市场、外汇市场、房地产市场及银行部门的压力指数，用来测度各市场的系统性风险水平。然后运用DY溢出指数法测算各市场间的压力溢出水平及方向性溢出程度，并在此基础上构建了压力溢出网络，以分析系统性风险跨市场传染的静态和动态机制。结果显示：从静态视角看，股票市场的压力净溢出水平最高，是我国金融网络的核心；从动态视角看，我国金融市场总体的压力溢出指数呈现较为平稳的变动趋势，但重大经济金融事件会导致其发生异常波动；通过对金融市场四个异常波动时期压力溢出情况进行比较发现，网络核心会因重大经济金融事件的冲击而发生变动，并且单一市场在金融网络中的绝对核心地位出现下降。     

社会经济不平等及其测度

对社会中普遍存在的不平等现象 ,人们很早就给予了关注和研究 ,并提出了可行的测度不平等程度的方法和指标。然而我们注意到 ,这些传统的研究成果所体现的不平等 ,主要集中在社会的“收入不平等”上 ,实质上也就是经济不平等的即时反映。但生活毕竟不只是生存问题 ,社会中的不平等远不仅是人们收入多少的差异 ,还有很多无法用货币或数值来表现的不平等 ,而这些往往是人们生活质量更深层次、更真实的反映。“社会经济不平等”概念的提出 ,跳出了“收入不平等”这个狭隘的思维体系 ,也为全面研究社会中诸多不平等现象奠定了新的基石。虽然这一…     

Neural networks and flexible regression and discrimination

Feed-forward neural networks—also known as multi-layer perceptrons—are now widely used for regression and classification. In parallel but slightly earlier, a family of methods for flexible regression and discrimination were developed in multivariate statistics, and tree-induction methods have been developed in both machine learning and statistics. We expound and compare these approaches in the context of a number of examples.     

Neural networks and flexible regression and discrimination

Feed-forward neural networks—also known as multi-layer perceptrons—are now widely used for regression and classification. In parallel but slightly earlier, a family of methods for flexible regression and discrimination were developed in multivariate statistics, and tree-induction methods have been developed in both machine learning and statistics. We expound and compare these approaches in the context of a number of examples.     

Trimmed and Outer Means and Their Variances

Some properties of trimmed and outer means for the normal situation are considered; in particular, the mean of the outer half of the sample has the same variance as the mean of the inner half. An inequality involving variances of unbiased estimators of location and their complements is derived and some of its consequences are examined.