中国分类经济政策不确定性与亚太股市的动态关联性——基于GARCH—时变Copula模型

赵 霞，李会会，许澜涛，孙 晓

（上海对外经贸大学统计与信息学院, 上海, 201620）

新型冠状病毒肺炎疫情（以下简称新冠肺炎疫情）的爆发对国际经济发展造成了重大冲击，各国政府出台相应政策应对此次突发事件，致使经济政策不确定性（Economic Policy Uncertainty，EPU）不断增强，进一步给宏观经济、股票市场等带来负面影响（王箐等，2020）。各经济体之间密切的经济往来，加深了EPU对经济发展的跨国影响。政策变动的突发性及不确定性也会影响相关股市的收益。本文探讨新冠肺炎疫情背景下中国分类经济政策不确定性与亚太地区主要股市的动态联动性，分析中国政策变化与亚太股市之间的相互影响。本文为研究EPU与股市的相关性问题提供新的视角，即考虑了新冠肺炎疫情带来的影响。

一、文献综述

关于经济政策不确定性的度量，最典型的是Baker等（2016）采用文本搜索法构建的经济政策不确定指数（简称EPU指数），学者们以此为基础展开经济政策不确定性与股市关联性的相关研究，形成了丰富的研究成果。

关于经济政策不确定性与股市关联性的研究，从股市角度分为如下两类：（1）关于股市收益率的研究，主要基于格兰杰因果检验、小波分析、回归模型及Copula函数等，考察经济政策不确定性与股市回报的相关性（Das和Kumar，2018；Guo等，2018；韩菲和王超，2018；邓晓萌，2019；Chen和Chiang，2020；陈梦涛和王维安，2020）；（2）关于股市波动率的研究，主要是利用GARCH模型、VAR模型、VaR及网络分析法等，探究经济政策不确定性与股市波动率的相关性或波动溢出效应（Yang和Jiang，2016；雷立坤等，2018；李政等，2020；刘精山等，2020；杨子晖等，2020）。

从经济政策不确定性、股市所属国家（地区）角度分析，现有文献的研究内容可以分为如下三类：（1）其他国家（地区）经济政策不确定性和中国（或多国）股市之间的相关性。Das和Kumar（2018）、Guo等（2018）、Chen和Chiang（2020）、杨子晖等（2020）研究结果表明，经济政策不确定性与股市之间的影响具有跨国效应，且影响的方向及强度具有非对称性，通常表现为发达国家的经济政策不确定性和股市对发展中国家影响的强度更大，并且具有时变性；（2）中国经济政策不确定性与其他国家（地区）股市之间的相关性。韩菲和王超（2018）基于GJR—GARCH—时变Copula模型研究发现，中国经济政策不确定性与亚洲股市存在动态相关关系；（3）中国经济政策不确定性对中国股市波动率的影响。Yang和Jiang（2016）、夏婷和闻岳春（2018）、雷立坤等（2018）的研究结果表明，中国经济政策不确定性的升高会对中国股市波动率产生负面冲击。

可以看出，上述文献均未基于中国分类经济政策不确定指数进行研究，且未考虑新冠肺炎疫情的影响。更为重要的是，Baker等（2016）构建中国EPU指数时采用的信息源仅为香港《南华早报》，代表性方面存在严重不足，因此相关研究结果可能并不能反映真实情况。

Huang和Luk（2020）扩充数据来源，包括《人民日报·海外版》《北京青年报》《解放日报》等10份国内重要报纸，并将经济政策不确定性分为财政政策不确定性（Fiscal Policy Uncertainty）、货币政策不确定性（Monetary Policy Uncertainty）、贸易政策不确定性（Trade Policy Uncertainty）、汇率和资本账户政策不确定性（Exchange Rate and Capital Account Policy Uncertainty）四个类别，分别建立指数，形成中国分类经济政策不确定性指数，经检验结果满足稳健性且不受媒体偏见的影响。

因此，本文将采用Huang和Luk（2020）构建的中国分类经济政策不确定性指数，考虑变量特点、误差分布及变量间相关关系，选择最优残差分布下的GRACH—Copula模型，探讨新冠肺炎疫情背景下中国四种经济政策不确定性与亚太主要股市的关联性。

本文主要贡献在于：（1）四种分类经济政策不确定性指数的使用。（2）对不同变量分别基于多种残差分布、GARCH模型及Copula函数组合的拟合效果，选择各自最优边缘分布，而以往研究是对各变量选取相对最优的同一模型。（3）考虑了新冠肺炎疫情对EPU与股市联动性的影响。本研究将进一步丰富经济政策不确定性与股票市场关系的研究，为相关机构的风险管理与决策提供一定的借鉴。

二、实证研究设计

（一）变量选择与数据来源

1.经济政策不确定性

本文参照Huang和Luk（2020）的做法，选取财政政策不确定性指数、货币政策不确定性指数、贸易政策不确定性指数、汇率和资本账户政策不确定性指数衡量中国经济政策不确定性。

通过时序图及ADF检验发现，中国各分类经济政策不确定性指数均为非平稳序列。对各分类政策不确定性指数作对数差分变换，再次进行检验，均已满足平稳性。为叙述方便，本文用DLF、DLM、DLT和DLE分别表示对数差分变换后的财政政策不确定性指数、货币政策不确定性指数、贸易政策不确定性指数、汇率和资本账户政策不确定性指数，四个变量名称中的“DL”表示对序列进行对数差分变换。

经济政策不确定性数据来源于https://economicpolicyuncertaintyinchina.weebly.com。

2.亚太地区主要股市股指数据

本文研究的数据时间跨度为2000年1月—2020年10月。为研究新冠肺炎疫情对中国经济政策不确定性与亚太地区主要股市相关关系的影响，本文将数据集分为两个样本区间，其中，样本一指2000年1月—2019年12月（即疫情爆发前），样本二指2000年1月—2020年10月（包含疫情时期）。

本文参考韩菲和王超（2018）的做法，选取中国、中国香港、日本、韩国、印度、新加坡和澳大利亚七个亚太地区重要经济体，以其代表性的股票指数为研究对象（见表1），考察各经济体股市与中国分类经济政策不确定性的动态关联关系。股指收益率计算公式如下：

表1 股票指数选取结果

其中，Ri,t为第i个股票指数第t期的收益率，pi,t和pi,t−1分别为第i个股票指数第t期和第t−1期的收盘价格。各股票指数的收盘价格数据来自同花顺数据库。

（二）变量描述性统计

本文主要变量的描述性统计及相关检验结果见表2-1和表2-2。可以看出，各变量序列在两个样本中没有明显差异；变量的偏度和峰度数据表明，除汇率和资本账户政策不确定性指数（DLE）外，其余各变量序列均趋于尖峰厚尾分布。

表2-1 变量描述性统计及相关检验结果：样本一

表2-2 变量描述性统计及相关检验结果：样本二

表2-2 （续）

本文主要变量的相关检验包括三类：（1）J-B检验。结果表明，除财政政策不确定性指数（DLF）、贸易政策不确定性指数（DLT）及汇率和资本账户政策不确定性指数（DLE）序列外，其他变量序列均显著拒绝原假设（p<0.05），即序列不服从正态分布，所以在残差分布选择时不能直接假定为正态分布，应考虑实际变量特点选择相应合适的分布模型；（2）ADF检验。结果表明，各变量序列都不存在单位根，即均为平稳序列；（3）ARCH检验。结果表明，除东京日经225指数（N225）序列外，其他变量都存在显著的ARCH效应，即存在明显的波动聚集现象。

三、实证研究

（一）边缘分布选择

韩菲和王超（2018）在研究中国经济政策不确定性与亚洲股市之间关系时，对所有变量选取同样的边缘分布模型，这虽然简化了计算过程，但也降低了各变量分布拟合的精确度。因此，本文依据模型估计结果的显著性及AIC准则，选择各变量序列的最优边缘分布模型。

本文选用4种残差分布（t分布、偏t分布、GED分布、偏正态分布）、2种GARCH模型（EGARCH模型和GJR—GARCH模型），对所有变量序列分别拟合基于不同残差分布下的GARCH模型，依据拟合效果选择各变量在两个样本区间内的最优边缘分布模型，结果如表3所示。可以看出，两个样本的边缘分布选择结果并不完全一致，其中，STI、SENSEX30、DLE和DLM在两个样本区间内选择的最优模型存在差异。也就是说，选择诸变量各自最优的边缘分布进行拟合，提高了估计结果的准确性。因此，本文研究方法优于现有文献。

表3 边缘分布及GARCH模型选择结果

（二）Copula函数选择

本文对变量序列拟合最优边缘分布模型，并提取过滤后的标准化残差序列；然后利用经验累积分布函数变换将残差序列转化为标准均匀分布，并代入12种备选的Copula函数（9种静态Copula函数：Normal Copula、Clayton Copula、Rotated Clayton Copula、Plackete Copula、Frank Copula、Gumbel Copula、Rotated Gumbel、Student-T Copula和SJC Copula；3种动态Copula函数：时变Normal Copula、时变Rotated Gumbel Copula和时变SJC Copula）进行拟合，计算各Copula函数的极大似然函数值、AIC值和BIC值，并按该值对Copula函数排名。结果表明，各变量对应的Copula函数排名结果在以上三种准则下的排序一致①限于篇幅，Copula函数排名结果从略，作者备索。，其中，约64%的变量对应的最优Copula函数是时变Normal Copula，约32%的变量对应的最优Copula函数是Student-T Copula。此外，动态Copula函数比静态Copula函数更能体现出相关关系的时变性。因此，本文选择时变Normal copula函数，来分析中国分类经济政策不确定性指数与亚太股票收益率的相关性。

（三）中国分类经济政策不确定性指数与亚太主要股市的相关性

使用选择的最优Copula函数分析中国分类经济政策不确定性指数与亚太地区主要股市的相关性及新冠肺炎疫情的影响作用，具体做法是基于上节选择的最优边缘分布模型（见表3）和时变Normal Copula函数画出对应的动态相关图，并给出每个动态相关图整体波动范围区间，在此基础上对中国分类经济政策不确定性指数与亚太地区主要股市的相关性进行分析。

本文根据中国与亚太地区主要股票市场所属经济体贸易往来的密切程度②2000－2019年中国对亚太地区主要经济体出口额的平均值分别是：中国香港2091.22亿元、日本1085.44亿元、韩国654.20亿元、印度351.19亿元、新加坡310.87亿元、澳大利亚251.09亿元（数据来源：联合国统计司、中国海关）。限于篇幅，分年度数据从略，作者备索。将亚太地区主要股标市声场分为I类股市和II类股市，其中，Ⅰ类股市包括中国香港地区和日本股票市场，Ⅱ类股市包括韩国、印度、新加坡和澳大利亚股票市场。为方便讨论，将中国内地股票市场也归为第Ⅰ类。

1.中国分类经济政策不确定性与Ⅰ类股市的相关性

图1是中国分类经济政策不确定性指数与上海证券综合指数（SHZ）收益率的相关时序图，从中可以看出：（1）中国汇率和资本账户政策不确定性指数（DLE）与SHZ的相关性最显著，且相关系数是正负交替的；随着汇率上升即本币贬值，股票价格也随之上升，而从证券角度看，股价的上升也会引起汇率的上升，汇率政策的不可预测性与本国股市变化息息相关；（2）中国货币政策不确定性指数（DLM）与SHZ的相关性最小且呈现负相关关系，整体上呈现出周期性波动的特点，这也表现出中国货币政策的时变性和不可估测性与本国股市的波动无显著的直接相关关系；（3）中国财政政策不确定性指数（DLF）与SHZ的相关性在两个样本中差异最大，即两者的相关性受疫情的影响最大。新冠肺炎疫情的出现一定程度上冲击了中国内地金融市场及各个行业的发展，中国内地各项财政政策也随着股市的波动而进行适时调整，进一步增强了两者的相互影响作用。

图1 中国分类经济政策不确定性指数与上海证券综合指数（SHZ）的相关时序图

图2是中国分类经济政策不确定性指数与香港恒生指数（HSI）的相关时序图，从中可以看出：（1）中国分类经济政策不确定性指数中的DLF、DLM、DLE均与HSI整体上呈负相关关系，说明中国经济政策的频繁变动与中国香港地区股市的波动方向并不完全一致，反而经常呈现出相反的走向，说明中国经济政策不确定性的提高伴随着中国香港股市的不景气表现；（2）中国分类经济政策不确定性指数与HSI的相关性在两个样本中表现基本一致，没有明显差异，即新冠肺炎疫情的产生在整体上对两者的相关系数变化没有显著影响。这表明新冠肺炎疫情初期中国经济政策变化的不确定性未对中国香港地区股市造成较大的冲击。

图2 中国分类经济政策不确定性指数与香港恒生指数（HSI）的相关时序图

图3是中国分类经济政策不确定性指数与东京日经225指数（N225）的相关时序图，从中可以看出：（1）中国各分类经济政策不确定性指数与N225的相关性在两个样本中存在显著的差异，DLF和DLT表现尤其明显，说明新冠肺炎疫情的发生显著影响了中国经济政策不确定性与日本股市的关系，新冠肺炎疫情下中国各经济政策表现出的不确定性波动在一定程度上冲击了日本股市；（2）除中国贸易政策不确定性（DLT）外，其他三类经济政策不确定性指数均与N225呈负相关关系，即中国经济政策的不确定性变化趋势与日本股市的变化趋势呈现相反的方向。

对比图1～图3可以发现，中国汇率和资本账户政策不确定性指数（DLE）与中国本国的上海证券综合指数（SHZ）、香港恒生指数（HSI）相关性较高，尤其是与HSI呈现较强的联动性，且一直处于负相关状态，说明该政策不确定性的升高伴随着中国香港地区股票市场收益率的下降。

进一步列出中国分类经济政策不确定性指数与Ⅰ类股市收益率的动态相关系数时序图大致变动范围，见表4。

表4 中国分类经济政策不确定性指数与Ⅰ类股市收益率相关系数

由表4可以看出：新冠肺炎疫情对于中国经济政策不确定性与中国本国股市之间的影响并不显著，其原因可能是此次疫情的爆发虽然造成了中国短期内停工停产，但国家对疫情的控制及相应政策的实施使国内的经济发展较快恢复；货币政策不确定性指数（DLM）和香港恒生指数（HSI）的相关系数、汇率和资本账户政策不确定性指数（DLE）与上海证券综合指数（SHZ）的相关系数更大，这体现了中国货币资本流通及相关政策变化对本国股市具有显著的影响。

2.中国分类经济政策不确定性指数与Ⅱ类股市的相关性分析

图4是中国分类经济政策不确定性指数与韩国KOSPI指数（KS11）的相关时序图，从中可以看出：（1）中国分类经济政策不确定性指数与KS11的动态相关系数较小，且呈现较强的波动性，说明两者不存在一成不变的相互影响作用；（2）中国分类经济政策不确定性指数中，DLF、DLM和DLE均与KS11呈负相关关系，仅DLT与KS11的相关性是正负交替的，即中国财政、货币、汇率和资本账户政策不确定性提高时，韩国股市表现低迷，而中国贸易政策不确定性变化趋势与韩国股市波动趋势时而一致，时而相反；（3）DLF-KS11、DLM-KS11两组动态相关系数时序图，分别在两个样本中呈现不同的波动趋势，说明新冠肺炎疫情的发生显著影响了中国财政、货币政策不确定性与韩国股市的关系。

图4 中国分类经济政策不确定性指数与韩国KOSPI指数（KS11）的相关时序图

图5是中国分类经济政策不确定性指数与印度SENSEX30指数（SENSEX30）的相关时序图，从中可以看出：DLF和DLM分别与SENSEX30呈负相关关系，DLF表现尤为明显，说明中国财政政策不确定性、中国货币政策不确定性提高时，印度股市呈现低迷走势。

图5 中国分类经济政策不确定性指数与印度SENSEX30指数（SENSEX30）的相关时序图

图6是中国分类经济政策不确定性指数与海峡时报指数（STI）的相关时序图，从出可以看出：（1）DLT、DLE两个指数与STI的相关系数都较大，基本维持在[−0.4,0.5]，即中国贸易政策、汇率和资本账户政策的不确定性与新加坡股市的收益率具有较强的联动性，这与新加坡是国际贸易金融市场的重要枢纽有很大关系；（2）DLT、DLE两个指数与STI的相关系数在2008年金融危机与2015年“811汇改”等节点上出现较大的突变。

图6 中国分类经济政策不确定性指数与海峡时报指数（STI）的相关时序图

图7是中国分类经济政策不确定性指数与澳大利亚普通股指数（AORD）的相关时序图，从中可以看出：（1）中国分类政策不确定性指数与AORD的相关性较为显著，尤其是中国汇率和资本账户政策不确定性指数（DLE）更为明显；（2）DLT与AORD的相关系数在两个样本中差异较大，表明中国贸易政策不确定性与澳大利亚股市之间的关系，受新冠肺炎疫情影响较大。

图7 中国分类经济政策不确定性指数与澳大利亚普通股指数（AORD）的相关时序图

对比分析图4～图7，可得出如下结论：（1）中国分类经济政策不确定性与新加坡、澳大利亚股票市场的相关性更为显著，特别是中国贸易政策不确定性指数（DLT）、汇率和资本账户政策不确定性指数（DLE）与海峡时报指数（STI）的相关关系，及中国货币政策不确定性指数（DLM）、汇率和资本账户政策不确定性指数（DLE）与澳大利亚普通股指数（AORD）的相关性都达到了较大值，相关系数的绝对值在0.4左右，但彼此的相关性并没有因为疫情的发生而产生剧烈变化；（2）从相关性变动趋势看，受疫情影响最大的是中国财政政策不确定性指数（DLF）与印度SENSEX30指数（SENSEX30）、中国贸易政策不确定性指数（DLT）与AORD的相关性，中国分类经济政策不确定性指数与韩国KOSPI指数（KS11）的相关性较弱、且未受到疫情过多的影响。这说明新冠肺炎疫情发生后，中国政府推出的多项应急政策，特别是财政政策和贸易政策，在一定程度上稳定了中国股市，但该疫情依然对中国的经济发展、企业投资及工厂运营等造成了不同程度的影响，特别是对一些中外合资企业带来了沉重的打击。

本文进一步列出中国分类经济政策不确定性与亚太地区II类股市收益率的动态相关系数的大致变动范围，见表5。

表5 中国分类经济政策不确定性指数与Ⅱ类股市收益率相关系数

由表5可知，相关性变化较大的主要是中国贸易政策不确定性指数（DLT）分别与海峡时报指数（STI）、澳大利亚普通股指数（AORD）的相关性，中国财政政策不确定性指数（DLF）与印度SENSEX30指数（SENSEX30）的相关性，特别是前者在新冠肺炎疫情发生后显著增大。新加坡作为国际商业贸易的枢纽之一，很多跨国公司的企业总部设在新加坡，新冠肺炎疫情导致许多国家（地区）出现停工停产，从而对新加坡的金融、贸易、商业和旅游等行业带来重创，造成一系列的经济连锁反应。结合图7可知，中国贸易政策不确定性指数（DLT）与澳大利亚普通股指数（AORD）表现出较强的联动性，其原因可能是2020年以来中澳关系愈发紧张，加之新冠肺炎疫情的爆发，对澳大利亚的旅游业等产生了较大影响。

（四）不同经济政策不确定性度量方法下的对比研究

同时，本文基于Baker等（2016）的EPU指数，在新冠肺炎疫情背景下考察了中国经济政策不确定性与亚太股市的相关关系①限于篇幅，基于EPU指数的实证结果从略，作者备索。。实证结果发现：（1）中国EPU指数与上海证券综合指数（SHZ）、东京日经225指数（N225）及海峡时报指数（STI）呈现弱负相关关系，相关系数绝对值大致在[0,0.3]波动；（2）中国EPU指数与香港恒生指数

（HSI）、韩国KOSPI指数（KS11）、印度SENSEX30指数（SENSEX30）呈现正负交替的相关关系；（3）中国EPU指数与各股市收益率之间的动态相关系数具有较强的联动性；（4）在所研究的亚太地区七大股票市场中，仅印度股市（SENSEX30）、新加坡股市（STI）与中国EPU指数的相关系数变化明显受到新冠肺炎疫情的影响。

对比分析以上结果与上文基于中国分类经济政策不确定性指数的相关研究结果（图1～图7），可以发现：

第一，新冠肺炎疫情爆发前（2000.1～2019.12），中国经济政策不确定性与印度、日本两个经济体主要股市的相关性在两种指数体系下表现相似；但与中国内地、中国香港地区、韩国、新加坡、澳大利亚五个经济体主要股票市场的相关关系，在两种指数体系下表现不同，如：中国EPU指数与韩国KOSPI指数（KS11）相关系数在[−0.5,0.44]波动，而中国四种分类经济政策不确定性指数与韩国KOSPI指数（KS11）均为负相关关系；中国EPU指数与海峡时报指数（STI）的相关系数一直为负数，而中国贸易政策不确定性指数（DLT）与STI的相关系数在[−0.4,0.5]正负交替。

第二，新冠肺炎疫情爆发后（2000.1～2020.10），中国EPU指数与中国香港、韩国、澳大利亚三个经济体主要股票市场收益率的相关性与新冠肺炎疫情爆发前没有明显的区别；而中国分类经济政策不确定性与亚太地区主要股票市场收益率的相关性与新冠肺炎疫情爆发前有明显变化，如中国财政政策不确定性指数（DLF）与上海证券综合指数（SHZ）、东京日经225指数（N225）、韩国KOSPI指数（KS11）、印度SENSEX30指数（SENSEX30）收益率的相关系数，中国贸易政策不确定性指数（DLT）与香港恒生指数（HSI）、东京日经225指数（N225）、印度SENSEX30指数（SENSEX30）、澳大利亚普通股指数（AORD）收益率的相关系数，变化范围在疫情后均发生明显的扩大或缩小。

综上所述，与Baker等（2016）构建的EPU指数相比，本文基于Huang和Luk（2020）构建的中国分类经济政策不确定性指数，能够得到更为丰富的信息，从而判断出具体政策在风险传导中的作用。此外，对各变量选用最优的残差分布及GARCH—Copula模型也进一步提升了结果的准确度。

四、结论与政策建议

本文基于Huang和Luk（2020）构建的中国分类经济政策不确定性指数，在新冠肺炎疫情背景下采用GARCH—时变Copula模型，研究了中国经济政策不确定性与亚太地区主要股市的动态相关关系，得出如下结论：

第一，中国汇率和资本账户不确定性与中国内地、中国香港地区、新加坡及澳大利亚股市的相关性相对最强，且具有强联动性；财政政策和贸易政策不确定性与亚太地区主要股票市场的相关性受新冠肺炎疫情影响最显著，特别是与日本、印度和澳大利亚股市；而货币政策不确定性与亚太地区主要股票市场的相关性在新冠肺炎疫情前后的变化很不明显。

第二，基于中国分类经济政策不确定性指数的研究，能够得到中国不同经济政策与亚太股市的相关性变化，其结果优于Baker等（2016）的EPU指数方法。比如，基于中国EPU指数考察中国经济政策不确定性与亚太地区主要股市的相关性时，发现中国EPU指数与韩国股市的相关性是正负交替的，而基于中国分类经济政策不确定性指数时可以看到四种政策的不确定性与韩国股市基本都是负相关关系，中国分类经济政策不确定性指数与新加坡股市的相关性也表现出同样的偏差。

在此基础上，本文提出如下政策建议：

第一，中国汇率和资本账户政策不确定性与中国香港地区、新加坡及澳大利亚股市的相关性显著，因为汇率的变动会影响股价的波动，特别是贸易往来紧密的经济体之间影响更为明显。因此，应该适时关注贸易伙伴国之间的汇率和资本账户相关政策变化，进而作出合理的投资决策。

第二，中国财政政策和贸易政策的不确定性与亚太股市之间的联动性受极端事件影响最明显，特别是与日本、印度和澳大利亚股市之间的相关性影响最大。政府及相关部门应实时监测财政政策和贸易政策与股市的联动性，以便及时应对类似新冠肺炎疫情突发事件的冲击。

第三，应当根据具体政策变化考察其与各国股市联动性，进而制定更具有针对性的风险防控措施。此外，还应增强各类经济政策实施的稳定性和持久性，避免因不确定性增强引致的股市动荡。