中国经济政策与金融市场波动的内在逻辑※——基于大数据挖掘的视角

李超杰 郑凯鑫

内容提要：文章主要研究了中国经济政策与市场波动的内在逻辑关系。首先以Baker等(2016)的方法为蓝本重新构建了适合中国新闻媒体用语习惯的术语库和经济政策不确定性指数，并发现该指数是造成金融市场波动的原因。然后将经济政策进一步细分为财政政策、货币政策和贸易政策三大类，并按行业计算了A股所有上市公司相对于特定政策类别的暴露程度，发现债券市场受货币政策不确定性的影响更大，且受影响的渠道较为集中；财政政策不确定性对于股市波动的影响在微观层面显著而在宏观层面并不显著；贸易政策不确定性对于股市波动来说在控制了净出口和汇率变量时均有显著影响，但对于债券市场来说只在控制了净出口变量时有显著影响。

一、 引 言

经济政策不确定性是指经济活动参与者无法准确预期到经济政策决策层会制定哪些措施，从而在实际的投资、消费或生产活动中采取更为谨慎和保守的行为(Bloom, 2014)。经济活动参与者的这一行为也会反映到金融市场上，尤其是股票市场，很多学者的研究(Connolly等，2005; Zhang, 2006；Arnold和Vrugt, 2008; Beber和Brandt, 2009; Baker等，2016；Bloom, 2014)都表明当经济政策存在较大的不确定的时候，投资者的买卖交易更为频繁，股票价格的波动往往更为剧烈，市场的系统性风险凸显。如何去测度经济政策的不确定性困扰着以往的许多学者，而Baker等(2016)提出的基于新闻报道的创新性测度研究更加符合经济政策不确定性的实际内涵。由于新闻媒体文章的内容来源为实际的经济活动参与人，并且通常会对业界的权威专家进行深入采访，或者对各行业的从业人员进行调查和走访，因此通过该方法构建出来的EPU指数往往更能反映人们的预期，符合经济政策不确定性的实际内涵。

为了研究更加具体的经济政策的影响，例如财政政策、货币政策和贸易政策的影响，Baker等(2016)还在每个具体的政策下面构建对应的词条库研究其对公司股价波动、投资率和就业率的影响。他发现在次贷危机之后的2008-2012年这段时期货币政策和财政政策是经济政策不确定的主要来源，主要是源于人们对于美国政府和美联储会实施什么样的经济政策来引导复苏不是特别清晰和明朗，而从2016年特朗普当选总统之后，中美贸易摩擦加剧，全球贸易保护主义抬头，贸易和汇率方面的不确定性开始不断上升，并在2018年末到2019年初成为经济政策不确定性的主要来源。国内也有不少学者分析了特定政策的不确定性对于金融市场波动性的影响，但关于特定政策是如何影响金融市场并没有形成统一的意见。例如，姜再勇和钟正生(2010)专注于研究利率市场化对于市场波动的影响，认为利率市场化有助于股票市场的价格发现功能，因此能在一定程度上降低金融市场的波动性。储成兵(2011)认为在利率提高的时候，投入股票市场的机会成本就会增加，一部分投资者会选择存入银行，因此，投入股票市场的资金数量就会减少，股票市场换手及交易量会降低，从而会降低股票市场波动性。屈新和康媛璐(2011)认为财政支出的增加，可以在一定程度上提醒人们有更多的、更好的其他投资机会，比如房地产投资，此时人们会将一部分资金从股票市场拿出来去投资收益更大的产品，因此会在一定程度上降低股票市场的波动。孙研和王春艳(2013)发现以存款准备金率改变为代表的货币政策在中长期对投资者投资行为表现出统计上显著的影响：以利率调整为代表的货币政策对股票市场波动的影响不显著；以印花税为代表的财政政策的改变表现出对股票市场波动和投资者投资行为的显著影响。周宙和魏杰(2015)认为由于财政支出具有挤出效应，会加剧中小企业的融资困境，这些企业为了生存下去会不惜大肆举债加大杠杆率，引发金融市场动荡。杨伟中等(2018)认为利率市场化下国家的管控能力缺失，反而会助长金融市场的投机行为，引起异常波动。

本文主要考察的是中国经济政策的不确定性和金融市场波动的关系，因此会在参考中国新闻媒体的用词习惯上重新构建EPU指数。虽然Baker等(2016)也做过将EPU指数应用在中国市场上的工作，但他们选取的内容来源仅为《南华早报》一家新闻媒体，而且该报纸主要的经营范围地处香港。为了更全面地反映中国经济活动参与者的预期，本文主要选取了中国境内权威的2家官方媒体、5家主流经济媒体，以及3家网络媒体。

在研究经济政策不确定性对微观层面的影响时，Baker等(2016)的研究方式是选择企业级别的个股隐含波动率，并在仅考虑政府支出不确定性单一传导渠道的基础上计算每家企业对政府支出的暴露程度，通过面板数据的分析方式来达到研究目的。但是，由于中国目前个股期权并没有放开，因此本文采用个股的已实现波动率来刻画企业股价的波动性。此外，为了综合分析各种政策对于股市波动的影响，本文还加入了货币政策的不确定性和各企业相对于货币政策的暴露、贸易及汇率不确定性以及各企业相对于贸易政策的暴露。

本文对该领域的研究者、金融市场的投资者以及行业的监管者来说都有重要的理论意义和现实意义。理论意义表现在：第一，重新构建了适合中国经济的EPU指数并提供了切实可行的方法，这为后续的研究奠定了良好的基础；第二，分析比较了财政政策、货币政策和贸易政策不确定性对于股市波动的影响，弥补了Baker等人只分析单一影响渠道的不足。现实意义表现在：第一，为相关部门的政策实施提供了一定的参考价值；第二，经济政策的不确定性和金融市场波动也是普惠金融研究的重要方面。本文从政策面角度为资本市场的参与者提供了有效的投资建议。

二、 经济政策不确定性与金融市场波动的相关性

要构建经济政策不确定性指数，首先最重要的是要确定相关的术语集，由于中文特殊的用语习惯和英文表达的显著差异，本文最终采用通过人为审查和最小化错误率的方式来确定整体经济政策和特定政策的术语集。此外，本文还初步分析了其与股票市场波动的相关性并探究异常波动和跳跃情况下背后的历史事件。

1.经济政策不确定指数的构建

本文参考Baker等(2016)关于经济政策不确定性指数的构建，首先选取的新闻报道来源是2家官方媒体：《人民网》《新华网》；5家主流经济媒体：《21世纪经济报道》《第一财经日报》《经济观察报》《中国经营报》《财经网》；以及3家网络媒体：新浪财经、网易财经、凤凰财经。选取这10家新闻媒体的主要目的是力求达到全面覆盖各行各界对于某一时期经济政策的看法和预期。其中《人民网》和《新华网》分别隶属于人民日报和新华社，两者实际上都由中国的党政机关负责和管辖，其报道内容一定程度上反映了政府的政策意图，为了排除掉不相关话题的噪声影响和提高处理的速度，本文仅选取两大网站上的财经板块内容。5家主流经济媒体是目前国内用户数量和影响范围排名均比较靠前的经济类杂志报刊。此外，由于以上7家新闻媒体的发文通常比较正式和严谨，因此后台的审核往往较为严格，有时无法及时捕捉到市场上的信息，而另3家网络媒体正好弥补了这点不足，新闻的及时性较高，有时能捕捉到不是特别显眼的信息，而这些信息可能恰恰是后面爆发性事件的前兆，3家财经门户网站中新浪财经的市场占有率最高，约为33%，其中网易财经的占有率为28%，凤凰财经占有率为19%，因此选取这3家具有极高的代表性。

表1 人为审计和最小化错误率方式得到的术语集

具体的确定过程中有几个问题值得注意和考究：第一，选取的时段问题。由于每个杂志报刊的创办时间不同，如果选取的时间段跨度太长可能导致某一家新闻媒体文本数据在某一时期的缺失。此外，由于经济体制和外部环境的结构性变化，术语集可能也会随之发生变化，比如在中国2001年加入WTO前后，人们对于政策不确定性的关注开始更加注重外部环境，并且决策当局和监管者的政策实施也会更多地考虑内部和外部条件的联动性，贸易和汇率等术语会更多地被提及，综合考虑以上两点原因，本文只统计2002年以后的新闻报道。第二，主观判断的偏差。在人为审查部分对于随机抽选的文章进行识别的时候，不同的人受自身学识水平和直觉感受的影响可能对于同一篇报道给出不同的判断，因此需要对同一篇文章进行交叉审查，按照大多数原则对于报道的性质进行判断。第三，分词技术和无主题倾向的组织性词组处理。在文本分析中，通常会过滤掉停用词，中文中的停用词包括一些助词虚词、指示代词、语气词以及部分形容词等，这些词通常没有主题倾向，本文通过Jieba库来过滤掉这些词组(2)Jieba库是Python语言中做中文文本分析较为流行的第三方库。。第四，第一类错误和第二类错误。第一类错误指人为识别的文章属于经济政策不确定性类但通过计算机文本分析得出了相反的结果(即EPU_H=1，EPU_C=0)，第二类错误指人为识别出来的文章不属于经济政策不确定性类但通过计算机文本分析却将该文章归入该类(即EPU_H=0，EPU_C=1)，当术语集中的元素增加的时候，理论上来说，犯第一类错误的可能性会下降，但犯第二类错误的可能性会上升，合理的术语集规模是最小化两类错误的总和。

如果选择的计数频率太高的话，会出现大部分时间节点上的经济政策不确定性指标数值都在0附近徘徊，因此本文按月度计算每家新闻媒体标记为EPU_C=1的文章数量，同时由于某段时期内生产文章数量越多的新闻媒体倾向于拥有越多的被标记为EPU_C=1的文章数量，因此本文通过将标记为EUP_C=1的文章数量除以月内总文章数量方式进行标准化处理，得到每家媒体的标准化目标文章频率之后，还需要对10家新闻媒体的该比率进行平均化处理，最后将期初值标准化到100得到本文所需要的月频EPU指标，用公式可以表示为：

(1)

此外本文还需要寻找经济政策不确定背后的历史原因，以便更好地完成后续的实证研究部分，采用的方法是以90%分位数确定历史上的极端情况，并对照相应时间段内新闻媒体报道的主要内容，发现关于经济政策不确定从性质角度可以划分为两类：第一，由于当下宏观形势的微妙性导致人们无法确切预期到政府和有关部门可能采取的政策；第二，政府和有关部门实行或者将要实施的某项重大政策对市场影响和潜在后果的不确定性。而从政策的实施主体角度可以划分为三类(4)对于诸如战争等地缘政治风险引发的对于本国经济的冲击，这里不进行单独列出，理由是相关决策部门在运用政策工具时必须将这种冲击纳入考量的范围，归根结底也属于上述三类不确定性的其中之一或者几类兼有。：第一，政府的财政政策和一些重要的规章制度变革；第二，央行的货币和汇率政策；第三，贸易和外交政策。另外需要注意的是按照上述方法识别出来的具有经济政策不确定性特征的文章其政策实施者既包括国内有关当局也包括国外的决策部门。

为了进一步说明本文所构建EPU指数识别的有效性，图2对比了Baker等人构建的中国经济政策不确定性和本人所确立的指数在2002年1月至2019年6月的走势(5)Baker等人构建的中国EPU指数详见http:∥www.policyuncertainty.com/scmp_monthly.html，2021年12月1日。，可以发现本文的EPU指数相比于Baker等人的版本具有如下几点优势：第一，Baker等人所构建的中国EPU指数呈现不断上升的趋势，但并没有证据表明现阶段的经济政策不确定性程度要比过去十几年严重很多，而相比较而言本文的EPU指数相对来说比较平稳；第二，Baker等人所构建的中国EPU指数未能有效识别中国历史上几次重要的经济政策变革，如2003年的中国央行公开市场操作改革，以及2005年和2010年的两次汇改；第三，Baker等人所构建的中国EPU指数在识别效果上具有一定的滞后性，比如2008年受美国次贷危机影响，中国政府出台了一系列扩大投资、减税和增加市场流动性的政策，著名的“四万亿财政刺激计划”就是在那个时候出台的，而Baker等人的中国EPU指数直到2008年底才缓慢上升到峰值，相比于本文的EPU指数滞后了3～6个月。

如政策按照上文提到的政策实施主体角度进行划分，就可以构建出特定政策的EPU，由于汇率通常来说和贸易联系比较密切，因此需要对该划分进行细微的调整，将所有的政策分为三大类：货币政策、财政政策、贸易政策。按照前文中所提到的人为审计和最小化错误率的方法得到额外的特定政策术语集，见表2。

表2 特定政策术语集

特定政策EPU是在原有的“经济”“政策”和“不确定”三个基本术语集上新增指定的术语集进行文本分析，因此得到的目标文章数量必定小于整体的经济政策不确定文章数量，本文分别记财政政策不确定性指标为FEPU、货币政策不确定性指标为MEPU、贸易政策不确定性指标为TEPU。在相同样本期间内得到的相应指标变化见图3。EPU、FEPU、MEPU和TEPU的相关系数矩阵见表3。

从图3和表3中可以总结出如下几个规律：第一，货币政策的不确定通常高于其他两类不确定指标，除了少数时间段(7)可以看到2008末至2009末的时间段内财政政策不确定性指数高于其它两类，这是因为在此时期内政府出台了一系列的财政刺激政策来稳定经济，比如著名的“四万亿财政刺激计划”。。这是因为货币政策的灵活性和微调性较高，因此被央行广泛而普遍地使用，比如公开市场操作几乎每个工作日都会实施。第二，三类特定政策不确定性指数走势不仅相互之间一致性较高，并且和整体EPU高度吻合，大部分情况下同时达到峰值和低谷。这可能是由于宏观经济的各个部门联系较为紧密，冲击通常会相互传导，比如经济疲软通常会伴随流动性不足、投资萎缩和出口需求的下降，因此会同时对货币政策、财政政策和贸易政策发出挑战。第三，政策不确定指数的波动均较为剧烈，而其中又以货币政策的不确定性为甚。但这是否意味着人们对于未来经济预期的调整比较迅速还有待考证，因为政策不确定性指数的高波动特征也从一个侧面反映了人们的预期具有短视性，对于当下发生的事件赋予极高的权重。

表3 EPU、FEPU、MEPU和TEPU的相关系数矩阵

2.与金融市场波动的相关性

大量的实证研究和经验数据表明经济政策的不确定性和金融市场的波动是密切相关的，因为人们在无法准确预期到未来经济政策的走向的时候，会调整自己的资产配置行为，而这些行为会反映在金融资产价格的波动上。目前学术界关于两者的关系存在两种假说：一种是“政策风险假说”：Weber和Johnson(2009)、Bernal等(2016)、Tsai(2017)等人将经济政策的不确定视为一种政策风险，而这种不确定性通常伴随着较差的宏观环境，此时金融资产价格的波动性也会上升，比如金融危机时期经济政策不确定性和资产价格波动性往往具有双高的特征；与该解释相反的是，另一种是“预期一致性假说”：假设基于新闻媒体构建出来的EPU指数能够正确反映人们的预期(8)对于该命题依然存疑，主要是由于新闻媒体报道在有些情况下反映不如股票市场及时，因为媒体报道从撰写、审核到发布具有一定的周期，不像股票的交易行为通常比较迅速。，那么较高的EPU指数意味着人们预期的不一致性，Branch(2007)、Eusepi和Preston(2012)等人认为这种不一致性会弱化投资行为的趋同性，金融资产价格的波动性反而会比较平整，比如牛市中的正反馈效应推动股价不断上升正是由于投资者对于市场具有一致性的预期。

本文为了更具体地观察经济政策不确定性和金融市场波动之间的关系，首先寻找相关的指标刻画市场的波动性，然后比较两列时间序列在坐标轴上的变化趋势，初步观察两者的同步性和领先滞后关系，并对其中的急剧波动和跳跃情形寻找背后的历史原因，以便进一步佐证本文的猜想。

由于金融市场包含各种各样的金融产品，不同的金融产品具有不同的特征和相应的交易机制，本文暂且只考虑金融市场中的股票市场和债券市场。在指标刻画方面，分别用上证综指日频数据按每月计算的已实现波动率刻画股票市场的波动性，用10年期的国债收益率日频数据按每月计算的已实现波动率刻画债券市场的波动性，并和前文构建出来的经济政策不确定指数进行比较，见图4。采用上证综指和10年期国债来分别刻画股市和债市波动率的原因是受限于选取的时间跨度，本文希望在样本的存续期内，同一品种的相关数据一直存在并且容易获取；此外，鉴于深证综指等其他股市指数和上证综指的变动高度一致，本文只选取其中具有代表性的进行分析，而10年期国债收益率往往是债券市场其他固定收益类品种的基准，并且数据容易获取，本文以样本期间内活跃品种的价格变化率作为债券市场波动的衡量指标。

初步观察不难发现金融市场波动率和经济政策不确定指数两者的走势在大部分时期较为一致，似乎验证了前文的“政策风险假说”，除了部分时间段外。比如2007年和2015年两波著名的牛市导致股票市场的波动率急剧飙升，但经济政策不确定性指数分别直到2008年初和2016年才开始集中爆发，并且爆发的主要原因是受美国次贷危机和英国脱欧事件的影响，和前期的牛市并无直接联系，从这个角度来说又似乎验证了“预期一致性假说”。而在2002-2008年间，金融市场的向上波动似乎领先于经济政策不确定性指数的走势，比如2004年和2007年两次巨幅波动，但到了2008年之后这种现象减弱了很多，意味着在早期新闻媒体并没有起到很好地反映人们预期的作用。

理论上来说债市和宏观经济的联系更加紧密一些，因此债市波动率和经济政策不确定性指数的相关性应该比股市波动率和后者的相关性更大一些，但从图4来看，并不能很直观地感受到这一点，虽然说债市波动率更为平滑，符合先验逻辑和现实特征，但单从波动的幅度来看股市波动率的走势似乎和经济政策不确定指数更为接近，并且从相关系数来看后者也要更大一些。此外，如果仅仅看货币政策不确定指数和债市波动率相关系数的话，该指标高达0.63。说明债市波动率和货币政策不确定的相关性更高，直观上的解释也比较容易理解，货币政策主要影响的是市场利率和货币供给，而前者和债券的收益率是息息相关的。

总的来说，经济政策不确定性和金融市场波动存在一定的联系，但是单从时间序列上看难以得出确切的结论，在某些时期“政策风险假说”成立，而在其他时期似乎“预期一致性假说”成立。而对债券市场来说，经济政策不确定性指数和其以国债收益率刻画的波动率指标相关性较弱，但在考虑特定政策不确定性的情况下，只有货币政策不确定性和债市波动的相关性较强。

三、 经济政策不确定性对市场影响的实证研究

从上文分析可以看出经济政策不确定性和金融市场的波动性存在一定的相关性，大多数情况下当不确定性较高的时候，往往伴随着金融市场的波动率的上升，但也有部分时间段两者表示出相反的走势。本文进一步将分析两者之间是否存在因果效应，即经济政策的不确定是否是造成金融市场波动的原因；如果是的话，那么影响的方向如何(属于正向影响还是负向影响)？影响的程度是多少？在考虑特定政策的情况下，财政政策、货币政策及贸易政策不确定性对于这种波动性的各自影响程度如何？本文分别从宏观影响机制和微观影响机制两个角度来分析这一问题。

1.经济政策不确定性的宏观影响机制

首先，本文将国内金融市场简单地划分为股票市场和债券市场，由于两大市场性质的不同，分别考虑经济政策不确定性对于股市和债市波动率的影响，对于股市来说，被解释变量选择沪深300指数回报的30天已实现波动率；对于债市来说，被解释变量选择10年期国债收益率的30天已实现波动率。

其次，为了更为细致地研究在经济政策不确定对于金融市场的波动性具有显著影响的前提下，究竟哪类特定的经济政策对于金融市场的影响更为明显，本文将解释变量分为两组：一组是考虑整体影响下的经济政策不确定性指数，另一组是考虑局部影响下的财政、货币和贸易政策不确定性指数。

此外，在控制变量的选取上本文分别考虑数量型指标和价格型指标两大类别：第一，数量型指标：政府支出、货币供给量和进出口总额各自相对于GDP的占比。第二，价格型指标：基准利率和人民币实际汇率。

当控制变量为数量型指标时，分析经济政策不确定性对股票市场波动率的回归模型可以写作(2)式，而以价格型指标为控制变量的回归模型可以写作(3)式。具体模型如下：

(2)

log(Volt)=c+α1log(EPUt)+α2BRt+α3log(REERt)+ut

(3)

其中Vol为沪深300指数回报的30天已实现波动率，EPU代表按月度衡量的整体经济政策不确定性指数；GovPur/GDP、M2/GDP和EXP/GDP分别代表政府购买、M2供给量及出口额与GDP的比值，除了GDP为季度数据以外，政府购买、M2和出口额都为月度数据，均来自国家统计局数据库；BR为1年期贷款基准利率(日频数据)，REER为人民币的实际有效汇率(月度数据)，BR可以作为反映财政政策和货币政策的一阶代理变量(9)这里假设财政政策具有挤出效应，会影响市场利率水平，另一种可以作为财政政策价格型一阶代理变量的是印花税税率，但由于国内印花税税率调整的频率很低，难以完全反映财政政策的调整。，REER可以作为反映贸易政策的一阶代理变量。为了保持回归变量数据频率的一致性，本文对低频数据进行升频处理(10)本文中将季度GDP调整为月度数据的做法是做平均化处理。，对高频数据进行降频处理，使所有的变量都为月度数据。

公式(2)和(3)的回归结果在表4中展示，从该表的实证结果中本文可以得出以下几点结论。

第一，无论是债券市场还是股票市场，经济政策不确定性都对市场波动率具有显著正向影响，即“政策风险假说”在本文中成立，经济政策不确定性更多地表现为一种系统性风险，会加剧金融市场波动幅度。

第二，在控制了政府支出、货币供应量和进出口等变量后，经济政策不确定性在债券市场和股票市场都对波动率有显著影响；并且当控制了基准利率和实际有效汇率等变量后，这种显著影响在股票市场和债券市场依然存在。可能是因为当前中国利率尚未实现完全市场化，难以真正反映资金供求状况，经济政策的不确定性仍然会通过其他渠道影响股票市场或债券市场的流动性，进而影响金融市场波动程度。

第三，财政政策不确定性在本文中对于市场波动性的影响并不显著，即使是与之相关的控制变量也不显著。可能的原因是财政政策本身实施频率比较低，加上由于本文所选取样本时间跨度较长，因此大部分时期对应政策指数的波动属于噪声，对于金融市场的解释力度较差，并且财政政策对实体经济的作用时间较长，短时间内难以体现在金融市场波动上。虽然说2007年的牛市很大程度上是由于印花税下调引起的，而印花税在本文中被归于财政政策的范畴，但这毕竟是少有的事件冲击，难以对2002-2018年间将近17年时间跨度的市场波动做出解释(11)为了使该论断更具说服力，本文单单截取了2007-2008年两年的数据进行回归分析，发现此时财政政策不确定性对于股票市场波动率的统计系数在5%的统计水平上显著。。

第四，货币政策不确定性指数对于金融市场波动性的影响程度最深。可以看到在控制财政支出、货币供应量和净出口等数量型指标上，货币政策不确定性指数每上升1%，股市和债市波动率的上升幅度分别为0.317%和0.307%，远高于财政政策和贸易政策的对应值，即使控制的是数量型指标；此外，货币政策不确定性在控制数量型指标时对于股市波动率的影响小于在控制价格型指标时，而该现象在债券市场上并不明显，可能的原因是中国的股票市场受流动性的约束比较大，由于利率等价格型指标在尚未完成市场化的前提下难以反映资金的实际供求状况，因此货币政策会通过除利率以外的其他影响渠道作用于股票市场。

表4 经济政策不确定性对于整体股市和债市的影响

第五，贸易政策不确定性对于股市波动来说在控制了净出口和汇率变量时均有显著影响，但对于债券市场来说只在控制了净出口变量时有显著影响；并且对于股票市场来说控制变量中实际有效汇率的影响并不显著。可能的原因是国内的贸易政策大多针对人民币的汇率制度改革，如2005年的那次汇改引起了股市和债市的极大波动(图3)，而国外针对中国贸易政策大多为限制部分商品的进口和加征关税，再加上中国经济在近十几年来对于贸易的依存度较高，尤其是A股的大部分上市公司销售收入很大一部分来源于海外市场，因此本文可以看到贸易政策不确定性和控制变量中的净出口额对于金融市场的波动具有极强的解释力度，而人民币汇率即使经历过历史上的几次汇改，总体的波动其实非常小，特别是本文所选取的实际有效汇率，受央行的干预力度较大，因此对历史上的市场波动解释能力其实相当有限。

2.经济政策不确定性的微观影响机制

接下来本文分析企业层面的经济政策不确定性对于股价波动的影响，Baker等人在该方面的分析中只考虑了政府支出这一单一渠道的影响，即假设经济政策的不确定只包括财政政策不确定性，但经过本文上面的分析，实际中还应该包括货币政策的不确定性和贸易政策的不确定性，并且不同企业对于三大政策的暴露程度应该是不一样的。出于数据可得性的需要，本文只考虑A股的上市公司，得到每家公司在样本期内30天股价波动率的面板数据。

为了计算每家上市公司分别对于财政政策、货币政策和贸易政策的暴露程度，理想情况下本文需要每家上市公司销售收入中政府购买部分占总购买的比例、企业负债中银行贷款额占总贷款额的比例以及销售收入中出口创收部分占总出口额的比例。但由于无法从年报中获得相应的数据，本文需要寻找相关的代理变量。首先本文按照Baker等人的方法，获得每家公司的所属行业类型，具体的行业分类标准采用申银万国一级行业分类；然后从国家统计局每年的统计年鉴中得到每年属于该行业的政府购买额，将该值除以该行业该年的总销售收入得到其相对于财政政策的暴露程度。同样本文从统计年鉴中可以得到每年属于该行业的新增贷款额以及出口额，分别对行业的年收入求比值得到相对于货币政策和贸易政策的暴露程度。对于跨行业的企业，那么该企业相对于某政策的暴露程度为该企业所涉及所有的行业的暴露程度以各行业销售收入占比为权重的加权平均值。此外，Baker等人取某行业暴露值在样本期间内的平均值作为回归变量，但这就假设了暴露值在较长的时间跨度内较为稳定，例如政府在某行业的投入和扶持力度在10年甚至20年的时间段内都保持相对较高的水平，这在较短的时间内是成立的，或者对于某一代表长远的未来核心竞争力的行业是如此(比如通信设备等高技术产业)，但实际情况下大多数行业并非如此，因此本文认为不同行业的暴露是一个随时间变化的变量。

此外，按照申银万国标准划分的行业类别总共有27个一级行业，但这样的行业划分仍然过多，不仅会带来实际数据获取的困难，而且存在某一行业在某段时期需要获取的数据指标缺失的问题，因此本文参照劳兰珺和邵玉敏(2012)的研究，利用股价波动的相似性对行业进行聚类，重新划分为7个大的行业类别，这七个行业大类分别为大金融、上游周期、中游制造、典型消费、其他消费、TMT和其他周期。

图5给出了2002-2018年间各行业分别对于三大政策的暴露程度变化情况。可以发现：第一，TMT行业对于财政政策的暴露程度最高，而大金融行业最低。可能的原因是TMT行业集中了很多高新技术产业，而国家近十几年十分注重对该产业的扶持力度，包括采取各种财政补贴、税收优惠、政府采购等财政工具来支持高新技术产业的发展。第二，大金融和中游制造对于货币政策的暴露程度最高，且两者的长期走势呈现相互交叉的形态。金融业作为资金融通的中介部门，本身与货币政策的联系就比较密切，而房地产业和制造业的杠杆率通常较高，与银行业的业务往来比较密切，具有较高的暴露程度符合理论直觉，而对于两者相反的走势比较合理的解释是来源于国内产业结构的变化，以金融业为代表的第三产业占GDP的比重稳步上升。第三，中游制造对于贸易政策的暴露程度不断上升且在近几年占据领导地位，而大金融从2002年以来不断下降并开始与除了中游制造以外的其他行业趋同。这也与中国经济近十几年的对外依赖程度的变化和市场化进程推进非常吻合。

得到某上市公司相对于某一政策的暴露值以后，其与该政策EPU的交叉项即为该公司的股价波动率相对于特定政策EPU的敏感程度。考虑财政政策、货币政策和贸易政策不确定性对公司个股波动率影响程度的回归式可以表示为(4)式：

(4)

其中Vol为公司个股的30天已实现波动率，FEPU、MEPU和TEPU分别代表财政政策、货币政策和贸易政策的不确定性指数，控制变量选取的是数量型指标，分别对应特定政策不确定性的一阶变量，λ1、λ2和λ3表示某上市公司所属行业相对于特定政策EPU的暴露程度。

表5为控制个体和时间固定效应之后的公司个股30天波动率相对于政策不确定性指数的回归结果。第1栏是Baker等(2016)的文章中假设只存在政府支出单一影响渠道的回归结果，此时整体EPU即代表了财政政策的EPU，因此暴露程度是λ1。第2至4栏是只考虑某一特定政策不确定性单独影响的回归结果，第5栏是综合考虑财政政策、货币政策和贸易政策不确定性影响及不同行业的暴露程度的回归结果。

表5 经济政策不确定性对于公司个股波动的影响

从表5中可以得出如下几点结论：第一，微观层面的实证结果同样支持“政策风险假说”。无论是财政、货币和贸易政策不确定性指数对应的系数还是整体经济不确定性指数对应的系数都显著为正，说明不确定性的上升的确会加大金融市场的波动率。第二，从行业层面看，特定政策暴露程度越高的行业对相应不确定性指数变化的敏感程度越高，例如货币政策不确定性指数每上升1%，电气设备等中游制造行业的波动率上升约0.086%，而食品饮料等典型消费行业波动率的上升仅为0.011%。第三，财政政策不确定性在微观层面对于金融市场波动率的影响显著，而在宏观层面却不显著。可能的原因是高新技术产业虽然在总体经济的占比不高，但在A股所有的上市公司数量中占比较高。而上文提到国内的高新技术产业更容易受到财政补贴和税收优惠等政策的青睐，因此在宏观和微观层面的统计结果上会得出不同的结论。第四，货币政策不确定性指数对于金融市场波动性解释力度最大的论断在公司个股层面上同样成立。可以看到对应系数约为0.12，高于财政政策的0.077和贸易政策的0.08。

四、 研究结论与启示

本文的主旨是研究经济政策不确定性和金融市场波动之间的内在逻辑关系，为了具体而深入地探究这一课题，首先从经济政策不确定性实际内涵着手，确定了Baker的构建方法更加符合人们的预期视角，并在此基础上，结合中国新闻媒体数据和符合中文用语习惯的术语集，重新构建了经济政策不确定性指数；其次，对于所构建的EPU指数历史上的极端波动情形，查阅对应的新闻报道来进一步佐证指数识别的有效性，此外本文还发现所涉及的新闻报道从政策来源角度可以分为政府的财政政策和一些重要的规章制度变革、央行的货币和汇率政策以及贸易和外交政策，由此又构建了财政政策、货币政策和贸易政策三大特定政策不确定性指数；再者，在探究经济政策不确定性与金融市场波动的关系上，本文先是寻求两者传导途径的理论基础，发现两者不仅在传导渠道上存在多样性而且在影响方向上学术界也未达成一致性的论断，此外本文也通过比较两者的时间序列来观察是否存在同步性和领先滞后关系；最后，本文通过宏观和微观两个层面分析整体经济政策不确定性和特定政策不确定性对于金融市场波动率影响的强弱。

在指数的识别效果上，本文发现：第一，所识别的内容从性质上可以分为由宏观形势引发的对政策预期的不确定性和由政策直接影响预期的不确定性，并且政策的实施主体既可以是本国政府和有关机构也可以是国外部门；第二，整体政策经济不确定指数和三大特定政策不确定指数之间存在较高的相关关系，并且货币政策不确定指数在三大特定政策不确定性指数中占主导地位。

在指数和金融市场波动率的相关性研究上，本文发现：第一，现有的文献理论关于政策不确定性对于市场波动的传导机制上研究很多，渠道多样，但在具体的影响方向上难以达成统一的意见；第二，通过比较指数和金融市场波动率的时间序列只能初步判断两者存在较弱的相关性，无法在影响方向上作出判断。

在指数对于金融市场波动率的影响分析上，本文发现：第一，不管是整体的政策不确定性还是特定的政策不确定性指数都对金融市场的波动率有正向影响，“政策风险假说”在本文中更容易成立；第二，财政政策不确定性在宏观层面对于股市波动率的影响不显著，但在公司个股层面的影响却显著，可能是和A股上市公司的产业结构有关；第三，货币政策不确定性对于金融市场波动率的解释力度最强，同时债券市场更容易受到货币政策的单渠道影响，这可能和国内金融市场具有“资金导向型”的特征有关；第四，在微观层面的研究中，如果公司所属行业受特定政策暴露程度越高，该公司更容易受到该政策影响，这也符合经济学理论。

同样，本文也存在几点亟待解决的问题：第一，是否有必要考虑随时间变化动态调整的术语集并纳入指数的构建。本文所选用的术语集是固定不变的，这实际上就假设了新闻媒体在有关该主题报道时所使用的用语习惯和措词也是固定不变的，而这与现实中的情况有所偏差，但如果将这一现象考虑进来会极大提高本文的工作量，更何况识别术语集的转换时间区间也是一件十分困难的事情。第二，如何将结构性变化纳入到经济政策不确定性对于金融市场波动的影响分析上。本文比较的是2002-2018年整个时间段财政政策、货币政策和贸易政策影响的强弱，但实际上这种影响可能由于国内经济体制的变化或外部环境的改变而发生相应的调整，或者是分阶段的，比如在分析牛市阶段和熊市阶段的影响、又或者是经济周期的不同阶段时可能会得出不一样的论断。这种现象从人的预期角度也可以得到解释，人们在对未来作出预期时通常会对当下的事件冲击赋予较高的权重，比如在2018年底到2019年初的时候受中美贸易摩擦的影响，贸易政策不确定性对于股市波动的解释力度会比较高，但随着美国方面不断出尔反尔，人们反而对这种事件冲击习以为常，弱化对股市波动造成的影响。第三，本文在实证部分都是对同期数据做回归，但经济政策不确定性、股市波动率和其他控制变量之间可能存在某些领先滞后关系，并且这种滞后关系背后存在某些经济学机理值得后续深入研究。