中国经济和金融不确定性的测度

王际皓,王维国

(东北财经大学 经济学院,辽宁 大连 116025)

一、引言

当前,中国经济发展面临诸多不确定性因素。一方面,体制性、结构性和周期性问题制约中国经济发展,产能过剩问题突出,供需错配矛盾凸显,原有依赖投资的经济增长动力衰竭,经济承受较大的下行压力。另一方面,世界经济增长动能乏力,贸易保护主义与贸易制裁频发,全球新冠肺炎疫情反复等外部环境因素充满变数。与此同时,中国金融市场也不乏不确定性因素,中小微企业的违约风险升高,房地产市场个别企业风险开始暴露,国外市场金融资产泡沫风险集聚。种种不确定性因素已成为中国经济和金融发展中棘手的难题,一旦不确定性因素发力,对中国实体经济和金融市场的冲击将是不容忽视的。

不确定性的测度是量化不确定性因素的常用方式。Jurado等认为经济和金融不确定性为经济和金融系统中非预期波动的共性成分,其中,非预期波动是指不确定性中不包含可预期成分,而共性成分则是指不确定性不受少数指标个体不确定性异常值的影响[1]。本文沿用这一定义并对经济和金融不确定性加以区分,具体而言,经济不确定性聚焦于实体经济层面的不确定性,与其对应的经济指标集剔除反映金融市场运行情况的指标;金融不确定性强调金融市场整体的不确定性,与其对应的金融指标集不再局限于证券市场。此种区分方式,是准确识别经济和金融不确定性源头,并分析二者不确定性阶段性波动中共性与特性形成原因的必要前提。此外,如何从数据预处理和不确定性建模维度,对经济和金融不确定性测度的准确性进行有效提升?如何理解经济和金融不确定性的经济含义?如何合理划分经济和金融不确定性所处的阶段,并解释不同阶段特征的成因?对上述问题的回答,有利于科学地把握经济和金融不确定性的程度与未来发展趋势,提升中国抵御不确定性因素的能力,最终实现保障实体经济和金融市场平稳健康发展的目标。

围绕上述研究目标,本文开展两方面的研究工作:其一,本文从不确定性信息集的构建、季节调整、数据降维三个方面改进现有方法,在数据准备和预处理阶段数据质量得到提升,不确定性测度的准确性得以保证;其二,本文运用TVP-SVM模型测算经济和金融不确定性并分析其阶段性波动的原因,拓展后的模型充分挖掘变量间的非线性关系,降低不确定性的测度偏误。

二、文献综述

现有与不确定性测度相关的文献较为丰富,由于不确定性定义和数据类型差异的存在,学者采用的测度方法也有所不同。整体而言,有关不确定性测度方法可大致归纳为以下四类:

第一类是单一指标波动率法。此方法通过计算单一指标的波动率作为不确定性的代理变量,具有计算难度低、快速易得的特点。王义中和宋敏运用GARCH模型计算季度GDP的条件波动率测度经济不确定性[2];刘玉荣等应用SV模型计算股票市场的波动率作为经济不确定性[3];Bloom、鲁晓东等使用波动率指数(VIX)作为经济不确定性的代理指标[4-5]。

第二类是关键词频率法。Baker等统计美国十家主流报纸报道中出现的与不确定性高度相关的关键词频率作为经济政策不确定性[6]。借鉴此方法,Husted等构建美联储货币政策不确定性[7];Davis等依据《人民日报》和《光明日报》测算1949年至今的中国经济政策不确定性[8];Bontempi等通过谷歌趋势数据的搜索量指数构建宏观经济不确定性[9]。

第三类是离散程度或预测偏差法。该方法基于有关经济预测的专业调查数据,或测算数据的截面离散程度,或测算真实值与预测值的偏差得到不确定性指数。Bachmann等使用德国企业商业景气调查数据计算预测偏差得到不确定性指数[10];Leduc和Liu使用汽车市场预期调查数据得到消费者预测的不确定性[11];Ma和Samaniego基于美国机构经理人估计数据以全体样本企业绝对预测误差的中位数测度行业不确定性[12]。

第四类是高维数据的条件波动率法。此方法认为经济和金融不确定性是对整体经济和金融环境非预期波动的真实反映,不依赖于单一指标的波动性。Jurado等选择279个经济和金融指标测度美国经济不确定性和金融不确定性[1]。借鉴此方法,黄卓等测度中国金融不确定性并研究其对金融系统性风险的影响[13];马丹等编制中国宏观经济不确定性并分析政策对其影响[14];邓创和吴超测量中国经济和金融不确定性并探究二者对经济波动的作用机制[15]。

上述测度不确定性的方法存在以下问题。首先,单一指标波动率法无法测算不确定性的共性部分。经济和金融不确定性应代表经济和金融环境的整体情况,单一指标测算的不确定性不仅依赖于指标的选择,且其阶段性特征具有鲜明的个体异质性。此外,较为常用的VIX指数与金融市场高度相关,指数的波动情况多代表投资者风险厌恶程度的变化,并不能准确反映经济和金融不确定性。其次,关键词频率法不具备不确定性的非预期特点。新闻报道或互联网搜索是一种反映人们预期的自选择行为,这种预期的准确与否并不存在客观的参考加以验证。因此,该方法仅统计出预期部分,而作为不确定性的非预期部分则无法计算。再次,离散程度或预测偏差法存在样本数量有限的问题。采用该方法尽管满足非预期性,然而受限于样本数量,不可避免地存在片面性,且调查结果更多体现个体的意见分歧,并不代表经济和金融不确定性。最后,第四种方法克服以上三种方法的缺陷,具有以下优点:第一,使用剔除可预测部分后的条件波动率作为不确定性的测度指标;第二,以高维数据估计得到的个体不确定性中的共性成分代表经济和金融不确定性;第三,数据均为统计数据而非调查数据,保证了数据的客观性。鉴于上述原因,本文采用第四种方法测度经济和金融不确定性。

不确定性测度模型的设定是获得准确不确定性的核心,除此之外,指标集的构建、季节调整模型的设定、数据降维方法的选择均影响着不确定性的准确性。通过分析现有文献的不确定性建模流程,本文发现以下四点有待改进之处:其一,现有文献存在金融指标集中股票市场指标比重过大的问题。金融不确定性是金融市场整体不确定性情况的有效反映,股票市场作为子市场,其不确定性不足以代表金融不确定性。其二,在数据处理中多数文献沿用国外的季节调整方法,并未考虑中国数据特有的移动和固定假日效应等问题。季节调整的质量决定数据的质量,是获得准确不确定性的根基,因此选择适合中国的季节调整模型是一项重要的基础性工作。其三,现有研究忽视了异常值对不确定性的影响。异常值的存在使主成分法中的公因子包含过多的噪音,显著降低因子提取公共信息的能力,致使不确定性的准确性下降。其四,以往文献多采用常系数随机波动方法对不确定性建模,此模型无法捕捉经济发展中的结构性变化,减弱了历史数据的预测能力,同样会影响不确定性的准确性。

因此,本文以测算中国经济不确定性和金融不确定性为目标,通过优化现有不确定性建模方法以提升不确定性的准确性,并对经济和金融不确定性的阶段性特征加以分析,检验改进后方法有效性的同时,为经济和金融政策的制定提供经验支持。

三、经济和金融不确定性的构建方法

(一)不确定性的测度

(1)

E[yjt+h|It]代表基于t时期的条件期望,yjt+h-E[yjt+h|It]为剔除预期后的非预期部分,真实值与预期之差的条件方差越大,表明个体不确定性越大。信息集It包括三个部分:经济指标集、金融指标集和补充指标集,yjt代表经济指标集和金融指标集中的指标。以经济不确定性为例,通过式(1)得到经济指标集中全部指标的个体不确定性,再结合式(2)的加权平均法即可获得经济不确定性,金融不确定性的获得同理。

(2)

具体而言,本文采用TVP-SVM模型测度指标yjt的个体不确定性,此模型相较于常系数SV模型其优势有二。其一,模型将常系数拓展为时变系数。考虑到中国经济发展具有的阶段性特点,经济和金融数据中通常存在短期的结构突变和中长期的均值渐变,常系数模型的设定将低估历史数据的预期部分并高估条件方差,降低不确定性的准确性。其二,模型中增加条件方差的均值效应项。Benigno、王伟强等发现,DSGE模型稳态解的二阶展开形式中存在不确定性的均值效应项,同时,有关不确定性与经济波动的研究表明,不确定性是形成经济波动的重要原因,因此在测算个体不确定性时忽略不确定性的均值效应项亦为降低不确定性准确性的可能原因之一[16-17]。测度不确定性的TVP-SVM模型如下所示:

(3)

(4)

(5)

第二步,估计TVP-SVM模型的参数。由于模型中存在随机波动的均值效应项,其自身作为待估参数是未知的,这使得传统的两步估计法失效。本文采用Chan提出的TVP-SVM贝叶斯参数估计方法获得指标的个体不确定性[21],具体步骤如下:

步骤一,抽取不确定性参数h的后验样本,其后验分布如式(6)所示。

p(h|y,x,γ,μ,φ,σ2,Ω)=p(h|y,x,γ,μ,φ,σ2)∝p(y|x,γ,h)p(h|μ,φ,σ2)

(6)

步骤二,抽取时变参数γ的后验样本,其后验分布如式(7)所示。

p(γ|y,x,h,μ,φ,σ2,Ω)=p(γ|y,x,h,Ω)

(7)

步骤三,抽取残差方差参数Ω,σ2的后验样本,其联合后验分布如式(8)所示。

p(Ω,σ2|y,x,γ,h,μ,φ)=p(Ω|γ)p(σ2|h,μ,φ)

(8)

步骤四,抽取随机波动方程中参数μ,φ的后验样本,其联合分布如式(9)所示。

p(μ,φ|y,x,γ,h,σ2,Ω)=p(μ,φ|h,σ2)

(9)

步骤五,循环步骤一至步骤四,本文设定循环次数为2.5万次,预烧样本为0.5万个,实际可用样本数为2万个。在获得待估参数后,应用边际似然函数法获得不同子模型下参数的边际似然函数值,最大值对应的模型即为指标的最优模型,其所对应的个体不确定性即为最优估计。统计模型选择结果发现,144个经济和金融指标中,110个指标支持常系数SV模型。34个支持变系数模型的指标包括工业增加值、固定资产投资、社会消费品零售总额、多数价格指数指标以及信贷指标。这表明TVP-SVM成功识别数据中存在的非线性关系,提高模型解释能力的同时,降低不确定性的估计偏误。

(二)变量的选择与数据处理

本文信息集的构建参考Jurado、黄卓、邓创、孟浩等的研究成果,由三部分组成:97维中国经济指标集、47维中国金融指标集和63维补充指标集,共包含207个指标,数据区间为2002年1月至2020年6月[1,13,22-23]。补充指标集中包含15维美国核心经济指标集、8维国际大宗商品指标集和40维股市收益率指标集。其中,经济、金融和国际大宗商品指标集源于Wind数据库,美国核心经济指标源于FRED,股市收益率指标源于锐思数据库。下面详细介绍本文信息集的选取思路,其具体划分见表1。

表1 信息集的具体划分情况

中国经济指标集由产出、投资、消费、进出口、财政收支、货运、房地产、货币供应、价格及利率,共十部分组成。中国金融指标集由股票市场、债券市场、期货市场、外汇、信贷和银行间同业拆借市场,共六部分组成。本文经济和金融指标集的选取思路与邓创、孟浩等相近[22-23]。具体而言,经济指标集重点反映实体经济的运行情况,同时也包含少数与政策相关的货币发行与无风险利率数据;金融指标集则突出金融市场整体运行情况,覆盖证券市场、银行间同业拆借市场、外汇市场以及信贷市场。相较于Jurado、黄卓等的研究成果,本文指标选取思路的不同之处在于两方面:一方面,金融指标集不局限于股市和债市相关指标;另一方面,将属于金融市场的指标从经济指标集中剔除,保证经济指标集与金融指标集无交集,以使经济指标集更聚焦在实体经济层面[1,13]。补充指标集是对经济和金融指标集的扩充,其作用在于与经济和金融指标集一并应用于主成分的提取,降低模型遗漏重要变量的可能。其中,以美国为首的经济体是中国外部环境不确定性因素的重要来源,美联储的货币政策以及美国经济走势均会对中国实体经济以及金融市场的发展造成冲击,影响企业和家庭的行为决策;BDI指数(波罗的海干散货指数)代表全球航运成本,是全球贸易先行指标,CRB指数(美国商品调查局期货指数)代表大宗商品价格,是通货膨胀的先行指标,二者反映全球经济和商品贸易市场的未来走势;股市收益率指标集由15个行业收益率和25个股票投资组合收益率数据构成,更全面地刻画股票市场的收益情况[1,13]。

在数据预处理方面,本文有如下四点说明:第一,工业增加值以及价格指数均为定基数据,进出口数据由于无法转换成定基数据,故保留其同比形式;第二,以社会消费品零售总额为例,先对商品零售价格定基指数加以季节调整,将名义值转化为实际值后再次进行季节调整得到最终数据;第三,借鉴Roberts和White对中国月度数据缺失值的处理方法,使用二月累计值的平均值替换一二月当月的缺失值[24];第四,将全部变量取对数差分或差分形式,在满足数据平稳性的同时,统一变量所代表的经济含义,其中利率类和比率数据采用差分形式处理,其余指标采用对数差分形式处理。

在季节调整方面,参考国家统计局使用的NBS-SA方法对文献中常用的X-13-TRAMO/SEATS方法加以拓展。以工业增加值为例,此数据主要存在三种季节效应:固定假日效应、移动假日效应和闰年效应。其中,固定假日效应是由于元旦、劳动节、国庆节等节假日调休使得其所在月份及上个月份的工作日天数发生变化对数据造成影响;移动假日效应则是由于春节、端午节、中秋节等以阴历为参照的节日对数据产生影响,这些节日每年的具体时间按农历计是非固定的,因此其落在某个月份的天数随年份发生变化。以春节为例,除法定假日外,春节前和春节后的生产同样会受到节日的影响,且不同的数据影响形式也有所不同;闰年效应是由于闰年较平年多增加一天而带来的影响。为此,在季节调整时需对不同的季节效应针对性处理,处理方式简要总结如下。其一,针对固定假日,本文重新统计日历中每月的工作日和休息日天数,形成单一工作日变量,调整时不考虑移动假日对日历的影响。其二,对于移动假日,本文设定节前、节中和节后三个变量。此处文献中常用的做法是预设天数,本文则借鉴Roberts和White使用的搜索法,针对不同指标通过AICC准则确定具体天数,春节搜索上限设定为节前20天,节中10天,节后20天,端午节和中秋节由于假日短,只设定节前和节后两项,搜索上限均为10天[24]。其三,对闰年效应,本文引入闰年效应项。将上述变量引入季节调整模型中,此时软件会给出数据中异常的点,通过逐一预设异常值的时间点和类型对数据进行季节调整[注]本文考虑三种类型的异常值:可加性异常值(AO)、暂时性调整(TC)和季节性异常值(SO)。,直至无异常值点并保留显著的季节变量,即可获得季节调整后的数据。表2展示工业增加值季节调整结果对比图,不难发现本文的季节调整方法在正态性、独立性和季节性谱峰值的评价指标上优于TRAMO/SEATS方法,证明NBS-SA方法在处理中国月度数据特有的季节效应时表现更优。

表2 工业增加值季节调整结果对比

(三)稳健稀疏主成分结果分析

图1 基于稳健标准化的异常值分布图

图2 ROSPCA和PCA的碎石图

图3 稳健稀疏主成分因子载荷系数图

图1表明,信息集在时间维度上存在异常值,这印证了Bai和Ng的观点[19]。其中,横坐标代表得分距离,纵坐标代表正交距离,垂线为得分距离的截断值,水平线为正交距离的截断值。异常值则是指得分距离或正交距离超过其相应截断值的样本点。显而易见,时间点为203,214,215,217,218,219为异常值点,分别代表2018年12月,2019年11月至12月,2020年2月至4月。一方面印证了2019年末至2020年初,中国经济下行压力加大的事实。另一方面,新冠肺炎疫情期间的异常值说明,疫情的冲击不局限于少数经济指标,其影响具有“范围广,幅度大”的特点。

图2展示稳健稀疏主成分和经典主成分的碎石图。其中,横坐标代表主成分的数量,纵坐标代表主成分所对应的特征值。从图2可知,稳健稀疏主成分数量在6个以上时,其特征值有明显的降幅,累计贡献较小,故本文最终选取主成分的数目为5。与之相对,PCA方法的主成分在3个以上时特征值降幅明显,但其累计贡献率较低。前10个及前50个主成分的累计贡献率分别约为55%和88%,ROSPCA前5个主成分累计贡献率约为65%,这足以说明异常值的存在影响PCA主成分的有效性,主成分所包含噪音信息过多致其压缩信息的能力显著劣于ROSPCA。

图3展示出本文所选的5个主成分的构成情况。通过因子载荷值的大小可判定某一个指标在主成分中的相对贡献程度。具体结果如下:第一主成分为利率指标(同业拆借利率和国债到期收益率);第二主成分为股市因子指标(行业收益率和组合收益率);第三主成分为美国指标(联邦基金利率为代表);第四主成分为价格指标(CPI、PPI和PPIRM);第五主成分为房地产市场指标(房地产开发企业新开工面积和房屋建筑施工面积)。

四、经济和金融不确定性阶段性特征分析

通过TVP-SVM模型得到经济和金融指标集的个体不确定性后,需对其赋予权重,根据Jurado、黄卓等采用的方法,对个体不确定性加权采用简单平均法[1,13]。本文沿用这一思路,考虑到个体不确定性的异质性问题,选用中位数替代平均数以保证结果的稳健性。构建的不确定性加权结果对比如图4和图5所示,其中黑色实线代表中位数加权,灰色虚线代表平均数加权。易知,中位数加权法不确定性的波动幅度小,平均数加权法易受个体不确定性异常值影响,波动幅度较大。其中,新冠肺炎疫情阶段的经济不确定性平均数加权法峰值为3.2,约为全球金融危机期间中位数加权法峰值的3倍,说明其明显受到异常值的影响;而通过中位数法的对比,新冠肺炎疫情阶段的峰值不及全球金融危机期的峰值,但二者较为接近。因此,选择中位数替代平均数加权是一个相对稳健且合理的选择。

表3 不确定性的区间划分

图4 经济不确定性对比图

图5 金融不确定性对比图

图6和图7绘制本文测算的经济不确定性和金融不确定性,并依据二者走势呈现的峰谷交替特征划分其自身的运行阶段,具体方法概述如下。首先,本文使用HP滤波法得到经济和金融不确定性的趋势成分,以粗略判断波峰与波谷所处的时间段。其次,本文运用分位数法将经济和金融不确定性的历史数据划分成五个区间:低、偏低、适中、偏高和高[注]其所对应的分位数分别为10%、25%、75%和95%。出于稳健性考虑,本文选择5%和95%分位数与之对比,结果发现,在新分位数下,仅经济不确定性阶段一拐点提前2个月,阶段二拐点提前8个月且位于趋势成分波峰之前,其余拐点无影响。实际中,只有拐点位于趋势成分波峰(谷)之后方可确立新阶段的形成,而在10%和95%的分位数下,所有拐点均满足这一条件且其高低区间样本数量适中,更符合中国经济和金融系统运行的实际情况。,详情参见表3。最后,经济和金融不确定性不同阶段的拐点种类可归纳为三类:(1)趋势成分增速的切换点;(2)波谷附近的极小值点;(3)波谷(峰)附近若处于低(高)区间,则选择最后一次走出此区间的最低(高)点。

图6 经济不确定性及其趋势

图7 金融不确定性及其趋势

综合图6和表4将经济不确定性划分为五个阶段。阶段一,2002年6月至2006年5月,经济不确定性稳步下行。2003年第二季度,非典爆发,病例激增,这一公共卫生事件对交通运输业、旅游业和餐饮住宿业造成较大冲击,GDP增速明显低于其他季度。从6月份开始,疫情得到控制,经济逐渐恢复,经济不确定性从5月份的0.94回落至偏低区间。阶段二,2006年6月至2009年6月,经济不确定性快速上涨。2007年中国经济增长由偏快向过热发展趋势凸显,高增长伴随着高通胀,中长期贷款比重上升并主要流向房地产市场和股市。2008年极端自然灾害与全球金融危机叠加,上半年受自然灾害影响经济增速下滑,下半年全球金融危机影响发力,经济增速下滑加快。这期间经济不确定性一路上扬并于2008年11月抵达第二阶段的峰值1.05。2008年11月国家提出四万亿刺激计划以保障经济平稳较快增长,借助极度宽松的货币政策与政府干预,经济不确定性开始下行。阶段三,2009年7月至2014年末,经济不确定性回落中伴有震荡。2009年7月经济不确定性回落至偏高区间,中国经济也开始企稳。2012年经济增速从高速发展阶段向中高速发展阶段转变,经济逐步过渡至“新常态”时期。这一时期,经济不确定性回落并稳定在偏高区间,但在2010年第四季度,CPI不断上升超出预期,其个体不确定性更是自2009年以来首次突破1个标准差,致使经济不确定性形成尖峰形态。阶段四,2015年初至2018年9月,经济不确定性加速下行后低位震荡。2015年中国经济增速步入“6时代”;2016年起为应对经济发展中供需错位的结构性问题,中国着力推进供给侧结构性改革,由于经济放缓成为事实,经济不确定性整体下行明显;2017年世界经济温和复苏,中国经济稳中向好,房地产市场迎来严厉调控,房市得到适度降温;2018年中国稳步推进去杠杆政策,受中美贸易摩擦影响,中国采取稳健的货币政策与积极的财政政策助力中小微企业发展。此阶段,经济不确定性在低和偏低区间切换。阶段五,2018年10月至2020年6月,经济不确定性快速攀升至全球金融危机水平。2019年全球经济增速继续放缓,国内外供需市场疲软,经济不确定性由偏低过渡至适中。2020年初新冠肺炎疫情爆发,受疫情影响一季度增速同比下降6.8%,二季度增长3.2%,虽有回暖但明显低于去年平均增速。经济不确定性则直线上升,1月步入高区间后继续上涨,于5月达到此阶段峰值1.04,仅次于前一峰值1.05。

综合图7和表4可将金融不确定性划分为六个阶段。阶段一,2002年6月至2006年12月,金融不确定性小幅波动。2003年4月银监会成立,中国人民银行货币政策执行能力提升。2005年7月,中国实行有管理的浮动汇率制度,中国抵御汇率风险能力进一步增强,此阶段,金融不确定性多数时间稳定在适中区间。阶段二,2007年1月至2008年10月,金融不确定性显著增长。2007年市场中流动性过剩,部分资金流向股市,助推股市上行;2007年10月上证指数破6 000点大关,全年指数涨幅约为96%,股市赚钱效应明显,金融不确定性同步增长;随后股市逐步下行,于2008年10月跌至阶段最低点1 664.93,股市震荡加剧,与此同时,金融不确定性增速加快,于2008年10月上涨至阶段极大值点1.066。阶段三,2008年11月至2012年7月,金融不确定性回落后伴有震荡。这一阶段初期处在全球金融危机后的恢复期,上证指数触底反弹,市场投资者的情绪逐步恢复。2009年,创业板的开设、试行中小企业集合票据等措施,助力中小企业走出全球金融危机带来的融资困境;同年11月,上海清算所成立,金融交易风险和金融市场的系统性风险得到有效控制,金融不确定性回落至适中区间。2010年下半年,通胀预期上升叠加融资需求旺盛等因素带动银行间同业拆借利率持续大幅攀升,金融不确定性进入偏高区间。而后,中国采取稳健而非宽松的货币政策,人民币汇率形成机制改革得到推进,银监会加强对地方融资平台风险的监管,股指期货的推出,这一系列举措保障金融市场在后危机时期的良性发展,金融不确定性回归适中区间。阶段四,2012年8月至2015年7月,金融不确定性上升至阶段峰值。2013年下半年,银行间同业拆借利率高点较年内低点上涨超50%,市场流动性趋紧带动金融不确定性步入偏高区间。随后,上证指数从2014年11月开始上涨,于2015年6月突破5 000点,达到5 178.19点,而后一路下跌,于2015年8月跌至2 850.71点,跌幅达45%,这使得金融不确定性在高区间运行,于2015年7月上升至1.043,仅次于前高1.066。阶段五,2015年8月至2019年10月,金融不确定性回落至偏低区间后保持低位运行。2015年9月上证指数企稳回升,尽管2016年1月单月跌幅达22.65%,但影响力不及前期,市场投资者的情绪由恐慌趋于理性,因此这一时期股票市场对金融市场整体影响并不突出。2016年10月人民币正式纳入特别提款权货币篮子有助于维持汇率的稳定;同年12月深港通正式开通,2017年A股纳入MSCI新兴市场指数,2019年科创板开板,标志着中国的金融市场机制逐步完善,资本市场步入新阶段。政策方面,2016年互联网金融风险专项整治工作正式启动,一系列举措的实施使得互联网金融风险得到有效控制;2017年国务院金融稳定发展委员会成立,2018年中国银行保险监督管理委员会正式成立,金融风险管控效果显著伴以金融不确定性于低至适中区间切换。阶段六,2019年11月至2020年6月,金融不确定性上涨至阶段峰值。2020年初新冠肺炎疫情开始肆虐,企业大面积停工停产,中小微企业生存状况不容乐观。金融不确定性于2020年5月上升至0.97,处于偏高区间,且未超出前峰值,说明中国的疫情控制与政策调控效果显著,金融不确定性的上升势头得到遏制。

表4 不确定性的阶段划分

综上分析,本文构建的经济和金融不确定性,其呈现的阶段性特征与实体经济和金融市场的实际运行情况较为吻合,具有较好的解释力。特别是,二者在全球金融危机期和新冠肺炎疫情期呈现高波动特征,金融不确定性在此基础上反映出2015年“股灾”这一特殊金融事件。

五、结论与政策启示

为充分挖掘数据的非线性关系,提升不确定性测度的准确性,本文首先构建涵盖实体经济、金融市场和外部环境的207维不确定性信息集并使用NBS-SA方法获得季节调整数据;其次应用ROSPCA方法提取信息集的主成分;最终基于TVP-SVM方法测度中国2002年6月至2020年6月的经济不确定性和金融不确定性,并详细分析其阶段性特征的成因。本文的研究结论如下:

第一,本文构建的经济指标集保留实体经济部分并剔除反映金融市场的指标,以实现经济和金融不确定性的测度分离;金融指标集不再局限于证券市场,新增同业拆借市场、信贷市场以及外汇市场,以反映金融市场整体运行情况。第二,考虑到季节调整中存在的固定假日效应、移动假日效应、闰年效应以及异常值,本文采用NBS-SA方法提升季节调整数据质量,此外,鉴于数据中存在的异常值影响经典主成分的信息提取能力,数据降维时应用ROSPCA方法,新方法得到的主成分在信息提取有效性上得到提升的同时,其经济解释能力也明显增强。第三,基于数据中存在的结构变化问题,在不确定性建模时使用TVP-SVM模型,该模型相较于常系数SV模型引入时变参数与随机波动的均值效应项,充分刻画了变量间的非线性关系,降低不确定性估计的偏误。从估计结果来看,144个经济和金融指标中有34个指标拒绝常系数SV模型,说明TVP-SVM在模型解释能力上更强,所得的经济和金融不确定性的准确性得以保证。从阶段性特征来看,经济和金融不确定性有效识别不同阶段实体经济和金融市场的不确定性程度,在全球金融危机和新冠肺炎疫情时期均快速上升,在新常态阶段均明显下降。

基于上述研究结论,本文得到如下政策启示:(1)经济和金融不确定性的测算是一项系统性工作,涉及季节调整、数据降维、参数估计、指标加权、算法优化等多模块,所涉及的知识体系极为庞大,而每一个模块的设计都影响着不确定性测算的准确性。因此,中国应加强对不确定性测算的研究,结合实际情况不断优化测算方法,以提升不确定性测算的准确性。(2)经济和金融不确定性综合反映中国实体经济和金融市场的运行情况,在检验宏观政策调控效果的同时,为未来的政策制定提供参考依据。因此,中国应加强对经济和金融不确定性以及单一指标个体不确定性的监测,并配合政策工具使其在合理区间内运行,以保障实体经济和金融市场的平稳健康发展。