经济政策不确定性能否驱动股市系统性风险？——基于贝叶斯估计的时变beta检验

冯燕妮 莫 璇 李 翔

一 、引言

资本资产定价模型(CAPM)中的系统性风险β测度是资产定价研究的核心问题之一(Campbell，2001[1])。(1)为避免混淆，本文所指的系统性风险，是CAPM模型中市场超额收益率的系数β，而非金融机构或金融市场内的系统性风险。部分研究也把后者称为系统风险。已有研究发现，仅依靠股票市场收益率，无法准确测度股票市场的系统性风险及其价格(Roll，1977[2])。部分研究试图通过在经典CAPM模型中增加可能被遗漏的截面因子以提高模型对预期收益率的解释力度(Fama和French，1992[3]，1993[4]；Jegadeesh和Titman，1993[5]；Carhart，1997[6]；Fama和French，2015[7])。然而，加入传统金融或行为金融维度的截面因素仍然无法有效证明股票市场系统性风险的解释能力。因此，部分研究尝试从时间维度拓展，研究股票市场系统性风险β的时变性，这也是资产定价研究的热点问题之一(Ang和Kristensen，2012[8])。

大量研究结果表明，股票市场系统性风险β具有时变性特征。Blume(1971)[9]最早提出系统性风险β具有时变性。丁志国等(2012)[10]则从理论上证明了系统性风险β跨期时变性的存在。随后，Brenner和Smidt(1977)[11]、Ang和Kristensen(2012)[8]等提出了一系列系统性风险时变模型，Jagannathan和Wang(2002)[12]等研究了时变系统性风险β的估计方法。大量实证证据同样支持了股票市场系统性风险β具有时变性这一结论(苏治等，2008[13]；丁志国等，2012[10])。考虑时变因素能够有效提升风险因子对股票收益率的解释能力(Ang和Kristensen，2012[8]；阳佳余等，2018[14])。

系统性风险β的时变性已得到学界的普遍认可，研究的关注点逐渐转向引发时变的内在原因。一方面，企业层面微观因素的变化会造成股票市场系统性风险的不稳定性。Cosemans等(2016)[15]考查了公司基本面信息和经济状态变量对系统性风险β的影响。研究发现，融入公司基本面信息和经济状态变量的混合β估计的准确性更高，并且在控制了公司基本特征之后，这一混合β仍然具有显著的风险溢价。另一方面，宏观经济信息的变动和重大经济事件的发生也会引起股票市场系统性风险发生变异。阳佳余等(2018)[14]发现，股票市场系统性风险β的时变特征与价格、汇率、利率、投资等宏观因素相关。邓可斌等(2018)[16]指出，货币政策和财政政策等宏观经济政策对股票市场系统性风险的形成起决定作用，并导致其动态变化。除了以上外生因素外，丁志国等(2012)[10]还提出，市场内在均衡的实现是系统性风险跨期时变的内在动力，投资者基于新信息的主体选择决定着信息向系统性风险传导的方式和结果。

上述研究主要从宏观和微观经济变量入手讨论系统性风险β时变的原因，却普遍忽略了另一个事实——系统性风险的变化也可能是源于对潜在经济政策变迁的预期反应。通过搜索引擎对经济政策不确定性(Baker等，2016[17])相关关键字的搜索量大小和相关媒体的报道量有效地反映了这一预期。事实上，将经济政策不确定性与资产定价相结合用于解释和预测股票收益和波动的相关研究十分丰富。经济政策不确定性能够通过预期效应影响投资者和企业的消费和投资行为，进而影响股票收益率和波动率。金雪军等(2014)[18]、Campbell等(2012)[19]、Segal等(2015)[20]、Bali等(2017)[21]、Hu等(2018)[22]指出，经济政策不确定性促使股票收益下跌。陈国进等(2014，2018)[23][24]则进一步研究了经济政策不确定性与股票市场收益率的动态关系。Brogaard和Detzel(2015)[25]从国际视角研究了经济政策不确定性与资产风险溢价的影响，发现经济政策不确定性是一种重要的资产定价因子。Boutchkova等(2012)[26]的实证研究证实，政策不确定性对股票收益和波动都存在显著影响。Pastor和Veronesi(2012，2013)[27][28]构建了政策不确定性影响股票风险的随机分析框架，发现与政策相关的非确定性与股票市场波动正相关。雷立坤等(2018)[29]进一步指出，经济政策不确定性能够很好地解释股票市场的长期波动，提高对股票波动率的预测精度。

聚焦于中国股票市场，其特殊的市场环境使得经济政策不确定性对系统性风险的影响更为突出。中国股票市场具有典型的“政策市”特征：股票价格走势在很大程度上受到国家宏观经济政策影响，并且具有极强的政策敏感性，宏观经济政策的相关信息会引起股票市场的剧烈波动(胡金焱，2002[30])。“政策市”特征的背后，体现的是中国特定的经济制度背景和经济发展阶段(贺显南，2009[31])。中国经历了改革开放以来的高速发展，目前又面临产能过剩、生产效率偏低、经济结构失衡等问题，处于优化结构、转型升级的关键时期，供给侧改革、国有企业改制等政策方案应运而生。经济政策的频繁出台，在发挥调节经济的决定性作用的同时，也使得经济政策不确定性达到了前所未有的高点。与此同时，中国股票市场仍未成熟：存在严格的套利限制，大量没有专业金融知识的散户是其主要投资者，对国际投资机构的开放程度较低。这些特征使得中国股票市场更容易受到经济政策不确定性的冲击。大量实证结果也印证了这一猜想(金雪军等，2014[18]；陈国进等，2014[23]；陈国进等，2018[24]；雷立坤等，2018[29]；靳光辉等，2016[32]；许天启和董志勇，2016[33]；梁权熙和谢宏基，2019[34])。

综上来看，现有研究主要集中于探究经济政策不确定性对股票收益率和波动率的影响，而关于经济政策不确定性与系统性风险关系的研究少之又少。鉴于衡量股票系统性风险中经济政策不确定性的特殊地位，本文从不确定性视角出发，力求将经济政策不确定性纳入有关β的先验信息中，以提高β估计的准确性，同时与现有模型进行比较，验证经济政策不确定性对时变系统性风险变量β的影响。此外，本文还通过股票或企业特征分组，进一步考察股票异质性对时变系统性风险解释能力的影响。

本文的边际贡献主要体现在以下四个方面。第一，不同于已有研究将股市系统性风险β的时变性与宏微观因素结合，从经济政策不确定性角度探讨了系统性风险β时变的原因，补充和完善了对系统性风险时变性的经济学解释。第二，在Cosemans等(2016)[15]提出的时变β贝叶斯估计方法的基础上，将经济政策不确定性纳入时变β参数模型，提高了模型对系统性风险的估计精度和对股票超额收益的解释能力。第三，考察股票或企业异质性对系统性风险解释力的影响作用，探讨了基于不同分组下的系统性风险对超额收益解释能力的差异。第四，针对经济政策不确定性对系统性风险的影响给出相关经济解释，为不确定性与股票市场系统性风险关系研究提供了新的证据。

本文后面内容安排如下：第二部分介绍估计时变β的方法，参考Cosemans等(2016)[15]，本文将经济政策不确定性融入时变β的估计模型中，在整个样本期内按照固定窗口滚动进行贝叶斯估计；第三部分介绍研究对象和数据，包括中国经济政策不确定性指数和中国A股相关数据的介绍及来源；第四部分分析实证结果，讨论融入经济政策不确定性的时变β的估计结果及动态变化，并将其与基准模型进行比较，探讨其能否提高系统性风险的估计精度和对股票超额收益率的解释能力；第五部分通过分组讨论股票或企业异质性对两者关系的影响机制；最后一部分是研究结论。本文研究表明，经济政策不确定性对股市系统性风险具有显著的正向影响，经济政策不确定性越高，中国股票市场系统性风险越大，同时，融入经济政策不确定性的时变参数模型能够有效提高系统性风险的估计精度，并对股票超额收益具有更强的解释能力。企业异质性对融入经济政策不确定性的时变β影响显著，非国有企业、小企业、成长型企业的时变β对股票超额收益率具有更强的解释能力。

二、 融入经济政策不确定性的时变β估计模型

参考Cosemans等(2016)[15]提出的融入公司基本面信息的时变β贝叶斯估计方法，本文在时变β中加入经济政策不确定性。不同于传统CAPM模型只根据股票收益与市场收益计算系统性风险的方法，本文通过整合经济政策不确定性信息和公司基本面信息为每个公司构建一个先验β，再利用贝叶斯估计方法求得时变β。

具体来说，首先构建股票i在第t个月份的先验模型：

(1)

(2)

其中，Xt是经济政策不确定性，Zit是包含公司基本面信息的向量。因为β和公司基本面信息的联系可能会随着经济政策不确定性的变化而变化，所以也在公式(2)中加入经济政策不确定性与公司基本面信息的交互项ZitXt。将公式(2)代入公式(1)中，得到以下回归模型：

(3)

得到公式(3)中参数δ的估计结果后，代入公式(2)中计算，得到每一次迭代的系数β的估计结果。股票i在时点t的融入经济政策不确定性因素的时变β先验均值与方差为

(4)

在求得融入经济政策不确定性因素的时变β先验均值与方差后，Vasicek(1973)[35]推导出一种形式化的程序将来自个股滚动回归方法求得的β样本估计与先验信息相结合，以获得服从渐进正态分布的收缩β估计，其后验均值和方差由公式(5)和公式(6)给出，

(5)

(6)

本文在对公式(3)进行贝叶斯估计时结合滚动窗口回归，即在整个样本期内按照固定窗口滚动，在每一个窗口中进行贝叶斯估计。Cosemans等(2016)[15]在整个样本区间只进行一次贝叶斯估计，即假设解释变量对β的影响始终服从单一分布。事实上，这一假设并不符合实际，宏观经济状况的变化、公司经营状况的变化等因素都会导致解释变量对β的影响不断变化。借助滚动回归，本文可以更好地分析经济政策不确定性变化对β的动态影响过程。滚动回归的时间窗口为60个月，时间窗口的移动步长为1个月。MCMC方法中，本文选择标准马尔可夫链，丢弃前250个不相关的估计并执行1 000次迭代后，得到模型(3)中参数δ的估计结果。

三、 研究对象和数据选取

本文经济政策不确定性变量选择中国EPU指数。经济主体在面对外部风险时，典型的应对措施是搜索更多的信息(Lemieux等，2011[36])，因此政策不确定性的大小可以由搜索引擎相关关键字的搜索量的大小、相关媒体的报道量等进行反映。中国EPU指数量化了报纸对相关经济政策不确定性的报道，对经济和股票市场的波动有较强的解释力。陈国进等(2018)[24]研究了中国EPU指数对股票风险的影响，认为中国EPU指数较好地衡量了经济政策不确定性的程度。中国EPU指数数据来自网站http://www.policyuncertainty.com/index.html。

本文以中国A股市场为研究对象，剔除上市时间不满3年和账面市值比为负的公司，以剩余2 803家上市公司为研究对象，研究时间区间为2000年1月至2018年12月。公司基本面信息选取市值、账面市值比、资产负债率和动量。Gomes等(2003)[37]指出，在一般均衡背景下β系数与公司规模、账面市值之间存在明确关系。Zhang(2005)[38]发现资本的昂贵可逆性使得价值公司更难以在衰退中减少其经营规模，价值公司有反周期的β，而成长型公司具有顺周期的β。Grundy和Martin(2001)[39]则发现β与动量有关。中国A股市场个股及上证综指月度收益率、无风险利率、公司市值数据、年度财务报表数据均来自国泰安数据库(CSMAR)。

为了更直观地观察经济政策不确定性与中国股票市场的关系，图1刻画了中国经济政策不确定性指数与上证综指的曲线。从图1可以看出，两者总体上呈现出反向关系，当经济政策不确定性走高，股票市场往往受到冲击而下跌。例如，在2015年股灾期间，中国政策不确定性指数一度飙升。2018年年初，国内与国际政治不确定性与经济波动如中美贸易摩擦等都加剧了中国经济政策不确定性程度，同一时期的股票市场则表现疲软。总体来说，经济政策不确定性与中国股票市场关系密切。

图1 中国经济政策不确定性指数与上证综指走势

四、实证分析

(一) 融入经济政策不确定性的时变β检验和动态变化

表1展现了包括经济政策不确定性在内的影响β系数的因素的平均系数及其显著性。根据表1可知，中国经济政策不确定性对股市系统性风险具有显著正向影响。这一结果与预期一致，先验模型中经济政策不确定性是β的重要决定因素之一。经济政策不确定性的平均系数为正，在1%水平上显著，表明中国经济政策不确定性越高，市场系统性风险越高。

其他影响因素也显著影响β。市值因子的平均系数显著为负，表明小企业比大企业更容易受到系统性风险的影响，进而对其投资需要更高的收益补偿，符合“小市值效应”理论；账面市值比对系统性风险的影响为正，意味着高BM(价值型)企业要比低BM(成长型)企业的风险高，符合“BM异象”理论，即高BM说明企业的财务状况更加脆弱(Fama和French，1992[3]，1993[4])；资产负债率因子平均系数对系统性风险有着显著为负的影响，说明企业在经济环境良好时通常选择提高负债率来扩大生产；动量因子的平均系数显著为正，说明动量越大，系统性风险越高，符合中国A股市场存在短期动量交易的特点。

表1 融入经济政策不确定性的时变β先验估计中各因子的影响情况

由图2可知，融入经济政策不确定性因素的β估计值呈现明显的时变特征。图2展示了每个时点个股β估计值的平均水平。2007年1月至2011年10月、2016年4月至2018年12月期间，β呈现下降趋势；其中，在2006年12月和2014年12月这两个时点，β出现了突降。2008年中旬至2009年中旬、2012年1月至2014年11月、2015年1月至2016年3月期间，β保持上升趋势；其中，在2011年12月，β出现了骤升。

系统性风险的下降源自于市场的逐步完善。2006年至2007年，中国股票市场实行上市公司股权分置改革，市场融资功能逐步完善，同时券商评级制度的引入规范了证券公司的执业操作，保护了中小投资者的权益。经济政策一片大好，经济政策不确定性处于较低水平，同一时期的系统性风险也呈现下降趋势，与经济政策不确定性同时同向变动。2009年，中国推出了经济刺激计划，创业板和股指期货的推出完善了中国的多层次资本市场，受全球金融危机重创的市场得以“安抚”，经济政策明朗，经济政策不确定性逐步降低，市场系统性风险也随之回落。2015年11月，“供给侧结构性改革”正式提出，并在2016年3月份发布的“十三五”规划中被列为重点工作之一，旨在解决经济发展的结构性问题，推动经济转型升级。这一政策的提出为市场带来了极大利好，经济政策不确定性下降，市场系统性风险再次回落。

系统性风险的上升主要受市场不稳定因素的影响。2008年在全球金融危机的冲击下，中国股市遭到重创，经济政策不确定性大幅提升，进而影响系统性风险跟随提升。2012年十八大召开，经济政策不确定性上升，系统性风险也随之上升。2015年中国股灾的发生也刺激了经济政策不确定性的上升。2015年初，中国提出通过股市来振兴实体经济的口号，各监管部门积极配合，各媒体正面报道，一轮牛市开启，大量金融机构积极跟进，政策市瞬间变为杠杆市，在欣欣向荣的背后却是下行压力巨大的经济基本面，矛盾的现状让经济政策不确定性骤升。由此可知，本文估计的时变β走势与现实经济密切相关，侧面印证了本文估计的时变β的有效性和可靠性。

图2 融入经济政策不确定性的时变β的走势图

(二)融入经济政策不确定性的时变β与基准模型的比较

为进一步研究融入经济政策不确定性的时变β的模型效果，本文将融入经济政策不确定性的时变β与基准模型的β进行比较。基准模型选取基于中国股市的Fama-French五因子模型的系统性风险β、Fama-Macbeth方法估计的系统性风险β，以及只包含公司基本面信息的混合β。

Fama-French五因子模型中，收益率因变量和各因子自变量的构建参考Fama和French(2015)[7]的研究。具体来说，规模因子(SMB)、价值因子(HML)、利润因子(RMW)以及投资因子(CMA)的构造方式是：首先，按规模中位数将股票分为2组，同时分别按账面市值比、利润以及投资的30%、70%分位数将股票分成3组；然后，分别得到规模-价值、规模-利润、规模-投资的2×3的6宫格资产组合；最后，根据规模因子(SMB)、价值因子(HML)、利润因子(RMW)以及投资因子(CMA)的定义，计算得到各因子。收益率因变量构造的方式是，沿着某2个因子维度将股票分成5×5的25宫格资产组合，并且每月重新计算。在得到五因子模型因变量与因子自变量之后，采用滚动窗口回归，即可得到相应的β。

只包含公司基本面信息的混合β，是在时变β的估计过程中，将公式(2)替换为公式(7)，用No EPU表示。

(7)

本文针对以上三种方法，以及融入经济政策不确定性得到的系统性风险β，分别进行横截面和时间序列描述性统计分析，以及解释力回归分析。在描述性统计分析中，横截面分析主要计算了β值的横截面均值和标准差，再进行时间序列平均；时间序列分析主要计算了β值时间序列均值、标准差的横截面加权平均值。在回归分析中，本文运用以下回归模型研究β对股票超额收益率的解释能力：

(8)

表2展示了基于Fama-French五因子模型的β系数均值及其显著性水平。结果显示，各组合的系统性风险β系数均显著。这一结果说明，中国股票市场的系统性风险能够用Fama-French五因子模型来有效度量。

表2 Fama-French五因子模型各组合及显著性水平

表3展示展示了基于Fama-Macbeth方法估计的β系数的均值及其显著性水平。结果显示，β系数值均显著，表明Fama-Macbeth方法能够有效度量中国股票市场的系统性风险。与Fama-French五因子模型计算出来的β相比，两种方法计算的β值差距较小，说明两种方法计算的β值具有可靠性。

表3 Fama-Macbeth方法中各组合及显著性水平

由表4的描述性统计结果可知，各方法估计的β中，融合经济政策不确定性的时变β显著高于其他基准模型。从横截面结果来看，不考虑经济政策不确定性(即只考虑公司基本面信息)的β略低于Fama-Macbeth方法的β，而融入经济政策不确定性的时变β最大。从时间序列分析结果来看，也能得到类似的结论。这一结果说明，经济政策不确定性对系统性风险有着重要影响，不能轻易忽略。

表4 β的横截面和时间序列分析结果

表5进一步展示了融入经济政策不确定性因素的时变β对股票收益率的解释能力。在时点截面回归中，除Fama-French模型以外，其余β的回归系数均显著为正。但是从显著性强弱和解释力总体来看，融入经济政策不确定性的时变β要比其他方法估计的效果更好。在混合OLS回归中，融入经济政策不确定性因素的时变β和仅包含公司基本面信息估计的时变β的回归系数显著为正，其他回归系数为负或不显著。并且，融入经济政策不确定性因素的时变β比仅包含公司基本面信息估计的时变β的回归系数显著性更强、模型解释力更好。因此，在估算系统性风险时，将经济政策不确定性纳入考虑的方法要比传统方法解释力更强。另外，分组的时变β的系数要远小于未分组的时变β的系数，说明个股在一定程度上比组合风险价格更高。从调整拟合优度来看，包含基于EPU估计的时变系统性风险的模型解释力明显高于包含不基于EPU估计的时变系统性风险的模型解释力，进一步验证了融入经济政策不确定性的系统性风险对超额收益的解释能力的提升。综合考虑模型拟合优度、估计参数差异和经济学解释等，融入EPU的时变系统性风险对股票超额收益的解释能力更强。

表5 各系统性风险估计方法中β的解释力比较

注：表5展示了各系统性风险估计方法中β的解释力，括号内为对应系数的t值。

五、 融入经济政策不确定性的时变β与股票异质性

结合股票和企业的基本特征，本文进一步讨论对于不同类型股票，经济政策不确定性与股票系统性风险之间的关系。陈国进等(2018)[24]指出，不同特征的股票，政策不确定性对风险的影响有所差异。例如，非国有企业的股票波动率受政策不确定性的影响更大。因此，本文根据基本特征，国有和非国有、市值规模、股票基本面优劣，对股票进行分组，分别考虑不同类型股票的融入经济政策不确定性的时变β的差异，以及时变β对股票超额收益率解释能力的差异。

图3 国有企业与非国有企业的融入经济政策不确定性的时变β的走势图

图3展示了国有企业与非国有企业融入经济政策不确定性的时变β的变动趋势。从图中可以明显看到，两类企业的时变β存在明显差异，在2013年以后尤其显著。表6则展示了国有企业与非国有企业融入经济政策不确定性的时变β对股票超额收益率的解释能力。对比时变β的系数大小发现，非国有企业的解释能力显著高于国有企业。这一发现与陈国进等(2018)[24]关于非国有企业股票风险的结论相互印证。陈国进等(2018)[24]还进一步指出，政策不确定性通过降低企业现金流和提高随机贴现因子的方式作用于股票风险。与国有企业相比，非国有企业的资金来源于市场，缺少政府的可靠背书，其现金流往往更容易受到不确定性因素的影响而减少。因此，融入经济政策不确定性的时变β对非国有企业的股票超额收益率具有更强的解释能力。

从图4可以看到，不同规模的企业，融入经济政策不确定性的时变β也存在显著差异。表6则展示了大企业和小企业的时变β对股票超额收益率的解释能力的差异。小企业时变β的系数显著高于大企业，这一结果说明，融入经济政策不确定性的时变β对小企业的股票超额收益率具有更强的解释能力。小企业通常现金流较为不充裕，不确定性将会严重降低小企业的现金流，进而使得小企业的股票风险显著上升。

图4 大企业与小企业的融入经济政策不确定性的时变β的走势图

图5则展示了价值型和成长型企业的融入经济政策不确定性的时变β的变动情况。两类企业的时变β同样显著不同。表6也展示了价值型和成长型企业的时变β对股票超额收益率的解释能力。成长型企业的时变β的系数显著高于价值型企业。成长型企业基本面较差，现金流往往较为紧张，受到不确定性的影响后更容易出现现金流不足的问题，因此成长型企业的股票风险将会上升。

图5 成长型企业与价值型企业的融入经济政策不确定性的时变β的走势图

表6 不同类型企业的融入经济政策不确定性的时变β对超额收益的横截面回归

六、 结论

本文将经济政策不确定性纳入时变的系统性风险β的估计中，考察经济政策不确定性对股市系统性风险的动态影响。本文还将融入经济政策不确定性的时变β与传统资本资产定价模型进行比较。研究结果发现，经济政策不确定性对市场系统性风险存在显著的正向影响。这一影响表现出明显的时变特征。融入经济政策不确定性后，市场系统性风险显著提高，并且其对股票超额收益率的解释能力也显著增强。通过对比不同类型股票的时变β及其解释能力发现，股票异质性对融入经济政策不确定性的时变β具有显著影响，并且时变β对非国有企业、小企业、成长型企业的股票超额收益率具有更强的解释能力。

综合来看，经济政策不确定性对中国股票市场系统性风险的影响不容忽视，不考虑经济政策的不确定性会低估中国股市的系统性风险。为了更好地防范化解系统性金融风险和维持金融系统稳定，我国政府部门在制定金融经济政策时不仅仅要考虑金融经济政策的成本、效果和影响，还要考虑经济政策不确定性的成本，市场会如何对经济政策不确定性产生反应，不同类型股票之间的差异，进而更好地防范化解系统性金融风险、服务实体经济和维持金融系统稳定。