经济政策不确定性对我国股票市场的动态时变影响

郎鸿裕

摘 要：基于Huang & Luk編制的中国经济政策不确定性指数以及上证指数，采用TVP-SV-VAR模型考察我国经济政策不确定性对股票市场的动态时变影响。研究结果表明：滞后短期的经济政策不确定性冲击对股票市场收益呈现显著负向影响，随着滞后期增长负向影响逐渐趋向于零；股票市场波动对短期经济政策不确定性具有稳定的正向影响；经济政策不确定性对股票市场的冲击在不同重大事件时点呈现分异趋势。根据研究结论，本文提出相关政策建议。

关键词：经济政策不确定性；股票市场；TVP-SV-VAR模型

中图分类号：F23     文献标识码：A      doi：10.19311/j.cnki.16723198.2023.12.048

0 引言

2008年次贷危机的爆发对世界各国经济造成不同程度的冲击，尽管各国积极出台一系列刺激政策和救助措施，但世界经济依然复苏缓慢，这引起了学者的关注。2013年《世界经济展望报告》中，国际货币基金组织（IMF）通过研究发现经济政策的不确定性会导致家庭和企业减少消费和投资，是导致世界经济复苏缓慢的重要原因。

为应对新的经济政策，各经济主体会对即将发布的政策内容及出台时间进行预测，并依照其预测的结果做出相应的市场行为。经济政策不确定性指经济主体对于经济政策变动的方向、影响程度和出台时间不明确。在严峻复杂的内外部形势下，考察经济政策不确定性对股票市场的动态时变影响，具有重要的理论和现实意义。基于内部环境的视角，我国产业结构不断优化，经济结构处于战略性调整和转型升级的关键时期，宏观调控发挥着不可或缺的重要作用。基于外部环境的视角，我国正面临“百年未有之大变局”，面对重大突发事件如何合理应对经济政策的不确定性，保障金融稳定，防范化解金融风险是国家重点关注的问题。基于相关数据的视角，我国在2008年次贷危机、2011年欧债危机、2015年股灾、2018年中美贸易战以及2020年新冠肺炎疫情发生时，经济政策不确定性指数迅速上升并到达阶段性峰值，表明经济系统在这些时点很可能发生了结构性突变。股票市场作为金融市场重要组成部分，其波动会通过直接或间接的渠道影响政府政策的出台和实施。因此探究我国经济政策不确定性与股票市场的时变影响关系有助于提高宏观调控的科学性，增强金融系统的稳定性。

1 文献综述

1.1 经济政策不确定性与股票市场收益的关系

国内外学者大多采用Baker et al.（2012）发布的EPU指数研究经济政策不确定性与股票市场收益之间的关系。Sum（2012）以及Sum（2013）分别使用线性回归和VAR模型研究欧洲和美国经济政策不确定性对股票市场收益的单向影响，结论表明影响程度一般为负向并且经济政策不确定性的变化是股票市场收益变化的格兰杰原因。汪弘等（2018）通过多元回归分析、时间序列和定价分析发现经济政策不确定性会对未来3个月的股票市场收益产生显著的正向影响，是中国股票市场的重要定价因子。

同时也有学者研究表明经济政策不确定性与股票市场收益之间可能存在双向影响。Li et al.（2016）以中国和印度为研究对象，采用自助滚动窗口因果关系检验法，发现两个国家经济政策不确定性和股票市场收益之间互为格兰杰因果原因。翟晓英等（2020）以G7国家和金砖国家为研究对象，发现G7国家中经济政策不确定性和股票市场收益之间互为格兰杰因果关系，但这一结论在金砖国家中不成立。

1.2 经济政策不确定性与股票市场波动的关系

Baker et al.（2016）研究公司层面股价数据与经济政策不确定性的关系，发现经济政策不确定性与公司层面的股票波动呈现显著的正相关。Yu et al.（2018）构建GARCH－MIDAS模型，发现全球经济政策不确定（GEPU）与中国股市波动率之间有显著正向关系。卜林等（2020）采用广义脉冲响应函数和广义方差分解，发现中国股市波动对中国经济政策不确定性具有一定的单向解释力。潘长春等（2022）对中美两国3种类型经济政策不确定性和股票市场波动性之间的跨类及跨国关联进行了静态和动态分析，发现经济政策不确定性对中美股票市场波动性都存在非对称溢出效应。

2 模型构建与变量选取

2.1 TVP－SV－VAR模型构建

考虑到我国当前的宏观经济结构下经济变量之间的影响很可能具有时变特征，带有随机波动率的时变参数向量自回归模型（TVP－SV－VAR）可以考察模型变量因经济政策变动引起的动态时变冲击，是描述宏观经济系统动态时变特性的较好选择，因此本文选取TVP－SV－VAR模型进行实证研究。当结构向量自回归模型（SVAR）的参数具有时变性时即为TVP－SV－VAR模型，一般的SVAR模型可以表示如下：

Ayt=B1yt-1+B2yt-2+…+Bsyt-s+μt，t=s+1，…，n（1）

其中，yt是k×1维可观测向量，在本文中包括CNEPU、SYR及VOL三个变量。A，B1，…Bs是k×k维系数矩阵，μt为结构冲击矩阵且μt～N0，ΣΣ，μt的标准差为σk。假定矩阵A为下三角矩阵形式，即结构冲击服从递归识别，参考Nakajima（2011），可将矩阵Σ和A表示为：

Σ=σ1 0 … 00    …  00 … 0 σk，A=1  0 … 0a21   … …  0ak1 … ak，k-1 1（2）

将式（1）重写为简化的VAR形式：

yt=ω1yt-1+ω2yt-2+…+ωsyt-s+A-1Σεt，εt～N0，Ik（3）

其中，εt是残差项，Ik为单位矩阵，ωi=A-1B，i=1，2，…，n；ωi的每一行元素按列排序堆叠得到β，为k2s×1维列向量，定义Xt=Iky′t-1，…，y′t-s，表示克罗内克积，由此上述 VAR模型可以表示为下式：

yt=Xtβ+A-1Σεt，t=s+1，…，n（4）

当经济系统发生结构性突变时，为刻画变量之间的非线性关系，需要式（4）中参数β、A以及∑具有时变性，此时对应的带有随机波动的时变参数向量自回归模型（TVP－SV－VAR）模型可表示如下：

yt=Xtβt+A-1tΣtεt，t=s+1，…，n（5）

在式（5）中，参数βt，At，Σt均已转化为时变参数，令α1=α21，α31，…，αk，k-1′表示下三角矩阵At中的元素按行堆叠向量，ht=h1t，h2t，…，hkt′，且hjt=lnσ2jt，j=1，2，…，k;t=s+1，…，n。同时假定式（5）中的参数服从如下的随机游走过程：

βt+1=βt+uβt，αt+1=αt+uαt，ht+1=αt+uht（6）

εtuβtuαtuht～N0，I0000Σβ0000Σα0000Σh（7）

在式（7）中，βs+1～Nμβ0，Σβ0、αs+1～Nμα0，Σα0、hs+1～Nμh0，Σh0。时变参数的随机冲击εt、uβt、uαt、uht之间互不相关，Σβ、Σα、Σh定义为对角矩阵。

TVP－SV－VAR模型需要估计的参数较多，结构性冲击方差的随机波动导致运用似然函数进行估计非常困难，因此本文通过马尔科夫链蒙特卡洛模拟方法（MCMC）进行模拟抽样，抽样方法使用基于后验分布的Gibbs抽样。对于模型的参数初值，本文设定μβ0=μα0=μh0=0，Σβ0=Σα0=Σh0=10×Ik，Σβ-2i～Gamma40，0.02，Σα－2i～Gamma4，0.02，Σh－2i～Gamma4，0.02。

此外，设定抽样次数为20000，其中前2000次抽样为样本的预期模拟值，为避免迭代初期不平稳情况将前2000次抽样结果舍弃，后18000次抽样用于后验分布的参数估计。

2.2 数据的选取及处理

本文选取经济政策不确定性、股票市场收益与股票市场波动数据展开实证分析，数据选取范围为2002年1月至2022年1月，数据类型为月度数据，数据来源于Wind数据库以及中国经济政策不确定性官网（https：//economicpolicyuncertaintyinchina.weebly.com）。各指标选取和说明如下。

2.2.2 中国经济政策不确定性（CNEPU）

Baker et al.（2012）发布的经济政策不确定性指数（EPU）被学者广泛采纳并用于研究，但Baker et al.构建的中国地区经济政策不确定性指数（EPU）是基于香港的《南华晨报》英文版计算得出，没有将中国内地报纸纳入考虑范围，新闻信息的代表性有所欠缺。有鉴于此，香港浸会大学Huang & Luk（2020）通过慧科（Wisenews）电子报纸资讯库进行文本挖掘，选取10份中国内地代表性报纸，重新编制了中国经济政策不确定指数（CNEPU）。本文采用此指数（CNEPU）进行后续实证分析并采用Baker et al.发布的经济政策不确定性指数（EPU）进行稳健性检验。参考其他学者对于数据平稳性的处理方法，首先对中国经济政策不确定指数做取对数处理。

2.2.3 股票市场收益（SYR）

股票价格指数选取上证综合指数，该指数是国内最具影响力的股票指数。本文采用连续复利计算公式对股票市场收益进行计算：

SYRt=lnPtPt-1（8）

其中，Pt和Pt-1分别表示t时刻和t-1时刻上证综合指数收盘价。

2.2.4 股票市场波动（VOL）

本文使用历史波动率度量股票市场波动，计算方法如下：选择一个时间窗口n，本文选择时间窗口为一个月；求出股票日波动率，即股票日收益率的标准差；最后乘以时间窗口n的平方根，具体公式如下：

VOL=∑nt=1Rt-Ravg2n-1×n（9）

其中，n表示一个月中除去闭市的天数，Rt表示t时刻上证指数收益率，Ravg表示一个月中除去闭市这一阶段内上证指数收益率的平均值。

3 实证结果与分析

3.1 数据的平稳性及协整检验

本文通过ADF单位根检验法对CNEPU、SYR、VOL三个时间序列进行平稳性检验，表1为ADF單位根检验的结果，借助Eviews12.0完成。其中SYR为0阶单整平稳序列，CNEPU、VOL一阶差分后平稳。非平稳序列很可能出现伪回归，需要借助协整检验进行判断，即检验变量之间是否存在稳定的关系。协整检验的前提是同阶单整，因此本文接下来采用CNEPU、SYR、VOL三个时间序列序列取一阶差分构建TVP－SV－VAR模型。

本文采用Johansen协整检验的方法判断CNEPU、SYR、VOL三个时间序列是否存在协整关系，其思想是采用极大似然估计检验多变量之间的协整关系。由表2可知，在5%的显著性水平下，本文所选取的三个指标间不会产生伪回归结果并且存在两个长期稳定的关系。

3.2 参数估计与模型诊断

对于如何确定变量顺序，本文根据时间序列模型按照外生性的强弱确定变量顺序的通常做法，设定顺序为CNEPU、SYR、VOL。在进行实证前需要确定模型滞后阶数，估计结果见表3。参考姚登宝（2017）根据VAR模型中的AIC准则确定最优滞后期的做法，并依据信息准则最小值原则，确定模型中各变量最优滞后期数为4，因此建立滞后4期的TVP-SV-VAR模型。

基于OxMetrics 6.0平台实现TVP－SV－VAR模型的相关模拟结果。使用MCMC算法对TVP－SV－VAR模型进行参数估计并通过Geweke检验和无效因子分析模型估计效果。在MCMC产生的马氏链前一部分与后一部分渐进独立的假设条件下，Geweke构造的检验统计量渐进服从标准正态分布，此时说明MCMC抽样是平稳的。无效因子用于判断MCMC抽取样本的有效性。相关参数的后验估计结果见表4。

由表4可知，所有参数的后验均值在95%置信区间内。Geweke诊断值均未拒绝趋于后验分布的5%置信水平原假设。同时所有参数的无效影响因子数值均较小，其中最大的无效影响因子数值为62.09，说明在20000次的MCMC抽样中，可以至少获得322（20000 /62.09≈322）个不相关样本观测值进行后验估计，满足进行后验分布推断的基本数量要求。综上所述，TVP－SV－VAR模型的 MCMC 模拟是有效的。

图1从上到下三排分别是样本的自相关系数、样本路径以及后验分布。如图所示，∑β、∑α、∑h的样本自相关系数均随着模拟次数的增加趋向于零，表明经过20000次MCMC模拟能在一定程度上消除抽样方法导致的样本自相关性；同时，样本路径围绕后验均值上下波动，呈现“白噪音”波动轨迹，整体较为平稳，表明MCMC算法抽样得出的样本具有独立性和有效性。

3.3 TVP－SV－VAR模型的时变脉冲响应分析

对于经济政策不确定性（CNEPU）、股票市场收益率（SYR）与股票市场波动率（VOL）三者之间的动态脉冲响应分析，TVP－SV－VAR模型通过两种函数刻画不同时期变量之间的动态反应情况，分别为等间隔脉冲响应函数和时点脉冲响应函数。

3.3.1 等间隔脉冲响应分析

等间隔脉冲响应用于分析变量间脉冲响应的滞后性与时变性。由于政策变动的周期一般较长，本文分别设定时间间隔为滞后1期（一个月）、滞后3期（一个季度）、滞后6期（半年）和滞后12期（一年），衡量了短期、中期和长期时变效应。

图2是经济政策不确定性对股票市场收益的等间隔脉冲响应εCNEPU↑→SYR。针对不同滞后期的脉冲效应而言，滞后1期的脉冲响应表现为正负向影响交替出现且负向影响程度较大；滞后3期表现出微弱的正向影响，这与汪弘等（2018）得出的结论“EPU 增加一单位标准差将会使未来 3 个月的股票市场收益上升 0.151%”相一致；滞后6期以及滞后12期的脉冲效应围绕零值上下波动，表明经济政策不确定性冲击的影响会随着时间逐渐减弱并趋于零。针对不同时间段的脉冲效应而言，2004-2007年、2014年经济政策不确定性对股票市场收益产生正向影响，其余时期经济政策不确定性冲击对股票市场收益主要产生强烈的负向影响。与零线相交的两个时间点对应次贷危机（2008年）以及中国宏观经济步入“新常态”（2014年）。

图3是经济政策不确定性对股票市场波动的等间隔脉冲响应εCNEPU↑→VOL。各个滞后期的脉冲响应线具有相同的趋势，均在2008年次贷危机、2011年欧债危机、2015年股灾以及2018年中美贸易战达到正向影响的阶段性峰值并且在达到阶段性峰值后脉冲响应迅速下降。这种现象的产生可能是因为在经济危机时市场虚假繁荣，投机泡沫膨胀，金融系统稳定性降低导致股票市场波动增大。随着后续政府出台的救助措施使得资产价格波动幅度回到正常范围，如次贷危机时的问题资产救助计划、欧债危机时的欧洲稳定机制 （ESM）的设立。

图4是股票市场收益对经济政策不确定性的等间隔脉冲响应εSYR↑→CNEPU。其中滞后1期、滞后3期以及滞后12期的脉冲效应表现出负向而滞后6期的脉冲效应表现出正向，表明股票市场收益对经济政策不确定性的负向影响在半年后会逐渐减弱直至零值上下波动。

图5是股票市场波動对经济政策不确定性的等间隔脉冲响应εVOL↑→CNEPU。滞后1期的脉冲响应为正向且非常平稳，影响程度维持在2.5%左右；随着时间增加，滞后3期、滞后6期以及滞后12期的脉冲效应呈现微弱正向效应并维持在零线附近上下波动。就影响程度的持续时间而言，股票市场波动对经济政策不确定性的影响表现为即期影响较为显著，远期影响不显著。

3.3.2 不同时点脉冲响应分析

时点脉冲响应用于分析在特殊时点上变量对结构冲击的动态影响。本文根据中国经济政策不确定性指数的阶段性峰值选取四个代表性脉冲时点进行研究，即2008年10月（次贷危机）、2011年8月（欧债危机）、2015年8月（股灾）和2020年5月（新冠肺炎疫情），脉冲反应长度为 18 期（ 1 期为 1 个月） 。

图6是经济政策不确定性对股票市场收益的时点脉冲响应εCNEPU↑→SYR。在第0期至第3期，四个时点脉冲效应程度有一定差异但总体趋势呈现出V型变动，即先减小后增大。在2011年8月欧债危机以及2020年5月新冠疫情这两个时点，经济政策不确定性冲击对同期股票市场收益影响程度为正，随后迅速下降表现为负影响程度，证明股票市场对经济政策的反馈可能存在一定滞后性。半年（第6期）以后，四个时点的影响程度基本趋于零，唯独2015年8月股灾这一时点的脉冲效应在第15期仍存在异常波动。

图7是经济政策不确定性对股票市场波动的时点脉冲响应εCNEPU↑→VOL。第 0 期各个时点的脉冲响应值均为正值，表明经济政策不确定性冲击会加剧同期股票市场波动性经济政策不确定性。就影响程度而言，经济政策不确定性对同期股票市场波动的正向影响程度在2015年8月股灾这一时点上达到最大，为3.3%。4期以后，四个时点的影响程度非常缓慢地趋向于零。2008年10月次贷危机表现为稳定的正向影响而其他三个时点表现为稳定的负向影响，表明2008年10月次贷危机对股票市场波动性的影响程度较为持久。

图8是股票市场收益对经济政策不确定性的时点脉冲响应εSYR↑→CNEPU。第0期至第4期，脉冲响应函数均呈现U型走势并且在第3期达到最大负向影响，随后各脉冲响应的影响程度逐渐趋向于零。在这一过程中，2008年10月次贷危机走势和2011年8月欧债危机类似，2015年10月股灾走势和2020年5月新冠疫情类似，表明我国的宏观经济结构具有时变性，不同时点之间越接近，股票市场收益对经济政策不确定性的影响程度就越相似。对比不同时点负向影响程度趋向于零值的速度，反映出国家通过供给侧结构性改革、规范金融监管等举措优化了股票市场的结构，因而经济不确定性造成的负面影响能被市场更迅速地消化。

图9是股票市场波动对经济政策不确定性的时点脉冲响应εVOL↑→CNEPU。四个时点的脉冲响应函数走势基本一致，均在第1期达到正向极大值，影响程度达到2.5%，与前文等间隔脉冲应的结论一致。就中长期而言，股票市场波动对经济政策不确定性的影响程度呈现微弱的正向，并且从第4期开始逐渐趋向于零，表明股票市场波动增大时会导致经济政策不确定性小幅度上升。

3.4 稳健性检验

为保证结论的稳健性，本文通过改变数据频率以及使用其他经济政策不确定性指数两种方式进行检验。

3.4.1 改变数据频率

本文使用月度数据的算术平均值作为季度数据，模型结果表明经济政策不确定性对股票市场收益的影响程度仍表现为滞后1期（一季度）微弱正向，滞后2期（半年）和滞后4期（一年）趋向于零；经济政策不确定性冲击对股票市场波动的主要表现为正向影响。结论表明，改变数据频率后前文所述结论依然成立。

3.4.2 使用其他经济政策不确定性指数

较多学者在研究经济不确定性相关问题时选用Baker et al.编制的经济政策不确定性指数（EPU）作为被解释变量，其阶段性峰值与Huang & Luk编制的中国经济政策不确定性指数（CNEPU）不同。本文利用该指数的四个阶段性峰值即2008年9月、2011年11月、2017年1月以及2020年5月作为代表性的脉冲时点进行时点脉冲响应分析。研究结果表明，2017年1月这一时点经济政策不确定性对股票市场收益的影响程度表现为正负向交替并且在8期后趋于零，经济政策不确定性对股票市场波动的影响程度主要表现为负向。其余时点的脉冲效应与前文结果基本一致，验证了本文结论的稳健性。

4 结论与建议

后疫情时代全球经济形势面临巨大的不确定性，加之国内经济内生动力的下降，导致宏观经济下行压力增大。为维护股票市场稳定，防范、化解金融风险，本文基于2002年1月至2022年1月Huang & Luk编制的中国经济政策不确定性指数以及中国股票市场相关数据，通过TVP－SV－VAR模型考察我国经济政策不确定性对股票市场的动态时变影响。得出的研究结论主要如下。

（1）经济政策不确定性冲击对滞后1个月的股票市场收益有显著的负向影响，只有部分经济高度稳定的时期，经济政策不确定性冲击对滞后1个月的股票市场收益具有正向影响；经济政策不确定性冲击对滞后3个月的股票市场收益呈现微弱正向影响，并随着滞后期增加趋向于零。

（2）经济政策不确定性冲击会增加股票市场波动，由于国家的宏观调控的有效性，经济政策不确定性冲击对股票市场波动的正向影响会迅速减弱直至趋向于零；股票市场波动对滞后1期的经济政策不确定性具有显著且稳定的正向影响，对滞后3期、滞后6期和滞后12期的影响不显著。

（3）经济事件性质、影响范围的差异性导致不同时点经济政策不确定性冲击对股票市场的影响程度呈现分异趋势。随着我国金融渐进性改革的推进、政府积极的政策干预，经济政策不确定性对股票市场的负向影响程度减轻并且能更快被市场消化。

针对本文的实证结论，给出的政策建议如下。

（1）統筹把握经济政策的连续性、稳定性和可持续性。

2021年中央经济工作会议指出，“宏观政策要保持连续性、稳定性、可持续性”。连续性强调政策方向的变化不能太快，稳定性强调政策支持力度，可持续性强调短期和长期的平衡。基于本文得出结论，经济政策不确定性冲击在短期内会对股票市场产生显著影响。因此频繁地变更政策会引起股票市场过度反应，导致不同政策的影响彼此交叉，造成资产价格异常波动，增加金融系统不稳定性。

（2）提升经济政策信息的公开性、透明度和可预期性。

一方面，政府公开透明是法治政府的基本特征，市场规范透明运行有助于稳定投资者情绪。为此政府可设立相关部门或召开新闻发布会加大经济政策解读力度，对投资者进行正确引导，减少非理性行为的产生，降低经济政策不确定带来的负向影响。另一方面，投资者自身需要基于公开的经济政策设立合理心理预期，由短期的投机行为逐渐转向长期的投资行为。

（3）强化特定时间节点经济政策的时效性和针对性。

经济政策要更加精准有效地实施定向调控和相机调控才能发挥其政策效力。本文在时点脉冲效应分析中发现经济政策的影响效应具有一定的滞后性与时变性，金融市场有时无法对动态的政策信息做出及时反应，这一现象在特定经济事件的时点表现得更为明显。因此强化经济政策的时效性和针对性有利于政府更加科学、有预见地进行宏观调控。

参考文献

[1]Baker S R，Bloom N，Davis S J.Policy Uncertainty-A New Indicator[J].Centre Piece-The Magazine for Economic Performance，2012：2123.

[2]Sum V.Economic Policy Uncertainty and Stock Market Economic Performance：Evidence from the European Union，Croatia，Norway，Russia，Switzerland，Turkey，and Ukraine[J].Journal of Money，Investment and Banking，2012，25：99104.

[3]SumV.The Asean Stock Market Performance and Economic Policy Uncertainty in the United States[J].Economic Papers，2013，32（4）：512521.

[4]汪弘，宋登輝，陈立慧，等.经济政策不确定性与股票收益[J].金融学季刊，2018，12（04）：120.

[5]Li X Y，Balcilarm，Gupta R，et al.The Causal Relationship between Economic Policy Uncertainty and Stock Returns in China and India：Evidence from a Bootstrap Rolling Window Approach[J].Emerging Markets Finance ＆ Trade，2016，52（3）：674689.

[6]翟晓英，杨严钧.经济政策不确定性与股票市场收益的动态关系研究——基于G7国家和金砖国家分析[J].经济问题，2020，（08）：3745.

[7]Baker S R，Bloom N，Davis S J.Measuring Economic Policy Uncertainty[J].The Quarterly Journal of Economics，2016，131（4）：15931636.

[8]YU H，FANG L，SUN W.Forecasting Performance of Global Economic Policy Uncertainty for Volatility of Chinese Stock Market[J].Physica A： Statistical Mechanics and its Applications，2018，（505）：931940.

[9]卜林，孙丽玲，李政，等.地缘政治风险、经济政策不确定性与股票市场波动[J].南开经济研究，2020，（05）：185205.

[10]潘长春，王伟强.经济政策不确定性与股票市场波动性之间的跨类及跨国关联：来自中美两国的经验证据[J].世界经济研究，2022，（11）：89105+136137.

[11]Nakajima J.TimeVarying Parameter VAR Model with Stochastic Volatility：An Overview of Methodology and Empirical Applications[J].Monetary and Economic Studies，2011，（29）：107142.

[12]Huang Y，Luk P.Measuring Economic Policy Uncertainty in China[J].China Economic Review，2020，59（2）：101367.

[13]后小仙，马融，郑田丹，等.突发事件冲击与财政政策效应的动态评价[J].当代经济研究，2021，（10）：93104.

[14]姚登宝.投资者情绪、市场流动性与金融市场稳定——基于时变分析视角[J].金融经济学研究，2017，32（05）：94106+128.