经济政策不确定性对股市、债市和基金市场动态相关性的影响

马奕虹　蒋小莲

［摘 要］文章采用GARCH-MIDAS（以下简称G-M）、DCC-MIDAS（以下简称D-M）模型，探讨股票、债券和基金市场的动态相关性及经济政策不确定性（Economic Policy Uncertainty Index，EPU）对相关性的影响。结果表明，股市与基市具有高度长短期正相关性；债市与股市、基市相关性较小，且呈现大幅波动和频繁正负转换趋势，短期相关大于长期相关。EPU指数对股债基两两长期相关有显著正向影响。

［关键词］动态相关；经济政策不确定性；GARCH-MIDAS；DCC-MIDAS

doi：10.3969/j.issn.1673 - 0194.2023.20.047

［中图分类号］F832.5［文献标识码］A［文章编号］1673-0194（2023）20-0145-04

0     引 言

随着金融市场一体化及我国金融体制改革的不断深化，金融市场间信息传导、市场运作和资金轮动效率得到极大提升，“蝴蝶效应”显现，联动性趋势增强。考察不同金融市场间联动性具有重要理论价值和现实意义，对投资者优化资产配置、理性投资决策，监管机构进行有效监管，政府预判政策效果都具有较强的指导意义。

我国正处于经济体制转型升级的关键阶段，经济政策调整比较频繁，投资者情绪常常受到舆论及政策影响，进而影响其预期及投资决策。在政策不确定性飙升时期，金融市场波动剧烈，偏好“避险”的投资者常将资产转移到风险较小的市场。经济政策不确定性会对金融市场间相关性产生重要影响。

股票、债券和基金是最常见的资产配置方式，很多文献研究其收益率波动及相关性特征。其中，股债相关性研究比较成熟，其时变特征及正负波动规律已达成共识。而基金作为重要机构投资者，在投资决策上也与股市和债市存在千丝万缕的联系。目前，综合考虑股债基市场相关性的研究还不多见，如白（Bai）

等人［1］运用多重分形方法，发现股基市场相关性要强于股债和债基市场。

多数研究基于收益率总体波动展开，无法准确区分相关性是由宏观基本面导致的长期成分，还是受到投资者非理性行为导致的噪音（短期成分）。科拉西托（Colacito）等人［2］提出混频D-M模型，将市场间相关分解为长期和短期成分，后又扩展为可纳入外生变量的D-M-X模型。雅雅·奥斯（Yaya O.O.S）等人［3］运用G-M和D-M模型发现贵金属对石油需求和供应冲击具有套期保值潜力，石油与贵金属间存在显著动态相关性。周长锋等人［4］发现，上海股基市场高度正相关；债市与股、基市场相关性呈现大幅波动和频繁正负转换形势。周开国等人［5］同样采用这个模型发现工业增加值、货币供应量M2负向影响金融市场关联性，经济政策不确定性和通货膨胀则相反。综上，混频波动率模型能更好地捕捉高频数据短暂信息变化，充分挖掘样本信息，不仅可以分解波动及条件相关的长短期成分，还可以考察外部冲击对收益波动及相关性的影响。

本文借鉴上述模型，选取有效样本研究我国股债基市场长短期动态相关时变特征及经济政策不确定性对其的影响。首先简单介绍模型，其次进行样本选取与描述性统计，再次研究基准动态相关性时变特征，最后探讨经济政策不确定性对长期动态相关性的影响。

1     实证模型

科拉西托（Colarito）等人［2］在MIDAS及DCC模型基础上，将G-M模型扩展为D-M模型，采用DCC结构捕捉资产间短期动态相关，而长期动态相关通过MIDAS滤波反映基本面。2013年，吉塞尔斯（Ghysels）［6］通过MIDAS滤波引入混频外生变量扩展成G-M-X模型。之后的研究进一步扩展了外生变量D-M-X模型。

而D-M模型是DCC和G-M模型的有机结合，其中使用了G-M标准化残差和，并将动态相关分解为短期成分及长期成分。

2     样本选取与描述性统计

2.1   样本选取

本文选取沪深300指数（CSI 300）、中证全债指数（CSIAB）和上证基金指数（SFI）的日收盘价，并计算其对数收益率。沪深300指数于2005年公布，故均选取2005年1月至2022年12月共4 373个配对数据，包含2005年股权分置改革、2008年金融危机、2015年中国“股灾”等重大事件，能够有效反映我国证券市场整体收益波动情况。以上数据均来自国泰安数据库。

为分析经济政策不确定性对股市、债市及基金市场长期动态相关性的影响，本文选用月度频率中国经济不确定性指数（EPU）。该指数为系列指数，由陆尚勤和黄昀［7］对中国114份报纸进行文本挖掘编制而成，并持续更新。

2.2   描述性统计

表1显示了描述性统计结果，收益率均值大于0，标准差从大到小排列依次为股市、基市和债市，即债券风险最低，股市风险最高。股基两市呈左偏态，債市为右偏；峰度都大于3；均拒绝J-B检验，呈现“高峰肥尾”特征。计算常相关系数发现：股债为-0.041 9，股基为0.913 2，债基为-0.041 2，即股基呈现高度正相关，而债市与股基两市间均存在微弱负相关。由时序图可知，收益率具有“波动集聚”典型特征，股市和基市在2008年“次贷”和2015年“股灾”前后波动幅度增大，而债市相对平稳。

3     股债基市场动态相关性实证分析

3.1   基于月度已实现波动率（RV）的股债基长短期动态相关性

本节对股债基日收益率建立D-M-RV模型，第一步通过G-M模型分解波动率，第二步得到长期和短期动态相关系数。设定参数如下：平滑滞后阶数K=12，长期相关性滞后阶数Kc=144，标准化残差滞后阶数Nc=36。表2中参数估计结果显示，参数大多显著，估计效果较好。股债基收益率序列依次为0.995 6，0.961 7和0.999 0，说明收益波动均具有显著持续性。反映RV对股债基市场长期波动的加总效应，其中债市为正，股市和基市为负。权重参数ω均大于1，表明信息能有效传导。滤波参数m显著为负，存在长记忆性。表3中参数a，b分别为0.032 4***和0.952 2***，说明3个市场间持续相关、较稳定，但有一定起伏。

模型似然函数LL为-1 460.575 0，估计评价指标AIC为2 927.150 0。图1显示的是股债基市场收益波动率，可以看出3个市场时变性明显，股市波动最剧烈，基金其次，债市波动较小。股基两市波动走势和幅度十分相似，联系紧密。图2是股债基市场收益短期和长期动态相关系数时序图，图2中虚线表示短期动态相关系数，实线表示长期动态相关系数。从中可以看出，股市与基市长短期动态相关在2007年后逐步上升，一直处于高度正相关状态，在［0.8，1］小幅盘整，2017年和2021年前后有两次下探。而债市与股市、基金之间的长短期动态相关较弱，基本在［-0.4，0.3］内呈正负交错变化，波动频繁且走势接近，短期相关变动幅度大于长期相关。很明显，股基市场间的相关性要远远强于其他两个市场组合。欧美发达股债市场往往呈现负动态相关性，而我国则表现为正负交错，这与金融市场发展阶段、不同的投资者结构及市场环境有关。

3.2   经济政策不确定性对长期动态相关性的影响

中国证券市场具有政策特征，我国处于经济结构转型升级的关键时期，面临复杂的国际政治经济环境，经济政策不确定性增加，极大影响证券市场联动性。本节将式（3）中的Xt-k替换为EPUt-k，采用股债基市场日收益率和EPU指数建立模型，结果如表4、表5所示。第一步为G-M-EPU参数估计结果，第二步为D-M-EPU参数估计结果。结果显示：参数估计大多显著，估计效果较好。a，b均显著，表明股债基市场间动态相关受过去条件协方差及每个市场日收益波动的影响较大。此外，θ分别为-0.007 1***，-0.006 7**及-0.025 0*，

表明经济政策不确定性对股市、债市与基金市场收益率有显著负向影响。

模型似然函数LL为-1 458.326 0，估计评价指标AIC为2 922.652 0。

本节最后考察EPU指数对股债基两两间长期动态相关性的影响，将D-M-RV长期动态相关系数作为比较基准，得到由D-M-EPU提取的长期动态相关系数与基准系数的差值，将此作为因变量，EPU指数作为自变量建立回归模型，结果如表6所示。从中可以看出，EPU指数对股债、股基和债基市场长期动态相关都存在显著正向影响，且对股票-债券及债券-基金相关性的影响较大。

4     研究结论

本文运用混频波动率G-M和D-M模型，探讨了股市、债市和基金市场长短期动态相关的时变特征，以及经济政策不确定性对长期动态相关性的影响，结论如下。

4.1   股债基市场对数收益波动及相关性具有时变性

股市与基金市场具有高度正相关性，而股债或者债基间相关性整体较弱，且出现大幅波动和频繁的正负转换，表明金融市场隐含相关性突变的重大风险。此外，短期相关波动要远大于长期相关。

4.2   股债基市场长期动态相关会受经济政策不确定的影响

经济政策不确定对3个市场的长期动态相关有显著正向影响，且EPU对股基相关的影响要显著小于债券市场。因此提出如下建议：上述特性使投资者预期不稳定，避险难度加大，应重视股债基市场间相关时变特征，控制尾部风险；此外，投资者须将政策不确定影响纳入投资决策，谨慎评估，以达到风险规避和投资收益最大化；政策制定者和监管者也需要将政策对股债基市场联动性影响纳入考量范围，提高资源配置效率，减少市场的过度波动，健全金融市场体系，防范可能发生的系统性风险。

主要参考文献

［1］BAI Y，CHOW D Y P.Shanghai-Hong Kong stock connect：an analysis of Chinese partial stock market liberalization impact on the local and foreign markets［J］.Journal of International Financial Markets，Institutions and Money，2017（50）：182-203.

［2］COLACITO R，ENGLE R F，GHYSELS E A.Component model for dynamic correlations［J］.Journal of Econometrics，

2011（1）：45-59.

［3］YAYA O.O.S，OGBONNA A E，ADESINA O A，et al.Time-variation between metal commodities and oil， and the impact of oil shocks： GARCH-MIDAS and DCC-MIDAS analyses［J］.Resources Policy，2022（79）：103036.

［4］周長锋，孙苗.上海股票、债券和基金市场的联动性：基于DCC-MIDAS的实证［J］.时代金融，2019（13）：63-68.

［5］周开国，邢子煜，杨海生.宏观经济信息与金融市场关联性：来自混频动态条件相关系数模型的证据［J］.金融研究，2021（11）：41-59.

［6］ENGLE R F，GHYSELS E，SOHN B.Stock market volatility and macroeconomic fundamentals［J］.Review of Economics and Statistics，2013（3）：776-797.

［7］HUANG Y， LUK P ，FLEISHER B M，et al.Measuring economic policy uncertainty in China［J］.China Economic Review，2020（ 59）：101367.

［收稿日期］2023-04-06

［基金项目］广西高校中青年教师科研基础能力提升项目

“政策不确定性对股票、债券和基金相关性影响研究”（2020KY05003）。

［作者简介］马奕虹（1980— ），女，广西桂林人，博士，

讲师，主要研究方向：金融计量（通信作者）。