陈乐一 杨依筠

[摘 要]  经济政策不确定性通常会抑制投资，导致股票价格下降。选取中国2003-2019年的相关数据，通过估计TVP-SV-VAR模型，发现经济政策不确定性对投资并非仅有抑制作用，在一些时期可以对投资者情绪和股票价格产生正向影响。通过构建TVAR模型进一步研究发现，在常规的经济增长环境下，经济政策不确定性会对投资者情绪和股票价格产生负向影响;而当经济高速增长时，经济政策不确定性会提升投资者情绪，推动股票价格上涨。研究表明，不确定性并非总是经济发展的负面因素，在经济高速增长的环境下可以对投资产生积极影响。

[关键词]  经济政策不确定性;股票价格;投资者情绪

[中图分类号]  F832   [文献标识码] A   [文章编号] 1008—1763（2022）01—0077—10

Research on the Influence of Economic Policy

Uncertainty on Stock Price in China

CHEN Le-yi，YANG Yi-yun

（School of Economics and Trade，Hunan University， Changsha 410079，China）

Abstract： Economic policy uncertainty usually discourages investment and causes share prices to fall. By estimating the TVP-SV-VAR model based on the relevant data of China from 2003 to 2019， it is found that economic policy uncertainty has not only a single inhibitory effect on investment， but also has a positive impact on investor sentiment and stock price in some periods. Through the construction of TVAR model， we find that under the general economic growth rate， economic policy uncertainty will have a negative impact on investor sentiment and stock price. When the economy keeps growing at a high rate， uncertainty about economic policy boosts investor sentiment and stock prices. Research shows that uncertainty is not always a negative factor of economic development， and can have a positive impact on investment under the environment of high economic growth.

Key words：  economic policy uncertainty; stock price; investor sentiment

一 引 言

在進行各种投资行为时，人们通常会对未来的经济政策进行预测，以期做出顺应经济政策的最佳决策。然而，经济政策不确定性（Economic Policy Uncertainty，简称EPU），即经济政策变化中无法预测的部分，对人们的投资决策带来了很大困扰。当EPU上升时，投资者对未来经济政策的预测能力显著减弱，无法做出顺应经济政策的最佳决策，因此通常会推迟或搁置投资决策。这种现象压低了资产价格，扰乱了资产市场的正常秩序。资产市场低迷一直是引发金融危机和经济衰退的重要因素  [1] 。近年来，世界面临的不确定性日益突出，为了维护经济金融稳定，越来越多的研究开始关注EPU对资产价格的负向影响。大量研究表明，EPU会降低股票价格和收益率。Kang和Ratti使用VAR模型，发现EPU上升会导致美国股价下降  [2] 。Antonakakis 等基于DCC-GARCH模型研究发现，美国股票收益率、波动性和EPU之间具有随时间变化的相关关系，并指出EPU的上升会降低股价收益率  [3] 。Chang 等以OECD国家为样本，发现政策不确定性会导致一些国家股价下跌  [4] 。Brogaard和Detzel通过对21国数据进行实证研究，发现EPU对全球股票价格具有负向影响  [5] 。Arouri等通过研究美国1900-2014年EPU对股票市场的影响，发现经济政策不确定性会显著降低股票收益率  [6] 。Chen等通过实证研究发现EPU对中国股票价格造成了消极影响  [7] 。

现有研究普遍指出了EPU的不利影响，然而EPU本身并不是一个纯粹的负面概念，它的提高并不意味着经济政策将发生不利变化。Segal等提出了“好”的不确定性和“坏”的不确定性的概念。根据与宏观经济变量正创新和负创新相关的方差，将总不确定性分为“好”的部分与“坏”的部分，并发现“好”的部分会促进投资、推动股价上涨，而“坏”的部分则会压低股票价格  [8] 。陈国进等采用半方差测度的方法，基于中国股市高频数据，测度了与正收益、负收益相对应的股价波动，代表不确定性中“好”的部分与“坏”的部分。其研究发现，“好”的不确定性会对股票价格带来正影响，而“坏”的不确定性会造成负影响  [9] 。Bloom指出，不确定性会降低企业的投资信心，但同时也可以提高企业的研发和创新意愿，通过增长期权效应，对研发型企业的市值和股票价格产生积极影响  [10] 。以上研究表明，不确定性不仅包含抑制股价的消极因素，还包含了提升股价的积极因素。然而，这些研究并未发现不确定性对股票价格的总影响为正的情况。

部分研究还发现，不确定性影响与外部经济环境具有较强的关联性，良好的外部环境可以减轻或改善不确定性的负面影响。Zhang指出，好消息之后的不确定性与坏消息之后的不确定性会对股票价格造成不同的影响。好消息之后的不确定性可以促进股票价格上涨，而坏消息之后的不确定性则作用相反  [11] 。Pástor和Veronesi的研究表明，不确定性上升会导致风险溢价。经济状况越弱时，不确定性导致的风险溢价越高;经济状况越好时，不确定性导致的风险溢价越低  [12，13] 。陈国进等的研究也表明，不确定性对风险溢价的影响与经济环境关系密切。在经济景气程度低的情况下，不确定性会导致更高的风险溢价;而在经济景气程度高的情况下，不确定性导致的风险溢价较低  [9] 。

综上所述，经济政策不确定性通常会抑制投资，压低股票价格。与此同时，不确定性也包含了促进股价上涨的积极因素，且良好的外部环境有利于积极作用的发挥。由此可见，不确定性在繁荣的经济环境下存在促进投资，推动股价上涨的可能性。现有绝大多数实证研究并未发现不确定性对股票价格的正向影响，通过文献梳理可知主要原因有三。其一，已有文献的研究对象多为西方国家。这些国家的经济增速较为缓慢，不具备有利于不确定性发挥积极作用的经济环境。其二，已有研究大多使用的是固定参数模型，只能得到影响作用的平均值，未能捕捉到其中少量积极影响。其三，未使用多区制模型，因而未能将产生正向影响的情况分离出来。为了避免这些问题，本文利用中国2003-2019年相关数据，构建时变参数向量自回归（TVP-SV-VAR）模型，获取EPU对股票价格的时变影响，从中发现EPU产生的积极影响。然后运用门限向量自回归（TVAR）模型，以经济状况作为门限变量，区分不同经济状况下EPU对股票价格的不同影响。

本研究具有较为丰富的理论和现实意义。不同于已有研究将EPU单纯视为不利因素的做法，本研究试图探讨EPU在何种条件下可以促进投资，推动股票价格上涨。以一个更为全面的视角对不确定性进行探讨，避免了对不确定性的片面认识，丰富了相关理论研究，为应对不确定性影响提供了新的思路。相关文献大多以西方国家为研究对象，本研究深入探讨了EPU对我国投资者情绪和股票价格的影响，加深了对中国经济环境和股票市场的认识，为我国应对不确定性影响提供了针对性的政策 建议。

二 理论假说

EPU对资产价格的影响机制较为复杂，投资者情绪在其中产生了重要影响  [14-16] 。通常而言，EPU是投资者情绪的格兰杰因果原因，会对投资者情绪产生负面影响  [16] 。当投资者情绪陷入低迷时，EPU的上升会显著压低股票价格  [17] 。然而，很多时候EPU对投资者情绪的影响是非线性的  [16] ，当投资者情绪依旧维持在较高水平，EPU对股票价格的抑制作用会显著降低甚至消失  [17] 。这表明EPU对股票价格的影响与投资者情绪密切相关。当EPU显著压低投资者情绪时，EPU会对股票价格产生负向影响;而当EPU未能压低投资者情绪时，EPU对股票价格的负向影响通常并不显著。由此可见，当EPU对投资者情绪起到了积极影响，将同时促进股票价格上涨。

相关研究表明，人们对不确定性并非总是持有厌恶的态度。总不确定性可以分为与积极影响相关的“好”的不确定性和与消极影响相关的“坏”的不确定性  [8-9] 。不确定性一方面会降低企业的投资信心，另一方面也可以提升企业的创新意愿  [10] 。因此，EPU对投资者情绪并非只有负面影响，某些时候也可以提升投资者情绪，促进股票价格上涨。基于以上分析，提出以下假说：

假说1：EPU对投资者情绪和股票价格并非仅有负向影响，在一些时期可以产生正向影响。

政策变动主要通过现金流效应和折现率效应影响股票价格。当现金流效应超过折现率效应时，股价会上升;当折现率效应超过现金流效应时，股价会下降  [12-13] 。EPU作为政策变动中无法预测的一部分，可以通过影响投资者情绪，引起预期现金流和贴现率中的风险溢价变化，从而造成股票价格波动  [9，26] 。EPU对股票价格的传导作用与经济状况密切相关。经济状况越弱时，投资者情绪越低迷，风险溢价越高，投资受到抑制，股票价格倾向于下降;经济状况越好时，投资者情绪越高，风险溢价越低，投资得到促进，股价倾向于上升  [9，12-13，18] 。预期现金流也受到经济状况影响。如果投资者认为经济环境较好，有利于企业提高利润，对现金流的预期也较高，从而对投资和股价产生正向的激励作用。因此，经济状况大好时，EPU会提升投资者情绪，引起较高的预期现金流和较低的风险溢价，对股票价格产生正向影响;而当经济状况较弱时，EPU会抑制投资者情绪，引起较低的预期现金流和较高的风险溢价，对股票价格产生负向影响。基于以上分析，提出以下假说：

假说2：繁荣的经济状况下，EPU会提升投资者情绪，促进股票价格上涨。

三 研究设计与数据说明

（一）研究设计

現有相关研究大多以经济增速较缓的西方国家为研究对象，这些国家不具备有利于经济政策不确定性发挥积极作用的经济环境，因此这些研究中不确定性主要产生消极影响。21世纪以来，中国经济飞速发展，适合作为探讨不确定性发挥积极影响的研究对象。本研究通过中国的相关数据研究EPU对投资者情绪和股票价格的影响。

为了验证假说1，本文构建时变参数向量自回归（TVP-SV-VAR）模型，获取EPU对投资者情绪和股票价格的时变影响，从中考察EPU产生的正向作用。在此基础上，进一步运用门限向量自回归（TVAR）模型对假说2进行验证。以经济状况作为门限变量，区分不同经济状况下EPU对股票价格的不同影响，从而探讨EPU在繁荣经济环境下是否产生积极影响。

（二）TVP-SV-VAR模型的变量与数据

时变参数模型的非线性估计方法计算密集，不适合包含过多变量  [19] ，已有文献中的TVP-SV-VAR模型通常只包含三到四个变量  [20-23] 。因此，选取经济政策不确定性（EPU）、GDP、股票价格（SP）、投资者情绪（IS）等四个变量的季度数据进行实证研究。四个变量的指标选取和数据来源如下：（1）EPU：Baker 等基于新闻指数构建的EPU指数受到广泛的认可  [24] 。然而，Baker等人计算的中国EPU指数，并不是基于我国内地中文报刊，而是基于香港出版的英文报纸《南华早报》。Huang和Luk认为，这样计算的指数并不能很好地反映我国EPU真实状况，因此选取10份中国内地中文报纸，在Baker等的基础上，计算了更贴近国情的中国EPU指数  [25] 。本研究采用Huang和Luk计算的中国EPU指数，数据来自https：//economicpolicyuncertaintyinchina.weebly.com/。（2）IS：选取中国股市投资者综合情绪指数（CICSI）来代表投资者情绪。数据来自国泰安数据库。（3）SP：选取上证指数来代表股票价格。数据来自万德数据库。（4）GDP：由于名义GDP相较真实GDP更容易被投资者感知，选取名义GDP来代表经济状况。数据来自万德数据库。

在使用季度数据构建基准模型以后，我们改变数据频率，采用月度数据进行稳健性检验。由于GDP没有月度数据，因此参考相关研究，选取工业生产指数（IPI）代替GDP，数据来自BVD-EIU数据库   [26] 。采用经济政策不确定性（EPU）、工业生产指数（IPI）、股票价格（SP）、投资者情绪（IS）等四个变量的月度数据构建TVP-SV-VAR模型，进行稳健性检验。

（三）TVAR模型的变量与数据

通过TVP-SV-VAR模型得到EPU对股票价格的时变影响后，本文采用门限向量自回归（TVAR）模型进一步探讨EPU对股票价格的非对称影响。由于季度数据长度较短，划分区制后，每个区制的数据量太少，可能影响实验结果的准确性，因此采用月度数据构建TVAR模型。选取经济政策不确定性（EPU）、工业生产指数（IPI）、股票价格（SP）、投资者情绪（IS）等四个变量的月度数据。除此之外，考虑到通货膨胀、货币供给和国际油价对股票价格的影响  [23，27-28] ，还增加了消费者价格指数（CPI）、广义货币供给量（M2）和国际油价指数（OIL）等三个控制变量，数据来自同花顺数据库和美国FRED数据库。

（四）数据处理与平稳性检验

中国股市投资者综合情绪指数（CICSI）从2003年2月开始公布，以此时为数据起始点。受疫情影响，2020年第一季度的GDP数据和工业生产指数较为异常，可能存在结构性突变，不适宜加入时间序列模型，因此数据截至2019年12月。采用从2003-2019年的季度和月度数据集来进行实证研究，季度数据用q加变量名表示，月度数据用m加变量名表示。为了避免季节性干扰，参考现有研究的通行做法，运用X-13ARIMA-SEATS方法对所有变量数据进行了季节性调整  [29，30] 。为了统一量纲和确保数据平稳性，将所有数据转化为它们的对数增长率

对数增长率计算公式：  ln   x   t / x   t-1  ×100 。 。

对处理后的所有变量数据进行ADF单位根检验。检验类型 （c，t，k）中，c代表检验中包含常数项，t代表包含趋势项，k代表最 优滞后阶数。最优滞后阶数由AIC准则（Akaike Information Criterion）确定。季度数据的检验结果如表1所示，月度数据的检验结果如表2所示。根据检验结果，所有变量均在1%的显著性水平上拒绝了存在单位根的原假设，说明所有变量都是平稳的。

四 经济政策不确定性对股票价格的

时变影响

已有研究大多使用固定参数模型来获取EPU对股票价格的影响。然而，固定参数模型只能得到研究时段内影响作用的平均值，无法反映不同时期的不同影响。为了探讨EPU是否可以在某些时期促进股票价格上涨，本文采用时变参数自回归（TVP-SV-VAR）模型，获取EPU对股票价格的时变影响。

（一）TVP-SV-VAR模型介绍

Nakajima等  [20] 在Primiceri  [31] 的研究基础上建立了时变参数自回归（TVP-SV-VAR）模型，运用该模型可以得到变量之间的时变影响。将SVAR模型改写为向量移动平均（VMA）形式，并为时变矩阵（ β，A， Σ  ）加上下角标 t ，可得TVP-SV-VAR的基本表达式：

y   t = X   t  β   t + A-1   t ∑  t   ε   t ，t=s+1，…，n   （1）

其中，  β   t ， A   t  以及  ∑   t  都是时变矩阵，  ε   t ～N（0， I   K ）。 α   t  为  A   t  矩阵中的下三角堆叠向量元素，  h   t =   h   1t ，…， h   kt  ' ，且 h   jt = log  σ2   jt  ，  j=1，…，k ，  t=s+1，…，n . 所有參数服从随机游走：

β   t+1 = β   t + μ   βt ， α   t+1 = α   t + μ   αt ， h   t+1 = h   t + μ   ht   （2）

 ε   t   μ   βt   μ   αt   μ   ht   ～N 0，  1 0 0 0 0   Σ    β  0 0 0 0   Σ    α  0 0 0 0   Σ    h       （3）

其中，   β   s+1 ～N  μ    β   0  ，  Σ     β   0    ，  α   s+1 ～N  μ    α   0  ，  Σ     α   0    ，  h   s+1 ～N  μ    h   0  ，  Σ     h   0    。

（二）参数估计结果

运用OXMetrics6软件估计一个包含四变量的TVP-SV-VAR模型。参考时间序列模型的通常做法，按照外生性强弱安排变量顺序，变量顺序为qEPU、qGDP、qIS、qSP。根据HQ准则（Hannan-Quinn Criterion）和SC准则（Schwarz Criterion），将滞后期设定为1。遵循Nakajima 等的做法，预设先验分布作为MCMC（Markov Chain Monte Carlo）模拟的起点，抽样次数为10000次。将前10%的抽样结果舍弃，并检验后验分布的有效性和收敛性  [20] 。由表3可见，根据收敛诊断CD统计量，估计结果收敛的原假设在5%的显著性水平下不能被拒绝（低于1.96%），且所有无效因子均处于较低水平。因此，可以认为参数估计结果具有良好的收敛性和有效性，实证结果可靠。

（三）时变影响分析

不同于一般的固定参数模型，TVP-SV-VAR模型具有时变性，在每一个时间点都可以做出一条脉冲响应曲线。因此，主要有两种展现实验结果的方式，分别是等间隔脉冲响应和时点脉冲响应  [20，32] 。要获取等间隔脉冲响应，首先要选取一个固定的提前期，例如一个季度，然后在每一时间点对应的脉冲响应曲线中选取提前期为一个季度的点按序连接起来。等间隔脉冲响应显示了自变量对因变量在固定提前期后的影响，反映在整个研究时段中变量间相互影响的时变关系。时点脉冲响应是指在特定时点下的脉冲响应，即自变量某一时点冲击对因变量产生的逐渐衰减的影响  [32] 。为了全面了解EPU对投资者情绪和股票价格的影响，我们先后构建等间隔脉冲响应和时点脉冲响应，并对结果做出分析。

一般而言，政策变动的周期较长，“朝令夕改”的现象极少出现，人们有一定的时间对EPU做出反应和应对，EPU的影响通常较为持续。因此，选取2、4、8个季度为提前期构建等间隔脉冲影响，观察EPU对投资者情绪和股票价格在2、4、8个季度后的影响。由图1可见，EPU对投资者情绪和股票价格不仅可以产生负向影响，还可以起到正向影响。具体而言，2003-2007年，EPU对投资者情绪和股票价格的影响以促进作用为主。2008年，EPU的影响迅速降至负值，对股票价格和投资者情绪产生抑制作用。2009年，EPU对股票价格的影响快速上升，短期（2个季度后）影响仍然为负，中长期（4、8个季度后）影响升至正值。2010-2012年，EPU对股票价格主要产生正向影响，对投资者情绪产生了短期抑制，中长期促进的作用。2012年以后，EPU对股票价格和投资者情绪主要产生负向影响。

根据以上观察，我们将EPU的影响分为前中后三个阶段。前期为2003-2007年，EPU主要产生积极影响;中期为2008-2012年，EPU产生的积极影响与消极影响交替出现;后期为2013-2019年，该时期EPU主要产生消极影响。为了进一步观察EPU影响的细节特征，从三个阶段各选取一个时间点：2003Q2、2009Q1、2015Q1，构建时点脉冲响应，获取EPU在这些时间点的完整影响路径。结果如图2所示。

由图2可见，2003年，EPU对投资者情绪和股票价格主要产生积极影响。2009年，EPU对投资者情绪的影响较为微弱，表现为先正后负，对股票价格产生了较为微弱的负向影响。2015年，EPU对投资者情绪和股票价格主要产生负向作用。可以发现，三个时点脉冲响应中EPU的影响基本符合其所在阶段的特征：前期以积极影响为主，中期有一定的负向影响，后期负向影响十分显著。还可以发现，EPU影响在2期以前波动较大，在2期以后趋于稳定。因此，以2、4、8个季度为提前期的等间隔脉冲响应可以较好地反映EPU影响的长期规律，但由于没有包含影响较大的即时和1期影响，未能很好地反映影响程度。通过时点脉冲响应可以进一步发现，产生正向影响时，影响程度较小，而产生负向影响时，影响程度明显更大。这为已有研究只发现EPU的负向影响提供一个合理的解釋。已有研究大多使用固定参数模型获取影响作用的平均值，研究中较弱的正向影响被强烈的负向影响所掩盖，因而未被发现。

结合GDP增长率数据还可以发现，EPU的正向影响主要集中在GDP高速增长时期。2003-2007年中国名义GDP季度增长率维持在一个较高的水平，EPU影响始终维持正值。2008-2012年，受美国金融危机和国内经济下行压力影响，中国GDP季度增长率变化较大。2008年末与2009年初，季度增长率跌至极低水平，随后快速上升，并保持在较高水平。2011和2012年，在“稳增长”和紧缩政策的影响下，GDP季度增长率再次明显下滑。由此可见，在2008-2012年期间，GDP增长率起伏较大，EPU影响也变化较大，正向影响与负向影响交替出现。2013-2019年，GDP增速相较之前明显放缓，这一时期EPU主要产生负面影响。可以初步判断，EPU对投资者情绪和股票价格的影响与经济状况联系紧密。当经济状况大好、GDP快速增长时，EPU会对投资者情绪和股票价格产生积极影响;而在经济状况一般、GDP增速放缓时，EPU会对投资者情绪和股票价格产生消极影响。

（四）稳健性检验

本文通过改变数据频率，使用月度数据代替季度数据来进行穩健性检验。选取经济政策不确定性（mEPU）、工业生产指数（mIPI）、投资者情绪（mIS）和股票价格（mSP）等四个变量的月度数据构建TVP-SV-VAR模型。根据AIC准则和FPE准则（Final Prediction Error Criterion），设定4个滞后期。MCMC抽样次数为10000次。参数估计结果的收敛诊断CD统计量在5%的显著性水平下无法拒绝估计结果收敛的原假设，所有无效因子均处于较低水平，表明参数估计结果可靠。

基准模型中采用的是季度数据，1期代表了1个季度;稳健性检验中采用的是月度数据，1期代表了1个月。因此稳健性检验中适当延迟了影响期数，选取2、5、10个月为提前期构建等间隔脉冲响应。由图3可见，在研究时段的前期，经济政策不确定性对投资者情绪和股票价格产生了显著的正向影响，在中期和后期以负向影响为主。根据工业生产指数（mIPI）的数据情况可知，工业生产前期增速较快，中后期增速逐渐放缓。由此可见，前期工业生产快速增长时，经济政策不确定性对投资者情绪和股票价格主要产生促进作用，中后期工业生产增速放缓，经济政策不确定性对投资者情绪和股票价格主要产生负向影响。稳健性检验的结果与基准模型的结果大体一致，说明实验结果稳健可靠。

五 经济政策不确定性

对股票价格的非对称影响

通过观察EPU对投资者情绪和股票价格时变影响，发现在经济高速增长的时期，EPU主要产生正向影响;在经济增长放缓的时期，EPU主要产生负向影响。这一节中，将运用TVAR模型，以代表经济增长状况的工业生产指数（mIPI）为门限变量，定量研究不同经济增长状况下，EPU对投资者情绪和股票价格的不同影响。

（一）TVAR模型介绍

TVAR模型可以表示为如下形式：

Y   t =[ c   1 + A   1 （L） Y   t-1 ]I（ X   t-1 <γ）+[ c   2 + A   2   L Y   t-1 ]I（ X   t-1 ≥γ）+ ε   t    （4）

其中，  Y   t  包含 k 个变量， I（·） 是指示函数，  X   t  是门限变量， γ 是门限值，  A   1，2 （L） 为滞后多项式，  ε   t  为误差项。根据门限变量与门限值的关系，可以实现在两个VAR模型之间的转换。当门限变量  X   t-1  小于门限值时 γ ，模型服从第一个VAR表达式   Y   t = c   1 + A   1 （L） Y   t-1 + ε   t  ;当门限变量  X   t-1  大于或等于门限值时 γ ，模型服从第二个VAR表达式   Y   t = c   2 + A   2 （L） Y   t-1 + ε   t  。

通过TVAR模型，可以得到研究变量在以门限值划分的不同区制下产生的不同影响，这种影响通常被称为非对称影响。一些研究已经利用TVAR模型、分位数模型探讨了EPU的非对称影响  [26，33] 。这些研究都是以EPU为门限变量，比较EPU较高时和较低时产生的不同影响。本研究以经济增长状况为门限变量，探讨在经济增长水平较高和较低时，EPU所产生的不同影响。

（二）TVAR模型构建

本文采用月度数据构建TVAR模型。在TVP-SV-VAR模型采用的四个变量（mEPU、mIPI、mIS、mSP）的基础上，增加三个控制变量：消费者价格指数（mCPI）、广义货币供给量（mM2）以及国际油价指数（mOIL）。采用以上7个变量2003-2019年的月度数据构建TVAR模型。其中，工业生产指数（mIPI）代表了经济增长状况，在模型中作为门限 变量。

当数据不具有非线性特征时，使用VAR模型比TVAR模型更为合适，只有当数据具有非线性特征时，才适合TVAR模型。因此，在构建TVAR模型以前，需要对数据进行非线性检验。采用Lo和Zivot在Hansen研究基础上扩展的多变量LR检验，以工业生产指数（mIPI）为门限变量，对数据进行非线性检验  [34，35] 。根据AIC和FPE准则，设定2个滞后期，包含趋势项和常数项。检验的原假设为线性，备择假设为两区制非线性。如表4所示， p 值小于0.05，即在5%的显著性水平下可以拒绝线性的原假设。检验结果表明，研究数据具有非线性特征，适合构建以工业生产指数（mIPI）为门限变量的TVAR模型。

构建TVAR模型时，合理的变量顺序是实证结果可靠的前提。参考时间序列模型的通常做法，按照外生性强弱安排变量顺序，外生性强的变量放在前面，内生性强的变量放在后面。运用R软件估计包含7个变量（mOIL、mEPU、mIPI、mM2、mCPI、mIS、mSP）的两区制TVAR模型，以代表经济增长状况的工业生产增长率（mIPI）为门限变量。根据AIC准则和FPE准则，设定2个滞后期，包含趋势项和常数项。

（三）非对称影响分析

根据模型估计结果，门限值（ γ ）为1.24，即工业生产月度增长率1.24%。有77.8%的观测值低于该门限值，22.2 %观测值高于或等于该门限值。工业生产月度增长率高于1.24%的观察值为高区制，代表繁荣的经济状况。月度增长率低于1.24%的观察值为低区制，代表普通的经济状况。

图4展示了EPU在高区制和低区制下对投资者情绪和股票价格的影响。可以发现，低区制下，EPU对投资者情绪和股票价格产生了显著的负向影响。而在高区制下，不确定性虽然对股票价格和投资者情绪产生了一定的负向影响，但主要表现为正向影响。由此可见，工业生产快速发展时，EPU对投资者情绪和股票价格主要产生正向影响，而当工业生产增速放缓时，EPU主要产生负向影响。

通过TVP-SV-VAR模型，我们初步判断EPU的影响与经济状况紧密联系。通过TVAR模型可以进一步得出结论，经济高速增长时，EPU对投资者情绪和股票价格主要产生积极影响，经济增速放缓时，EPU主要产生负向影响。由此可见，经济增长较缓慢的环境下，当EPU上升，出于对不确定性的厌恶，投资者情绪会受到抑制，人们对企业现金流的预期值较低，风险溢价较高，投资者将选择抛出股票，致使股价下降。经济高速增长的环境下，当EPU上升，人们对政策变动富有信心，投资信心受到鼓舞，对企业现金流的预期值较高，风险溢价较低，投资者将继续购入股票，从而推动股票价格上升。

此外还可以发现，高区制只占全部样本量的22.2%，远小于低区制78.8%的占比。这一现象表明，即使是在以经济高速增长著称的中国，EPU产生正向影响的样本量远小于产生负向影响的样本量。并且，EPU正向影响的绝对值明显小于负向影响的绝对值。低区制下，EPU产生的是十分显著的负向作用;高区制下，EPU产生的是较为温和的促进作用，且伴随着负向波动。总而言之，EPU产生正向影响的时期较少，且影响程度较弱。这与本文通过时变模型发现的结果基本一致，同时也为多数研究只发现EPU的负向影响提供了合理解释。已有研究通常使用的是线性模型，只能获得影响作用在研究时段内的平均值。时间较短、程度较弱的正向影响被更为主流的负向影响所掩盖，因而未被多数研究所发现。

随着我国经济发展进入新常态，发展方式由规模速度型转向质量效率型，曾经的高增速神话已成过去，EPU在经济高增速环境下产生促进作用的情况难以再现。然而，EPU可以促进投资的这一发现，仍然具有较大的理论和现实意义。在过去的研究中，不确定性通常被视为经济发展的负面因素。而本研究发现，人们对不确定性并非总是持有厌恶态度。经济高速增长可以带给投资者充足的信心，使投资者无惧潜在变化，甚至勇于在变化中寻求机遇。在这种情况下，经济政策变动带来的不确定性很可能被视为创新和机遇，鼓舞投资信心，促进股票价格上涨。这为应对不确定性影响提供了新的思路：除了将不确定性视为负面因素加以防范，还可以考虑如何促使不确定性发挥积极作用。在經济增速放缓不可逆转的背景下，大力优化经济结构，提高经济政策效率，增强投资者对国家政策和经济环境的信心，减少投资者对不利变化的担忧。与此同时，完善投资环境、健全破产制度，尽可能减少投资失败的损失。通过这些措施，增强投资者面对不确定性时的信心，减少不确定性的消极影响。美国前总统罗斯福在面对大萧条时曾经说过：“我们唯一需要恐惧的是恐惧本身”。不确定性本身并不意味着不利改变，甚至不意味着改变。然而，出于对未知变化的恐惧，不确定性成为经济发展的不利因素。本研究认为，当人们对国家政策和经济环境持有充足的信心，不确定性将不再代表负面因素，而是意味着机遇与挑战。

（四）稳健性检验

通过改变滞后期来进行稳健性检验。AIC准则和FPE准则选择的最优滞后期为2，而HQ准则和SC准则选择的最优滞后期为1。基准模型中，滞后期长度设定为2，在稳健性检验中，将滞后期长度改为1。根据模型估计结果，门限值（ γ ）为1.24，与基准模型结果一致。图5展示了滞后期为1时，经济政策不确定性对投资者情绪和股票价格的影响。

如图5所示，虽然经济政策不确定性在高、低区制下，均对投资者情绪产生了负向影响，但低区制下负向影响更为显著，高区制下负向影响相对较弱，且很快转为正向影响;经济政策不确定性对股票价格的影响在不同区制下差异显著。高区制下，经济政策不确定性对股票价格主要产生正向影响;低区制下，产生了显著的负向影响。结果表明，当工业生产月度增长率高于1.24%时，经济政策不确定性对投资者情绪产生了先负后正的影响，对股票价格产生了较高的正向影响。当增长率低于1.24%时，经济政策不确定性对投资者情绪和股票价格产生了显著的负向影响。稳健性检验结果与基准模型结果大体一致，说明实证结果稳健可靠。

六 结 论

已有研究通常将不确定性视为经济发展的负面因素，认为不确定性会抑制投资，造成股票价格下降。本文采用中国2003-2019年相关数据研究发现，不确定性对投资并非仅有抑制作用。当经济高速增长时，经济政策不确定性可以对投资者情绪和股票价格产生积极影响。

本研究丰富了不确定性影响投资的理论研究，避免了对不确定性的片面认识，有利于更好地应对我国的不确定性影响。根据研究发现，我们获得了一些启示，并提出了相应建议。首先，本研究发现人们对不确定性并非总是持有厌恶态度。当经济高度繁荣时，投资者情绪高涨，不确定性更可能被视为创新和机遇。因此，在应对不确定性影响时，除了将不确定性视为负面因素加以防范，还可以考虑如何促使不确定性发挥积极作用。当经济增速放缓时，可以考虑通过提高经济政策效率、优化投资环境等方式增强投资者面对不确定性时的信心，避免不确定性造成消极影响。其次，经济管理部门在防范不确定性影响的时候，应当充分考虑不确定性在不同经济状况下的不同影响，不能一概而论，要根据具体情况采取适当的应对措施。最后，也要谨防在经济繁荣的情况下，对不确定性抱有过于乐观的态度，忽视其中的风险因素，盲目扩大投资，最后造成个人财产损失甚至加剧经济波动。

[参 考 文 献]

[1]  Altermatt L. Savings， asset scarcity， and monetary policy[J]. Journal of Economic Theory， 2019（182）： 329-359.

[2] Kang W， Ratti R A. Oil shocks， policy uncertainty and stock market return[J]. Journal of International Financial Markets， Institutions and Money， 2013（26）： 305-318.

[3] Antonakakis N， Chatziantoniou I， Filis G. Dynamic co-movements between stock market returns and policy uncertainty[J]. Economics Letters， 2013（1）： 87-92.

[4] Chang T， Chen W Y， Gupta R， et al. Are stock prices related to the political uncertainty index in OECD countries？ Evidence from the bootstrap panel causality test[J]. Economic Systems， 2015（2）：288-300.

[5] Brogaard J， Detzel A. The asset-pricing implications of government economic policy uncertainty[J]. Management Science， 2015（1）：3-18.

[6] Arouri M， Estay C， Rault C， et al. Economic policy uncertainty and stock markets： Long-run evidence from the US[J]. Finance Research Letters， 2016（18）： 136-141.

[7] Chen J， Jiang F， Tong G. Economic policy uncertainty in China and stock market expected returns[J]. Accounting & Finance， 2017（5）： 1265-1286.

[8] Segal G， Shaliastovich I， Yaron A. Good and bad uncertainty： Macroeconomic and financial market implications[J]. Journal of Financial Economics， 2015（2）： 369-397.

[9] 陈国进， 丁杰， 赵向琴.“好”的不确定性，“坏”的不确定性与股票市场定價——基于中国股市高频数据分析[J]. 金融研究， 2019（7）： 174-190.

[10] Bloom N. Fluctuations in uncertainty[J]. Journal of Economic Perspectives， 2014（2）： 153-76.

[11] Zhang X F. Information uncertainty and stock returns[J]. The Journal of Finance， 2006（1）：105-137.

[12] Pástor L'， Veronesi P. Political uncertainty and risk premia[J]. Journal of Financial Economics， 2013（3）：520-545.

[13] Pástor L'， Veronesi P. Uncertainty about government policy and stock prices[J]. The Journal of Finance， 2012（4）：1219-1264.

[14] Shahzad S J H， Raza N， Balcilar M， et al. Can economic policy uncertainty and investors sentiment predict commodities returns and volatility？[J]. Resources Policy， 2017（53）： 208-218.

[15] Debata B， Mahakud J. Economic policy uncertainty and stock market liquidity： Does financial crisis make any difference？[J]. Journal of Financial Economic Policy， 2018（6）：116-121.

[16] Nartea G V， Bai H， Wu J. Investor sentiment and the economic policy uncertainty premium[J]. Pacific-Basin Finance Journal， 2020（64）： 101438.

[17] Zhang B. Economic policy uncertainty and investor sentiment： linear and nonlinear causality analysis[J]. Applied Economics Letters， 2019（15）： 1264-1268.

[18] Baker M， Wurgler J. Investor sentiment in the stock market[J]. Journal of Economic Perspectives， 2007（2）： 129-152.

[19] Baumeister C， Kilian L. What central bankers need to know about forecasting oil prices[J]. International Economic Review， 2014（3）： 869-889.

[20] Nakajima J， Kasuya M， Watanabe T. Bayesian analysis of time-varying parameter vector autoregressive model for the Japanese economy and monetary policy[J]. Journal of the Japanese and International Economies， 2011（3）： 225-245.

[21] 吴丽华，傅广敏.人民币汇率、短期资本与股价互动[J].经济研究，2014（11）：72-86.

[22] 刘永余，王博.利率冲击、汇率冲击与中国宏观经济波动——基于TVP-SV-VAR的研究[J].国际贸易问题，2015（3）： 146-155.

[23] 王宇伟，丁慧，盛天翔.股票收益率与通货膨胀预期的动态影响关系研究——基于TVP-VAR-SV模型的实证研究[J].南开经济研究，2018（6）：129-148.

[24] Baker S R， Bloom N， Davis S J. Measuring economic policy uncertainty[J]. The Quarterly Journal of Economics， 2016（4）： 1593-1636.

[25] Huang Y， Luk P. Measuring economic policy uncertainty in China[J]. China Economic Review， 2020（59）：101367.

[26] 劉玲，陈乐一，彭晓莲，等.美国经济政策不确定性对中国宏观经济的非对称冲击效应[J].中国软科学，2021（5）： 49-58.

[27] 陈继勇，袁威，肖卫国.流动性、资产价格波动的隐含信息和货币政策选择——基于中国股票市场与房地产市场的实证分析[J].经济研究，2013（11）：43-55.

[28] 王奇珍，王玉东.国际油价、美国经济不确定性和中国股市的波动溢出效应研究[J].中国管理科学，2018（11）：50-61.

[29] 刘建平，王雨琴.季节调整方法的历史演变及发展新趋势[J].统计研究，2015（8）：90-98.

[30] Sax C， Eddelbuettel D. Seasonal adjustment by x-13arima-seats in r[J]. Journal of Statistical Software， 2018（1）：1-17.

[31] Primiceri G E. Time varying structural vector autoregressions and monetary policy[J]. The review of Economic Studies， 2005（3）：821-852.

[32] 李成刚，李峰，赵光辉.货币政策规则对国际资本流动与人民币汇率的时变影响——基于TVP-SV-VAR模型的实证检验[J].中国管理科学，2021，29（10）：35-46.

[33] Huang W Q， Liu P. Asymmetric effects of economic policy uncertainty on stock returns under different market conditions： Evidence from G7 stock markets[J]. Applied Economics Letters， 2021（6）：1-5.

[34] Lo M C， Zivot E. Threshold cointegration and nonlinear adjustment to the law of one price[J]. Macroeconomic Dynamics， 2001（4）： 533.

[35] Hansen B. Testing for linearity[J]. Journal of Economic Surveys，1999（5）：551-576.

3550501908279