CC BY
29Индекс неопределенности экономической политики и волатильность фондового рынка Китая применительно к России
Шэнь Янь
аспирант, Институт финансов Центрального университета финансов и Экономики, sy00181@126.com
Ма Тянь
аспирант, Институт финансов Центрального Университета Финансов и Экономики, mark8938@163.com
Чжан Сюэцзюнь
к.э.н., младший научный сотрудник, Институт промышленной политики Академии развития электронной информационной промышленности Китая, alexrucom@mail.ru
Статья посвящена исследованию индекса неопределенности экономической политики и волатильность фондового рынка Китая. Индекс неопределенности экономической политики (далее - EPU) часто используется для измерения степени, в которой правительство может принимать экономические меры в ответ на экономическое положение страны. Индекс EPU растёт при нерешительности подхода правительства и его неопределенности политики в будущем. Автором статьи была построена модель прогнозирования рыночных факторов на основе EPU с добавлением в нее макро и микрофакторов в качестве контрольной переменной величины для изучения взаимосвязи между EPU и традиционными прогностическими факторами. Также в статье представлен тест способности к прогнозированию внутри и вне выборки. Автором были получены выводы о том, что EPU обладает определенной способностью прогнозирования волатильности фондового рынка Китая, а также является значительным в рамках вневыбороч-ной оценки, и может быть использван при анализе российского фондового рынка.
Ключевые слова: Индекс неопределенности экономической политики, финансы, фондовой рынок, Китай.
Введение
Индекс неопределенности экономической политики (далее - EPU) часто используются для измерения степени, в которой правительство может принимать экономические меры в ответ на экономическое положение страны. Индекс EPU растёт при нерешительности подхода правительства и его неопределенности политики в будущем. Неопределенность политики вызвала большое внимание после финансовых кризисов. Фундаментальная причина такого внимания заключается в том, что принятие экономических решений правительством в момент экономических потрясений оказывает влияние на рынок больше, чем в обычное время. В настоящее время реформы экономической системы Китая и России постоянно углубляются, изучение влияния экономической политики на финансовые рынки может не только исследовать каналы передачи политики двух стран, но и дать ориентир для будущего регулирования финансового рынка. Таким образом, новизна данной статьи заключается в создании нового фактора EPU и введение нового управляющего фактора, отбор полной выборки и субвыборок для теста в выборке, анализ способности к прогнозированию комбинации отраслей и экономическое объяснение, тестирование устойчивости, критерий значимости с учетом способности фактора EPU к вневыборочному прогнозированию.
Данные и статистическое описание
Ввиду того, что время построения индекса EPU началось c января 2002 года, то в качестве выборки автор выбрал все акции Фондового рынка Китая с января 2002 года по 2017 год и исключил акции ST и 20% акций с самой низкой рыночной стоимостью. Основными источниками данных являются китайская база данных WIND и Национальное бюро статистики Китая.
Фактор неопределенности в экономической политике
х
X
о
го А с.
X
го m
о
ю
М О
to
а>
о
CS
№ Ol
О Ш
m х
<
m о х
X
С учетом методов построения большинства макроэкономических показателей (таких как уровень инфляции), для количественной оценки неопределенности политики Китая автор использует индекс неопределенности экономической политики Китая (CEPU), составленный профессором Бейкер из Стэнфордского университета[1]. На основе логарифмирования и первой разности индекса EPU в качестве нового фактора EPU был принят первый порядок с запаздыванием (EPU в нижеследующем тексте означает новый фактор EPU):
EPUnew(t) = log(EPUt/EPUt_2) (1)
(II) Индекс волатильности фондового рынка
При построении волатильности фондового рынка Китая в качестве предмета анализа выбирается месячная волатильность отдельных акций из традиционных индексов волатильности, и строится волатильность в логарифмической шкале LVOL:
LVOLt = log(JVOLt) (2)
где VOL - ежемесячная волатильность акций A.
VOL, =
У ( г -
n / , \ m
-у h—m
-)
(3)
• Значение изменения M2, M2: разница между значениями M2 за текущий месяц и за предыдущий месяц.
• Индекс экономических процветании (HJ) и индекс потребительских ожиданий (ИПО , CEI): получаются путем деления двух типов индексов Национального бюро статистики Китая, на 100.
Статистическое описание вышеуказанных переменных, приведенное в таблице 1, показывает , что ежемесячная логарифмическая волатиль-ность китайского Фондового рынка A составляет 4,10, а коэффициенты асимметрии и эксцесса -соответственно -0,42 и 3,5, приближаются к нормальному распределению. Среднее значение вновь построенного фактора неопределенности экономической политики составляет 1,55, а коэффициенты асимметрии и эксцесса составляют соответственно 1,96 и 7,96 . В таб. 1 также приведена статистические данные по другим контрольным переменным, диапазон средних значений которых от -4 до 3,08, диапазон асимметрии от -0,81 до 0,90 и эксцесса - от 2,3 до 7,96.
Таблица 1
где n: количество акций в бирже, m: количество дней торговли в t месяце, rm: ежедневный доход от каждой акции, rmean: среднемесячный доход.
Контрольные переменные
EPU относится к макроэкономическим показателям, так что необходимо изучить его взаимосвязь с другими макро- и микро-показателями. В качестве контрольных переменных в статье строятся следующие экономические переменные:
• Коэффициент дивидендов (логарифм), DY: дивиденды по акциям разделить на логарифм цены первого порядка с запаздыванием, где дивиденд -скользящая стоимость за последние 12 месяцев.
• Коэффициент прибыли (логарифм), EP: логарифм деления прибыли на акцию на текущей цены, где прибыль - скользящее значение за последние 12 месяцев.
• Коэффициент соотношения рыночной и балансовой стоимости (логарифм), BM: Коэффициент соотношения между балансовой доходностью акций и их текущей рыночной стоимостью.
• Уровень инфляции, INF: месячный коэффициент индекса потребительских цен (ИПЦ), предоставленный Национальным бюро статистики Китая.
• Коэффициент оборота, TO: средняя арифметическая величина коэффициента оборота всех акций китайского Фондового рынка A в текущем месяце.
• Значение изменения M1, M1: разница между значениями денежной массы M1 за текущий месяц и за предыдущий месяц.
Среднее значение Максимум Минимум Стандартное отклонение Коэф. асимметрии Ко-эф.эксцесс а
LVOL 4.10 4.75 3.44 0.23 -0.42 3.55
EPU 1.55 6.94 0.26 1.10 1.96 7.96
BM -1.02 -0.33 -1.76 0.31 0.06 2.60
DY -0.27 0.54 -1.02 0.35 0.16 2.67
EP -4.00 -2.96 -5.00 0.40 -0.08 2.34
CEI 1.08 1.276 0.96 0.48 0.25 3.98
INF 0.21 2.6 -1.3 0.60 0.43 3.69
HJ 1.01 1.059 0.974 0.17 0.33 2.87
TO 3.08 8.44 0.44 1.74 0.90 3.59
M1 1.20 6.25 -6.84 2.14 -0.81 4.74
M2 1.25 4.72 -1.27 1.01 0.51 3.62
Источник: расчет авторов по данным гос. бюро статистики и
Таблица 2
EPU CEI INF BM DY EP M1 M2 HJ IVA TO
EPU 1.00 0.13 -0.05 -0.11 -0.20 0.19 0.05 -0.07 -0.47 -0.49 0.05
CEI 1.00 0.10 -0.11 -0.06 -0.11 -0.07 -0.15 0.12 0.06 -0.06
INF 1.00 -0.09 -0.11 -0.13 -0.38 -0.03 0.20 0.04 0.04
BM 1.00 0.96 0.51 -0.10 -0.03 -0.21 -0.02 -0.32
DY 1.00 0.41 -0.08 -0.01 -0.17 0.04 -0.37
EP 1.00 -0.20 -0.06 -0.54 -0.34 -0.17
M1 1.00 0.50 0.07 0.16 0.03
M2 1.00 0.08 0.08 0.06
HJ 1.00 0.74 -0.13
IVA 1.00 -0.30
TO 1.00
Источник: расчет авторов по данным гос. бюро статистики и
В таблице 2 приведена матрица коэффициентов корреляции EPU и коэффициенты корреляции каждой контрольной переменной. Коэффициенты корреляции каждой переменной составляют от -
1
0,54 до 0,96, но большинство корреляций низкие, это показало, что выбранные переменные обладают определенной репрезентативной способностью.
Эмпирический тест
(I) Анализ способности прогнозирования EPU к волатильности рынка акций Китая
В этом разделе мы изучим влияние фактора EPU на волатильность фондового рынка Китая путем строения уравнения множественной линейной регрессии, учтя автокорреляцию вола-тильности, в качестве независимой переменной мы добавляем волатильность с запаздыванием первого и второго порядков. см. формулу :
LVOLt = а + pXt _1 + plLVOLtl + р2 LVOLt _2 +et ^
где X - факторная переменная с запаздыванием первого порядков, LVOL: логарифмическая волатильность рынка.
Строение проверки гипотезы. первоначальная гипотеза заключается в том, что EPU не обладает предсказуемостью для волатильности фондового рынка, то есть коэффициент регрессии EPUp=0, альтернативная гипотеза рзначительно отличается от 0, это показывает то, что EPU оказывает влияние на волатильность фондового рынка.
В части A таблицы 3 приведены результаты регрессии за весь период выборки, а также значения оценки параметров и критерия t- (Newey -West) для EPU и контрольных переменных в уравнении (4) , после контроля других макро- и микро-экономических переменных EPU по-прежнему оказывает существенное влияние на волатильность фондового рынка (значительно в пределах уровня 5%), в то время среди контрольных переменных коэффициент соотношения рыночной и балансовой стоимости (BM), дивидендная доходность (DY), коэффициент прибыли (EP),. коэффициент оборота (TO), индекс потребительских ожиданий (ИПО , CEI) и M1 оказывают влияние на волатильность рынка (значительно в пределах 5% и выше за исключением BM), а коэффициент регрессии EPU является положительным. Это показывает о том, что волатильность на фондовом рынке повышается вслед за ростом EPU, изменение EPU на 1 единицу может предсказать волатильность фондового рынка за следующего период в пределе уровня 3%, и это соответствует элементарным познаниям.
Учитывая, что глобальная экономическая структура претерпела серьезные изменения после финансового кризиса 2008 года, была сформирована подвыборка с января 2008 года по декабрь 2017 года для анализа прогнозирующей способности EPU, см.в части B таблицы 3. В под-выборке EPU по-прежнему обладает способностью к прогнозированию волатильности фондово-
го рынка (значительно в пределах уровня 10%) и является положительным, и изменение EPU на 1 единицу может прогнозировать волатильность фондового рынка за следующий период в пределах 2,7%.
По сравнению с EPU в периоде полной выборки способность EPU к прогнозированию в подвы-борках снижается. В статье утверждается то, что в процессе глобализации совокупное влияние глобальной экономики на национальную экономику усиливается, а влияние экономических стратегий отдельной страны на внутренний экономический рынок ослабевается, это свидетельствует о том, что степень открытости экономического рынка Континентального Китая неуклонно повысилась после 2008 года. Коэффициент соотношения балансовой стоимости к рыночной стоимости (BM), коэффициент дивидендов (DY) и индекс потребительских ожиданий (CEI) в контрольных переменных по-прежнему обладают способностью к прогнозированию волатильности фондового рынка (значительно в пределах уровня 10% и выше).
Таким образом, неопределенность экономической политики Китая обладает значительной способностью к прогнозированию волатильно-сти китайского Фондового рынка A. Из-за ограниченного механизма короткой позиции Континентального Китая цены на акции, как правило, завышены, так что, когда ожидаемая прибыль предприятий снижается, падение цен на акции приведет к большей волатильности рынка. С точки зрения инвесторов резкое изменение политической ориентации повышает его неопределенность по поводу прогноза рынка, различные инвесторы повышают волатильность рынка в игре. Снижение способности EPU к прогнозированию волатильности в подвыборках может быть связано с повышением уровня маркетиза-ции фондового рынка Континентального Китая. В прошлом фондовой рынок Континентального Кита часто называлось "политической биржей" из-за того, что государственные предприятия, как субъекты экономики и рынка, занимают лидирующее место не только в масштабе, но и в силе социального влияния. Основными акционерами государственных предприятий является государство или его органы, и предприятия наиболее своевременно реагируют на экономические меры. В то же время многие экономические меры в Китае еще находятся в процессе совершенствования, и, таким образом, время от времени меняются, на это и рынок бурно реагирует. В последние годы непрерывно продвигается реформа фондового рынка в Китае, влияние экономических мер снижается, и уровень маркетизации непрерывно повышается, в конечном итоге способствует экономическому росту Китая.
х
X
о
го А
с.
X
го m
о
ю
M О
to
Таблица 3
Результаты прогнозирования выборки
Таблица 5
о>
о
CS
№ Ol
О Ш
m х
<
m о х
X
Полная выборка (А) Подвыборка (В)
beta NW-t beta NW-t
EPU 3.12** 2.24 2.72* 1.68
BM(-1) 0.19* 1.82 -0.63*** -3.55
DY(-1 ) -0.22*** -2.39 0.46*** 3.19
EP(-1) 0.06** 2.02 0.03 1.12
TO(-1) 0.03*** 3.93 0.001 1.02
CEI 0.36*** 2.38 0.39** 2.16
CPI 0.01 1.22 -0.02 -1.06
HJ -0.56 -0.75 0.43 1.35
M1 0.82** 1.83 0.11 0.24
M2 -0.48 -0.54 0.58 0.68
В т. ч. ****** значительно в пределах уровня 10%,5% ,1%. Источник: расчет авторов по данным гос. бюро статистики и Wind,[7][8].
Анализ портфелей по отраслям
Чтобы изучить способность прогнозирования EPU к волатильности рынка в различных отраслях, биржевые акции в статье разделены на 11 портфелей в соответствии с критериями классификации отраслей: энергия(БМС), материа-лы(МАТ), промышленность^^) и дискреционные затраты(Сй), обязательные затраты(ОБ), здравоохранение и медицинское обслужива-ние(ИБА1), финансовое обслуживание^^), информационные технологии (IT), телекоммуникационные услуги (TEL), коммунальные услу-m(UTIL), недвижимость^Б). Волатильность каждого портфеля рассчитывается по формуле (3), а способность EPU к прогнозированию волатильности портфеля также изучается по формуле (4).
В таблице 4 приведено статистическое описание волатильности каждого отраслевого портфеля: среднемесячная волатильность каждой отрасли колеблется от 0,84(TEL) до 3,36(IND), а асимметрия от -0,95(TEL) до 0,25(UTIL), эксцесс-2,81(FIN) до 4,38(TEL). В таблице 5 приведена матрица корреляции всех отраслей, коэффициент корреляции 11 отраслевых портфелей колеблется в диапазоне от 0,56 до 0,95.
Таблица 4
Сред- Макси- Мини- Стан- Коэф. Ко-
нее мум мум дартное асим- эф. эксцес
значе- отклоне- метрии са
ние ние
ENG 2.36 2.95 1.56 0.24 -0.88 4.01
MAT 3.22 3.83 2.58 0.23 -0.64 3.54
IND 3.36 4.06 2.67 0.25 -0.39 3.47
CD 3.16 3.82 2.51 0.23 -0.32 3.49
CS 2.74 3.36 2.05 0.23 -0.68 3.78
HEAL 2.83 3.51 2.12 0.24 -0.41 3.59
FIN 2.33 2.95 1.72 0.24 -0.19 2.81
IT 3.00 3.80 2.19 0.35 -0.08 2.49
TEL 0.84 1.51 -0.05 0.28 -0.95 4.38
UTIL 2.56 3.15 2.07 0.18 0.25 3.69
RE 2.82 3.35 2.33 0.17 0.02 3.54
ENG MAT IND CD CS HEAL FIN IT TEL UTIL RE
ENG 1.00 0.95 0.92 0.91 0.95 0.91 0.91 0.80 0.71 0.83 0.88
MAT 1.00 0.97 0.97 0.98 0.96 0.93 0.89 0.71 0.81 0.85
IND 1.00 0.99 0.97 0.98 0.92 0.95 0.74 0.76 0.80
CD 1.00 0.97 0.98 0.91 0.94 0.75 0.77 0.83
CS 1.00 0.97 0.92 0.88 0.74 0.82 0.87
HEAL 1.00 0.90 0.93 0.74 0.77 0.81
FIN 1.00 0.82 0.74 0.81 0.86
IT 1.00 0.68 0.56 0.62
TEL 1.00 0.67 0.69
UTIL 1.00 0.94
RE 1.00
Источник: расчет авторов по данным гос. бюро статистики и Wind,[7][8].
Результаты внутри-выборочных прогнозов для различных отраслевых портфелей приведены в таблице 6. EPU проявляет способность к прогнозированию каждого отраслевого портфеля. За исключением телекоммуникационной отрасли(ТЕЬ), все коэффициенты являются значительно положительными (значительно в диапазоне выше 10%) в диапазоне с 2,5%(RE) до 3,5% (FIN), коэффициент регрессии телекоммуникационной отрасли составляет 0,4, и не является значительным в диапазоне 10%. Финансовая отрасль (FIN) имеет самый большой параметр прогнозирования (3,5%) среди различных отраслей, это показало то, что волатильность EPU на одну единицу может прогнозировать колебание портфеля финансовой отрасли следующего периода на уровне около 3,5%, это также с боковой стороны показало, что финансовая отрасль Китая в целом подвержена влиянию мер страны, например, соответствующие финансовые и денежно-кредитные меры первоначально передаются в финансовую отрасль, а затем от финансовой отрасли на реальную экономику. Незначительные отношения между телекоммуникационной отраслью и EPU могут быть связаны с собственной устойчивой стабильностью отрасли.
Таблица 6
EPU BM DY EP TO CEI INF HJ M1 M2
ENG 2.6 0.18 -0.23 0.12 0.04 0.29* 0.01 1.09 0.93 -0.94
MAT 3.4 0.19 -0.22 0.08 0.03 0.41 0.01 1.03 0.94 -0.44
IND 3.3 0.12 -0.14 0.07 0.02 0.38 0.01 0.80 0.96 -0.47
CD 3.3 0.09 -0.12 0.07 0.03 0.36 0.02 0.84 0.87 -0.55
CS 3.0 0.16 -0.18 0.08 0.03 0.42 0.01 0.76 0.90 -0.52
HEAL 2.9 0.16 -0.17 0.06 0.02 0.41 0.02 0.63 1.00 -0.03
FIN 3.5 0.04 -0.11 0.09 0.02 0.42 0.01 0.57 0.82 -1.21
IT 2.9 0.1 -0.13 0.04 0.01 0.30* 0.02 0.33 0.96 -0.52
TEL 0.4 -0.02 -0.03 0.05 0.02 0.4 0.04 -0.13 1.67 -2.01
UTIL 3.2 -0.02 -0.03 0.09 0.03 0.39 0.01 0.81 0.72 0.14
RE 2.5 -0.07 0.02 0.07 0.03 0.16 0.01 0.98 0.19 0.59
В т. ч. *,**,***, значительно Источник: расчет авторов ки и Wind,[7][8].
в пределах уровня 10%,5% ,1%. по данным гос. бюро статисти-
Источник: расчет авторов по данным гос. бюро статистики и №пс1,[7][8].
Прогнозирование вне выборки
В соответствии с рамками тестирования вне выборки Welch and Goyal (2008)[2], в качестве
эталонной модели (AR) оптимально выбрана модель авторегрессии волатильности, включающая экономические показатели за исключением EPU, то есть модель после исключением EPU из формулы (4). В качестве начального тренировочного набора автор выбрал период с января 2002 года по декабрь 2004 года и прогнозировал месячную волатильность в январе 2005 года. После этого продолжительность тренировочного набора оставалась неизменной, и вышеуказанные шаги повторялись в скользящем окне, чтобы получить результаты прогнозирования вне выборки от января 2005 до декабря 2017 годов, и в продолжительности обучающего набора учитываются продолжительность и своевременность прогнозируемой информации и в итоге выбирается период за 3 года. Согласно Campbell и Thompson (2008) значение способности к прогнозированию вневы-борочного фактора R рассчитываются следующим образом[3]:
ROS -1 --
T-1 Л
-, (LVOLt+1 - LVOLt+i)2 Y!-n(LVOLM - LVOLt+i)2
(5)
исходной базовой моделью прогнозирования значения Р для семи выборок модели прогнозирования являются значительно положительными. От 0,64% до 1,4% при значительном уровне 10% и выше - вся промышленность, материалы(МАТ), промышленность(1МО), необязательное потреб-ление(Ой), ежедневное потребление(ОБ), финан-сы(Р1Ы) и недвижимость(РЕ).
Таблица7
Ros2 Ros2 Ros2
LVOL 1.1* CD 1.4** IT -0.03
ENG -1.4 CS 0.3* TEL -1.5
MAT 1.5** HEAL -1.92 UTIL -0.2
IND 1.6** FIN 1.4** RE 0.64*
Где Т:длина выборки, n: длина начального обучающего набора, LVOL: фактическая месяч-
Л
ная волатильность выборки, LVOL; прогнозируемое значение, полученное с помощью модели
прогнозирования, содержащей EPU, LVOLt+\: прогнозируемое значение, полученное с помощью эталонной моделью (AR).
Когда значение R больше 0, это показывает, что EPU имеет способность прогнозирования вне выборки для LVOL относительно эталонной модели.
При сравнении значимости R, то есть сравнении значимости при изучении способности прогнозирования EPU, учитывается среднеквадрати-ческое отклонение прогноза (MSFE) новой и базовой модели, раньше Clark и West (2007) на основе Diebold and Mariano(1995) и West(1996) дали скорректированный метод расчета среднеквадра-тического отклонения прогноза (MSFE-adjusted) [4],[5],[6], и проводили тест значимости с учетом прогнозируемого значения новой модели относительно эталонной модели.
В статье выбран этот метод, и проверка гипотезы устанавливается в качестве исходной гипотезы о том, что новая модель не выше, чем способность прогнозирования эталонной модели. Альтернативная гипотеза заключается в том, что новая модель обладает более высокой способностью прогнозирования, чем эталонная модель.
В таблице 7 показаны результаты тестирования EPU вне выборки для всей отрасли и каждой из отраслевых портфелей первого уровня в период полной выборки (2002-2017гг.) По сравнению с
В т. ч. ****** значительно в пределах уровня 10%,5% ,1%. Источник: расчет авторов по данным гос. бюро статистики и Wind,[7][8].
Заключение
В этой статье была построена модель прогнозирования индекса неопределенности экономической политики, имеющая макро-микроэкономические контрольные переменных, анализирована способность прогнозирования EPU за период полной выборки(2002-2017) и суб-выборок(2008-2017) для фондового рынка A Континентального Китая, и были получены значительные результаты (соответственно в пределах уровня 5% и 10%); прогнозированы и анализированы портфели первичной отрасли на рынке, способность прогнозирования, кроме телекоммуникационной отрасли, тоже значительна, и было выявлено значительное влияние EPU на финансовую отрасль; была проведена вневыборочная робастностная оценка, при использовании скорректированного метода расчета среднеквадрати-ческого отклонения прогноза (MSFE-adjust) и было заметно, что EPU обладает способностью вне-выборочного прогнозирования для целой индустрии и для всех отраслей, как материалы, промышленность, потребление, финансовое хозяйство и недвижимость (по сравнению с эталонной моделью). Таким образом, EPU обладает определенной способностью прогнозирования вола-тильности фондового рынка A Континентального Китая, а также является значительным в рамках вневыборочной робастностной оценки. Мы будем рады, если этот метод также поможет исследованиям нашей коллеги в России.
Литература
1 Scott R. Baker, Nicholas Bloom, Steven J. Davis. Measuring Economic Policy Uncertainty. The Quarterly Journal of Economics, Volume 131, Issue 4, 2016.
2 Welch I., Goyal A. A comprehensive look at the empirical performance of equity premium prediction. Review Finance Study. 21, P.1455-1508, 2008.
x x О го А С.
X
го m
о
ю
М О
to
3 Campbell J., Thompson S. Predicting the equity premium out of sample: can anything beat the historical average. Review Finance Study. 21, P1509-1531. 2008.
4 Clark T.E., West, K.D. Approximately normal tests for equal predictive accuracy in nested models. J. Econ., 138, P291-311, 2007.
5 Diebold F.X., Mariano R.S. Comparing predictive accuracy. J. Bus. Econ. Stat. 13, P253-263, 1995.
6 West K.D. Asymptotic inference about predictive ability. Econometrics, 64, P1067-1084, 1996.
7 Государственное бюро статистики КНР, http://www.stats.gov.cn/.
8.Данные WIND, https://www.wind.com.cn/.
А Economic Policy Uncertainty Index and China's Stock
Market Volatility - Set an Example for Russia Shen Yan, Ma Tian, Zhang xuejun
Institute of Finance of the Central University of Finance and Economics of China, China Research Institute for the Development of Electronic Information Industry This paper discusses the China's economic policy uncertainty and the volatility of China's securities market. The Economic Policy Uncertainty Index (EPU) is often used to measure the uncertainty of economic policy, which the government can use to promote economic growth and reduce poverty. If the government future policies are uncertain, the EPU index will rise. The author establishes a market-forecasting model based on EPU, and adds macro and micro actors as a reference variable to study. The relationship between the EPU and traditional predictors, as well as the prediction ability inside and outside the sample were tested. The conclusion is that the EPU has a certain ability to predict the volatility of A-share market in mainland China, and it is quite significant. The conclusion can be used to analyze Russian stock market. Keywords: Economic Policy Uncertainty Index, Finance, Securities Market, China
References
1 Scott R. Baker, Nicholas Bloom, Steven J. Davis. Measuring
Economic Policy Uncertainty. The Quarterly Journal of Economics, Volume 131, Issue 4, 2016.
2 Welch I., Goyal A. A comprehensive look at the empirical
performance of equity premium prediction. Review Finance Study. 21, P.1455-1508, 2008.
3 Campbell J., Thompson S. Predicting the equity premium out of
sample: can anything beat the historical average. Review Finance Study. 21, P1509-1531. 2008.
4 Clark T.E., West, K.D. Approximately normal tests for equal
predictive accuracy in nested models. J. Econ., 138, P291-311, 2007.
5 Diebold F.X., Mariano R.S. Comparing predictive accuracy. J.
Bus. Econ. Stat. 13, P253-263, 1995.
6 West K.D. Asymptotic inference about predictive ability.
Econometrics, 64, P1067-1084, 1996.
7 Государственное бюро статистики КНР, http://www.stats.gov.cn/.
8.Данные WIND, https://www.wind.com.cn/.
а>
о
сч
№ OI
О Ш
m х
<
m о х
X
