基于GARCH-MIDAS的混頻投資者情緒對股市波動的影響

李合龍 ,任昌松 ,丘潤文 ,胡云鶴 ,張衛國

(1.華南理工大學 經濟與金融學院,廣州 510006;2.華南理工大學 工商管理學院,廣州 510641)

股票市場的平穩運行,可以降低投資者所面臨的市場風險,進一步吸引更多投資者,同時還有利于市場監管以及避免金融危機的爆發。因此,對股市波動的研究成為風險管控的重要內容之一。在傳統的研究文獻中,通常假設所有的投資者是理性的,但現實情況中由于信息不對稱、投資者的主觀預期等因素,投資者的行為是有限理性的。為了解決傳統理論的困難,可嘗試從行為金融學的角度進行研究,在投資者情緒中找到股市波動的解釋。

投資者情緒的采集有許多途徑:①問卷調查是獲得投資者情緒最直接的方式[1-2],但是樣本容量、樣本的范圍、樣本選取的方法都會造成較大的誤差。②用文本分析的方法從新聞、社交媒體中獲取情緒[3-5],文本分析時采用的方法是歸納學習(基于詞典),或者是采用人工智能、機器學習的方法,這些方法對文章來源、所采用的語料庫較為敏感。③運用多個代理變量來描述投資者情緒,Baker等[6]采用主成分分析方法構建了投資者情緒指標,被學界廣泛認可。之后,Huang等[7]利用偏最小二乘法消除Baker等情緒代理中常見的噪聲成分,并產生比現有情緒指數具有更大預測能力的調整指數。基于上述分析,本文使用經偏最小二乘法調整后的BW 情緒指數來衡量投資者情緒。

長期以來,關于投資者情緒與股市波動的關系的研究一直是國內外學者關注的重點。Zhang等[8]發現,來自新興市場的投資者情緒對股票波動的影響是非線性的,投資者情緒可以改善基于長短期記憶模型的股票波動率預測。Cevik等[9]使用新冠肺炎(COVID-19)相關術語的谷歌搜索量指數來代理負面和正面投資者情緒,發現負面情緒會增加股市波動率,而正面情緒降低波動率。Gao 等[10]則發現,基于網絡文本或者股票交易數據構建的投資者情緒都對綠色股票的波動率有顯著的正向影響,并在新冠疫情后市場波動更容易受到投資者情緒的影響。Gong等[11]提出一種基于偏最小二乘法的投資者情緒指數,并通過與中國市場現存的9個市場級投資者情緒指數對比考察情緒指數對股票已實現波動率的預測性,發現該情緒指數在多個方面優于現有的許多情緒指數。在上述研究中,匹配投資者情緒和股市波動率時,存在兩者數據頻率不一致的問題,投資者情緒指數通常為月度數據,而股票收益率為日度數據。解決這一問題的傳統方法有兩種:一種是降低數據頻率,利用股票月度收益率數據進行分析,但這種方法會丟失股市中的高頻有效信息,導致部分有趣的現象無法被捕捉;另一種是使用插值等方法將投資者情緒數據變為高頻數據,但通過這種方法得到的高頻數據與實際值不一致,存在數據失真的問題。

為了解決數據頻率不匹配的問題,Ghysels等[12]提出了混頻數據抽樣(Mix Data Sampling,MIDAS)模型,該模型可以在分析時保持原有數據頻率不變,在一個模型中同時使用不同頻率的原始數據進行估計,避免了由于改變數據頻率而出現的數據丟失或失真的問題。Engle等[13]將MIDAS模型運用到廣義自回歸條件異方差(GARCH)模型中,得到GARCH-MIDAS模型,該模型把波動率分解為短期成分和長期成分,其中的長期成分可以由低頻已實現波動率或宏觀經濟變量來解釋,有效地解決了在研究波動率的模型中存在數據頻率不一致的問題。

大量文獻對GARCH-MIDAS 模型進行了研究,驗證了該模型的有效性。Wei等[14]采用基于混合數據抽樣回歸的GARCH 類新模型和動態模型平均組合方法(Dynamic Model Averaging,DMA)檢驗經濟政策不確定性(Economic Policy Uncertainty,EPU)指數對原油市場的波動性,利用模型信度集合(Model Confidence Set,MCS)發現,DMA 并不優于GARCH-MIDAS。雷立坤等[15]研究發現,基于混頻數據的GARCH-MIDAS 模型能夠顯著改善經濟政策不確定性對上證綜指波動率的預測精度,并利用模型信度集合檢驗結果進一步證實,GARCH-MIDAS模型能夠顯著打敗多種常見的GARCH 族模型。Conrad等[16]使用QLIKE 和MCS來評估GARCH-MIDAS 以及8 個常見的波動率衡量模型,發現大多數情況下,正確指定的甚至是錯誤指定的GARCH-MIDAS模型都優于競爭對手模型。

基于GARCH-MIDAS 的優越特性,許多文獻都利用該模型對混頻數據進行研究,其中大多數文獻是研究宏觀經濟因素對市場波動的影響[17-21]。由于構建投資者情緒指數的代理變量中通常包含宏觀經濟的因素,其波動趨勢與股市波動率的長期成分變化特征較為吻合,故利用GARCH-MIDAS 模型研究混頻投資者情緒對股市波動的影響。目前只有少部分文獻進行這一方面的研究,并且利用的是單因子GARCH-MIDAS模型[22],并未考慮投資者情緒結合其他影響因子時對股市波動的影響。除了投資者情緒能夠影響股市波動外,Baker等[23]通過統計包含術語的新聞文章頻率的方式得到的經濟政策不確定指數對市場上的漲跌具有很強的解釋能力。互聯網搜索趨勢(也被稱為投資者關注)如Google Trend和百度指數對股票市場的收益、波動性也有很大的影響[24-26]。Dai等[27]利用全球經濟政策不確定性指數(GEPU)及指數的變化(ΔGEPU)來預測原油期貨的波動時,發現ΔGEPU 的雙因子GARCH-MIDAS模型包含了更多的信息,具有更強的預測能力。然而,GEPU 在單因子及雙因子模型中的表現并不一致。因此,在考慮經濟政策不確定性、投資者關注等其他影響因素時,為增強投資者情緒對股市波動的解釋力以及保證其解釋能力的穩定性,有必要進一步使用雙因子GARCH-MIDAS模型來研究投資者情緒對股市波動的影響。

綜上所述,以往研究大多采用取均值或插值的方法來解決各變量間數據頻率不統一的問題,這容易導致信息損失或失真,而GARCH-MIDAS 能夠較好地解決這個問題,并且模型性能優于常見的波動率模型。現有文獻大多利用GARCH-MIDAS來研究宏觀經濟因素對股市波動率的影響,只有少部分文獻研究投資者情緒的影響。考慮到GARCHMIDAS允許包含兩個或更多的解釋變量,且經濟政策不確定性和投資者關注對股票市場的影響與投資者情緒有所不同,可能包含互補的信息。因此,本文將利用Engle等[13]的單因子GARCH-MIDAS模型,研究投資者情緒、經濟政策不確定性和投資者關注對股市波動率的影響;同時也將利用Conrad等[16]的雙因子GARCH-MIDAS模型,研究投資者情緒與投資者關注、經濟政策不確定性進行組合時對市場波動的影響。

本文的貢獻為:從行為金融學的角度研究股市波動的影響因素,在使用單因子GARCH-MIDAS模型探究投資者情緒變動對股市波動的影響的基礎上,進一步引入雙因子GARCH-MIDAS模型,以驗證投資者情緒在GARCH-MIDAS模型中表現的穩定性,同時研究投資者情緒與其他因子組合時對股市波動的聯合影響。

1 研究設計

1.1 變量選擇

股市收益率數據選擇上證指數的日度收益率,收益率為對數收益率,記為R;投資者情緒用偏最小二乘法調整后的BW 情緒指數來衡量,記為BW_PLS;經濟政策不確定性的代理變量采用Baker等[23]基于新聞報道構造的經濟政策不確定性指數,記為EPU;投資者關注采用百度指數,記為BI。其中,構造BW_PLS時,參照Huang等[7]的指數構建方法,同時融入能反映中國股票市場投資者情緒變化的指標,這里選用易志高等[28]構造BW 指數時所用的指標,主要包括:主觀指標消費者信心指數(Consumer Confidence Index,CCI)、客觀指標新增開戶數(New accounts,NA)、封閉式基金折價率(Closed-end fund discount,CEFD)、新股上市首日收益率(Average first-day return,RIPO)、新股發行數量(Number of IPOs,NIPO)和市場換手率(Turnover,TURN)。

1.2 單因子GARCH-MIDAS模型

如圖1所示,構建單/雙因子GARCH-MIDAS來研究投資者情緒與股市波動的關系。

圖1 模型概況Fig.1 Model overview

基于Engle等[13]的研究,構建單因子GARCHMIDAS模型。將資產收益的波動分解為短期波動和長期波動兩個成分,即

式中:ri,t為某金融資產第t個周期中第i天的對數收益,t的頻率與低頻變量的數據頻率一致,本文中t的頻率為1個月;μ為同期給定信息集下的條件期望;τt為長期波動,投資者情緒的變動對股市波動的影響主要作用在τt上;gi,t為短期波動;εi,t為白噪聲序列;Φi-1,t為收益率第t個周期中第i-1天的信息集。

在估計短期波動gi,t時,由于同時引入了雙因子模型,為保持兩模型的短期波動估計方法一致,gi,t為一個GJR-GARCH(1,1)過程,故有

長期波動τt可以用已實現的波動率Vt來描述,即:

式中:K為Vt的最大滯后階數;θ為Vt對波動率長期成分的影響系數;φk(ω1,ω2)是Beta型滯后變量的權重函數,形式為

在不同滯后期中Vt對波動率長期成分的影響隨滯后期的延長而減弱,故令ω1=1,由ω2決定各期Vt的權重系數,以此保證滯后變量的權重呈衰減形式。此時,Beta權重函數簡化為

根據Engle等[13]和Asgharian等[19]的研究,如果兩變量分別是日度數據和月度數據,則在選擇最大滯后階數(K)時令K=36效果最好;如果是日度數據和季度數據,則K=12效果較好;如果是日度數據和日度數據,參考Conrad等[16]的研究,令K=264。研究表明,解釋變量中的測量誤差或滯后結構的錯誤只會產生較小的影響[16]。

本文研究投資者情緒對股市收益率波動長期成分的影響,參考姚堯之等[22]的研究,將已實現的波動率Vt用投資者情緒的變化率代替。由于投資者情緒的變化率有正有負,對式(3)中長期波動τt取對數,故可得

Xt為解釋變量在第t期的變化率。綜合上述函數,得到投資者情緒與市場波動的單因子GARCH-MIDAS模型,即:

1.3 雙因子GARCH-MIDAS模型

為了研究投資者情緒與投資者關注、經濟政策不確定性進行組合時對股市波動的影響,參照Conrad等[16]的研究,構造雙因子GARCH-MIDAS模型,其中短期波動gi,t為一個GJR-GARCH(1,1)過程,即

長期波動τt受雙因子的影響,有

式中:與單因子模型類似,令ω1,1=ω1,2=1;其余部分都與單因子模型相同。則可得投資者情緒與市場波動的雙因子GARCH-MIDAS模型,即:

式中:ri,t為某金融資產第t個周期中第i天的對數收益,本文中t的頻率為1個月;μ為同期給定信息集下的條件期望;τt為長期波動;gi,t為短期波動;I是示性函數;εi,t為白噪聲序列,Φi-1,t為收益率t個周期中第i-1天的信息集;K為低頻變量的最大滯后階數;X為影響因子(本文指投資者情緒、經濟政策不確定性、投資者關注的變化率);θ為X對波動率的長期影響系數;φk(ω1,ω2)是Beta型滯后變量的權重函數。

2 數據來源和基本信息

考慮到數據的可得性,選取樣本期間為2011年1月1日至2021年12月31日。其中:上證指數來自wind數據庫,股指收益率R為日度數據,數據處理后共計2 655組。百度指數(BI)構建時所用數據是從“百度指數”官網通過爬蟲獲取,中國的經濟政策不確定性指數(EPU)取自Baker 等[23]構建的“Economic Policy Uncertainty”數據庫網站,BW_PLS指數構造時的6 個代理變量來自國泰安(CSMAR)宏觀系列研究數據庫。參照Huang等[7]的指數構建方法,利用偏最小二乘法可以得到本文BW_PLS具體形式,即

百度指數(BI)、經濟政策不確定性指數(EPU)以及投資者情緒指數(BW_PLS)為月度數據,數據處理后共計131組。

數據預處理時,對BI以及EPU 的原始數據進行對數差分處理后再擴大100倍以求其變化率。預處理后數據的統計性描述如表 1所示。由表1可以看出,股指收益率R以及BW_PLS的變化率均呈現左偏、尖峰厚尾的分布特征,BI的變化率呈現出右偏,峰度較小,為0.995。由JB 檢驗結果可見,EPU 的變化率可以看作是正態分布序列,而其他序列均不服從正態分布。各序列均通過了平穩性檢驗,并且R的Ljung-BoxQ統計量在1%置信水平顯著,說明序列存在較強的自相關性,可以建立GARCH-MIDAS模型。

表1 預處理后數據的統計性描述Tab.1 Statistical description of data after preprocessing

3 實證結果分析

本節先后使用單因子及雙因子GARCHMIDAS模型進行實證分析。其中:3.1～3.3節使用單因子模型分別分析了投資者情緒、投資者關注以及經濟政策不確定性對股市波動的影響;3.4節利用雙因子模型將3個變量兩兩組合進行研究,以增強變量解釋能力;3.5節進行穩健性檢驗。

3.1 投資者情緒對股市波動的影響

表2展示了分別把EPU、BI以及BW_PLS的變化率代入單因子GARCH-MIDAS模型后的擬合結果。由表 2可知,GARCH 部分的參數(α,β)在統計意義上都是顯著的,表明上證綜指的短期波動表現出強烈的波動聚集效應。此外,α、β與γ/2之和均小于1,符合GJR-GARCH 模型的參數要求。

表2 單因子GARCH-MIDAS擬合結果Tab.2 Single-factor GARCH-MIDAS fitting result

各因子對股市波動率長期成分的影響情況由系數θ反映,由表2可知,EPU 的影響不顯著,BI和BW_PLS影響在1%的水平上顯著。對于投資者情緒,若θ為正,則表明當期投資者情緒波動提高時,下期股市波動率的長期成分也會提高;若θ為負,則下期股市波動率的長期成分會下降。

此外,各因子的影響強度可由θφk(ω2)計算得出。對于BW_PLS,θ=0.588,ω2=1.000,可以得到BW_PLS的影響強度的權重趨勢φk(ω2),如圖2所示,滯后1 期BW_PLS 的影響強度的權重φk(ω2)為0.028,影響強度為1.646%。即該期BW_PLS的變化率每增加1%,下期上證綜指收益的波動率(波動率中的長期成分)會上升1.646%。影響強度的權重隨滯后階數的增加而減小,但其減小幅度較低,說明在36個滯后期中BW_PLS的變化都對當期上證綜指的波動率產生了一定的影響,即BW_PLS的波動率會影響接下來3年左右的上證綜指收益的波動率。

圖2 單因子模型BW_PLS影響強度的權重隨滯后階數的變化Fig.2 The change of BW_PLS influence strength weight with lag order in single-factor model

十八屆三中全會后,中國深化體制改革全面啟動,改革意味著進步,這一大環境毫無疑問利多股市,同時,美國寬松貨幣政策全面推出,所以2014年8月～2015 年6 月迎來牛市,上證指數漲跌幅125.1%。而之后在場外配資的清理、場內融資和分級基金去杠桿的連鎖效應下,2015 年6 月至2016年2月,上證指數漲跌幅-41.71%,遭遇熊市。由投資者情緒(BW_PLS)和收益率R隨時間變化情況(見圖3和4)可見,在2014-08～2015-06牛市和2015-06～2016-02 熊市期間,投資者情緒(BW_PLS)波動增加的同時,上證R的波動明顯增加,與上述模型結果一致,并且其余部分的趨勢也較為吻合,說明該模型能夠捕捉到股市波動的變化情況。

圖3 投資者情緒BW_PLS (月度)隨時間的變化Fig.3 Investor sentiment BW_ PLS (monthly) changes over time

圖4 收益率R(日度)隨時間的變化Fig.4 The rate of return R (daily) changes over time

由表 2的方差之比可以看出,上證指數波動率中長期成分貢獻較高,為52.67%,說明上證指數的波動率有超過一半的部分可以由投資者情緒的變動來解釋。根據BIC信息準則,即從模型擬合優度的角度看,BW_PLS的模型最優。

3.2 投資者關注對股市波動的影響

對于BI,θ=0.131,ω2=2.600,同理可以得到BI的影響強度的權重趨勢φk(ω2),如圖5所示,滯后1期BI的影響強度的權重φk(ω2)為0.070,影響強度為0.917%。即該期BI的變化率上升1%,下期上證綜指收益的波動率(波動率中的長期成分)會上升0.917%。影響強度的權重隨滯后階數的增加而減小,在35個滯后階數時影響強度約為0,即百度指數(BI)的波動率會影響接下來3年左右的上證綜指收益的波動率。

圖5 單因子模型BI影響強度的權重隨滯后階數的變化Fig.5 The change of BIi nfluence strength weight withl ag order in single-factor model

從股市波動長期成分的角度,由方差之比可知,BI擬合的模型中波動率長期成分重要性程度比BW_PLS擬合的模型更高,為60.839%,但由兩個變量解釋的波動率長期成分占比均超過了50%,說明兩個變量的波動對股市波動率的影響具有重合的部分。這可能是因為投資者關注代表了投資者進行買和賣的意愿強度,只有在具有較強的買賣意愿時,投資者情緒的波動才更容易影響其買賣決策,當投資者關注增強時,可以獲取更多關于市場的信息,而投資者通常會對這些信息做出反應,導致投資者情緒波動加大。因此,該部分情緒波動引起的股市波動率變化可能與投資者關注變化引起的股市波動率變化是一致的。為進一步驗證BW_PLS與BI對股市波動率長期成分的影響,本文后續將這兩個變量同時納入雙因子GARCH-MIDAS 模型,觀察兩個變量的聯合作用;同時兩個變量也會分別與EPU構造雙因子模型,起對比作用。

3.3 經濟政策不確定性對股市波動的影響

對于經濟政策不確定指數(EPU),反映因子X影響市場波動強度的系數θ不顯著,并且EPU 的方差之比很小,說明經濟政策不確定對A 股波動影響小,對長期波動的貢獻有限,總體上幾乎沒有影響,結果與夏婷等[21]的研究結論一致。

3.4 投資者情緒與其他因子組合時的影響

雙因子GARCH-MIDAS模型中,將BW_PLS、EPU 和BI進行兩兩組合,如表3所示。其中,雙因子模型中α、β在統計意義上都具有強顯著性,γ皆不顯著。考慮與單因子相同的視角,α、β與γ/2之和應小于1且接近1,由結果可以看出,三者之和均在0.95以上,這與本文的預期相似。

表3 雙因子GARCH-MIDAS擬合結果Tab.3 Dual-factor GARCH-MIDAS fitting result

由參數θ1和θ2可以看出,EPU 的變動對市場影響不顯著。BW_PLS、BI的變動對市場波動的影響都是正向的,與表2單因子模型中得到的結果一致。在含有BW_PLS 的雙因子模型中,無論是與BI組合還是與EPU 組合,BW_PLS對股市波動的影響都是正向且顯著的,與單因子模型得到的結論一致,說明投資者情緒的變動對股市波動的解釋能力是穩定的,不受其他變量的影響。并且,還可以發現,在雙因子模型中各變量的波動對市場波動率的影響力都有所減弱。在單因子模型中,BW_PLS對長期波動率的影響系數θ=0.588,在1%的水平上顯著。在雙因子模型中,引入EPU 后BW_PLS的系數θ減小至0.564,減幅為0.024;引入BI后BW_PLS的系數θ減小至0.147,減幅為0.441。在包含BW_PLS的兩個雙因子模型中,BW_PLS的系數θ減小幅度差異較大,可能是因為EPU 本身對股市波動率長期成分的影響就不顯著,導致對BW_PLS在單因子模型中的表現影響程度較小。在BI與EPU 組成的雙因子模型中同樣可以觀察到該現象,說明某一變量的單因子GARCH-MIDAS模型拓展為雙因子模型后,該變量在雙因子模型中的表現不會受新引入的無關變量的干擾,雙因子模型具有一定的穩定性。在引入BI后BW_PLS的系數θ減幅較大,驗證了投資者情緒波動引起的股市波動率變化有一部分與投資者關注波動引起的股市波動率變化是一致的,在控制了BI的影響后,BW_PLS的影響系數θ只有0.147。但在雙因子模型中,BW_PLS對股市波動率長期成分的影響強度仍然高于BI,如圖6、7所示,滯后1期BW_PLS的影響強度的權重φ1,k(ω1,2)=0.068,影響強度為1.000%;滯后1期BI的影響強度的權重φ2,k(ω2,2)=0.069,影響強度為0.890%。說明在控制了BI的條件下,該期BW_PLS的變化率每增加1%,下期上證指數收益的波動率(波動率中的長期成分)會上升1.000%;而在控制了BW_PLS的條件下,BI的變化率每增加1%,下期波動率會上升0.890%。

圖6 BW_PLS+BI雙因子模型BW_PLS影響強度的權重隨滯后階數的變化Fig.6 The change of BW_PLS influence strength weight with lag order in dual-factor model (BW_PLS+BI)

圖7 BW_PLS+BI雙因子模型BI影響強度的權重隨滯后階數的變化Fig.7 The change of BIi nfluence strength weight withl ag order in dual-factor model (BW_PLS+BI)

對于方差之比,在包含EPU 的兩個雙因子模型中,方差之比相對于EPU 的單因子模型有了顯著提升,且十分接近于BW_PLS、BI兩個變量各自在單因子模型中的方差之比,說明這一提升主要是因為模型中納入了對波動率長期成分影響顯著的變量。在包含BW_PLS與BI的雙因子模型中,方差之比相對于兩個變量各自在單因子模型中的方差之比也有所提升,說明投資者情緒與投資者關注包含的信息有一定的互補關系,兩者結合能夠更好地擬合股票市場的長期波動。根據BIC 信息準則,雙因子模型的BIC值相對于單因子模型有所提高,這是因為模型中加入了更多的參數,但從3個雙因子模型的對比來看,包含BW_PLS的模型擬合效果仍然是更好的。

通過對單、雙因子模型的分析可以發現,投資者情緒和投資者關注的波動都對股市波動率具有顯著影響。投資者通常會對所獲取的信息做出反應,但由于投資者是有限理性的,反應不足或反應過度的情況時有發生,導致股票價格被錯誤定價,當情緒波動加大時,股票錯誤定價的概率增加,股市波動率也隨之加大。隨著投資者關注的提高,投資者獲取市場信息的量以及頻率都有所增加,各種信息的沖擊會使投資者情緒更容易產生波動。現今互聯網技術已十分發達,投資者可以從各個渠道獲取相關信息,對這些信息做出合理的反應,是抑制股市異常波動的關鍵所在。

3.5 穩健性檢驗

為了說明上述研究結論的穩健性,將使用的股票指數替換為滬深300指數進行穩健性檢驗,其中,單因子模型估計結果和雙因子模型估計結果如表4、5所示。

表4 單因子GARCH-MIDAS擬合結果(滬深300)Tab.4 Single-factor GARCH-MIDAS fitting result (CSI 300)

表5 雙因子GARCH-MIDAS擬合結果(滬深300)Tab.5 Dual-factor GARCH-MIDAS fitting result (CSI 300)

表4 中(μ,α,β)在統計意義上都是顯著的,說明滬深300指數的短期波動同樣表現出強烈的波動聚集效應。系數θ的值以及顯著性水平與表2中使用上證綜指的擬合結果接近,可以得出相同的結論,即投資者情緒和投資者關注的變動對滬深300指數波動率的長期成分有顯著的正向影響,經濟政策不確定性的影響不顯著。從BIC 信息準則上看,依然是BW_PLS的擬合結果最好。從方差之比上看,BW_PLS對滬深300 指數波動率的解釋能力更強。

在使用滬深300 指數的雙因子GARCHMIDAS模型中,投資者情緒與其他因子組合后,其變動對滬深300指數波動率的影響仍然是正向顯著的,且從BIC 信息準則上看,包含BW_PLS的雙因子模型的擬合效果比BI與EPU 組合的雙因子模型擬合效果更好,與使用上證綜指時的結論一致。

綜合上述分析可知,把股市收益率替換為滬深300指數的收益率后,無論是單因子模型還是雙因子模型,都能得出與使用上證綜指收益率時相同的結論,說明本文的研究結論具有較好的穩健性。

4 結論

本文在混合頻率數據視角下,利用單因子GARCH-MIDAS模型分別研究投資者情緒、經濟政策不確定性和百度指數對股市波動的影響,并將這些變量進行兩兩組合,得到雙因子GARCHMIDAS模型,進一步研究股市的波動。通過實證檢驗得出以下結論:

(1) 在單因子GARCH-MIDAS 模型中,調整后的投資者情緒指數(BW_PLS)表現最佳,比百度指數(BI)和經濟政策不確定性指數(EPU)更能夠反映上證指數中的長期波動成分,結果表明,投資者情緒對市場波動產生顯著的正向影響。百度指數(BI)能夠很好地反映和影響上證綜指的波動情況,影響時間為3年左右,并對長期波動有顯著的影響。這表明,互聯網搜索數據蘊含了中國股民的興趣與關注,在一定程度上反映了其投資行為規律,進而對上證市場產生影響,這對了解中國投資者情緒具有良好的信息參考價值。經濟政策不確定性指數(EPU)則表現較為一般,對A 股的市場波動幾乎沒有影響,說明宏觀的經濟政策不確定影響對A 股市場長期波動率貢獻微弱。

(2) 在GARCH-MIDAS 雙因子模型中,投資者情緒和投資者關注包含的信息有一定的互補關系,同時也有部分信息對股市波動的反應是一致的,兩者結合能夠更好地擬合股票市場的長期波動。與單因子模型對比可以發現,合理地組合兩個解釋變量能夠提高模型的解釋能力。因此,具有混頻優勢的GARCH-MIDAS,可以同時利用多個解釋變量進行研究。另外,本文發現,在雙因子模型中納入一個對股市波動影響不顯著的變量后,不會對另一變量的作用產生干擾,雙因子模型具有一定的穩定性。

對于后續研究,在單因子模型中,百度指數具有更高頻率的數據,在不同的時間維度上對股市波動的影響效應可能存在差異,未來可以尋找不同頻率的解釋變量作為對比。此外,GARCH-MIDAS 能夠處理不同頻率的數據,而本文僅選擇了兩個因子進行組合,且解釋變量較少,后續可以進一步對多個不同頻率、不同類型的投資者情緒變量代入雙因子模型進行比較,或將GARCH-MIDAS 進一步擴展為多因子模型。