论文部分内容阅读
摘要:先前有关新闻效应不对称性的研究大多认为,金融市场对坏消息的反应要比对好消息的反应更加剧烈。本文认为,得到这种结论是由于数据样本取样偏差导致的。
关键词:新闻效应 不对称性 美元指数
▲▲一、引言
传统的汇率决定理论主要从宏观基本因素,如相对货币供应量、利率、物价水平、经济增长、内外资产的替代性和均衡价格的调整速度等,来解释汇率的决定和波动。然而现实经济中,却很难运用这些传统理论来预测国际金融市场汇率的走势,大量的实证检验结果也表明,传统汇率理论的解释能力十分低下,尤其对短期内的汇率变化,预测能力甚至连简单的随机游走模型都不如。面对这一困惑,20世纪 80年代以来很多学者不断寻求对传统理论的突破。Mussa(1979)在资产市场宏观结构模型的基础上结合理性预期假说提出了新闻模型,他将非预期的并且能够引起人们对汇率的预期值进行修改的新的信息统称为“新闻”,进而分析了“新闻”对汇率运动的影响。对 “公告效应”的实证研究(如Engel,1984;Ito & Roley,1990)表明了“新闻”的确对汇率的变动具有影响。
对羊群效应(Banerjee,1992)和信息串联1(Bikchandani et al.,1992)的研究发现,经济主体可能会对某特定的新闻根据其条件与环境做出完全不同的解读、处理和反应。具体来说,就是在市场中充满了不确定性,而市场参与主体正在积极寻找对未来做预期的依据时,新闻的重要性会被放大,从而使市场做出较其真实经济意义的影响更为剧烈的反应。
目前对新闻效应不对称性的研究大量集中在对股票市场的分析上,对其他市场研究较少。已经有大量的研究证明,在股票市场上,股票价格对负面消息反应要比正面消息更为剧烈。对这种非对称性的内在原因在于通常所谓的“杠杆效应”(leverage effects)和“波动反馈效应”(volatility feedback effect)2。其中的机理在于,一个冲击影响资产价格的水平,不仅因为它直接改变了企业的杠杆,也因为它改变了资产价格的波动率。一个正向冲击提高了企业杠杆从而提高股票价格,但是同时增加了的波动率降低了股票的价格,因为风险规避的投资者会因为承担了额外的风险而要求更高的回报。在正向冲击中,杠杆效应与波动反馈效应有着相反的影响,而在反向冲击中,两种效应同时导致价格降低。因此反向冲击对价格有着比正向冲击更大的影响。在其他市场,比如债券市场(Fleming and Remolona 1997)和外汇市场(Galati and Ho,2001;Andersen,,Bollerslev,Diebold and Vega ,2003;Michael Ehrmann,Marcel Fratzscher,2005)也有不少实证结果证明了不对称性的存在。Bollerslev, Diebold 和 Vega (2003)以及Faust, Rogers, Wang and Wright (2003)使用5分钟和20分钟的数据对不同的汇率进行了研究,发现美国宏观数据发布对汇率有显著影响,其中实体经济和前瞻性新闻对汇率影响最大,价格因素则影响有限。Galati and Ho (2003)发现在他们的研究期(1999-2000)内,市场完全只对坏消息产生反应,而对好消息完全忽略。基本上,所有的研究都只认为,金融市场对坏消息的反应要比对好消息的反应更加剧烈。但始终没有一种理论能够解释,为何这样一种现象会广泛存在于从股票到债券到外汇等一系列金融市场。本文认为,新闻效应的这种不对称性是人在不同市场状况下心理状态不同而造成的,即在上涨过程中较为乐观,因而对好消息更为敏感;在下跌过程中较为悲观,因此对坏消息更加敏感。回顾先前的研究,其所取的研究数据都是处于下跌期,这无疑会造成结果的偏差。
▲▲二、模型与数据
本文采取的模型形式为:
其中是美元指数。之所以选美元指数做研究对象,是因为目前的外汇市场其实是以美元对其他货币进行标价的市场,如果选双边汇率必然涉及到对来自不同地区的新闻的反应敏感度不同的问题,也容易增大数据收集的难度。汇率变动的滞后值也被考虑进了方程中,以修正可能存在的自相关。
S是市场上基本经济数据的发布对市场的冲击(shock)。下脚标P表示这是一个正向冲击(positive shock),促使货币升值;N表示这是一个负向冲击(negative shock),促使货币贬值。它被定义为实际公布值()与先前的市场预期()之差。这里,我用实际公布值的上期数值()替代市场预期值3。它由以下式子得出:
其中除以样本标准差()是为了对数据进行归一化,以避免样本数据取值差异影响模型的实证效果。D是表示冲击类型的虚拟变量,在当冲击为正向冲击时取1,否则取0;在当冲击为负向冲击时取1,否则取0。I是描述当前汇率变动方向的虚拟变量,在当前美元正在升值时取1,否则取0;在当前美元正在贬值时取1,否则取0。
解释变量的选择上,本文选择的是原始数据(real time data)而不是经过修正的最终数据(revised data)。这是因为从原始数据的发布到最终数据的出台是有时滞的,投资者的投资决策往往是根据原始数据做出的,而且两者并不存在高相关性。在研究由市场决定的汇率水平时使用经过修正的最终数据,而不是经济主体进行决策时所依据的原始数据,会扭曲解释变量与被解释变量之间的关系。例如Orphanides (2001)发现,在使用美国原始数据对泰勒法则(Taylor rules)的效果进行研究时发现得到的结果与使用最终数据的结果完全不同。Koenig et al. (2000) 在对美国的GDP数据进行预测时,发现使用原始数据可以使预测效果得到明显的提升。出于以上考虑,本文所使用的是经济数据刚发布时的原始数据。时间跨度为1986年1月1日至2009年4月1日。在此期间包括两个升值贬值周期,以及一段震荡期,可以很好的去除样本偏差。主要变量如下表所示。
与模型相对应,我们要寻找的是基本因素数据每变动某个百分比对汇率会带来多大的变化,而不是基本因素数据绝对水平的变化带来汇率绝对水平变化多少。因此全部数据都经过如下处理:以绝对数值与指数形式存在的数据,如国民生产总值,非农就业和经理人采购指数等数据,求其改变速度后差分;已经以百分比形式存在的数据,如失业率、通胀预期等,求其差分。
另外一个问题是,在每度量经济的一个侧面时,采用多个指标是否会因为各个指标之间存在相关性而导致多重共线性?答案是不会的,因为看似应该高度相关的指标,由于收集方式与统计口径的区别,存在相当的差异性。以就业形势方面的数据为例。我们一般非常重视的美国非农数据,其实是就业数据的一部份。很多人想当然的以为,就业人数的增加,必定会出现失业率下降的结果。其实这是完全错误的。由于采集方式的不同,失业率与非农数据并非绝对此消彼长的关系。失业率,是由美国劳工部门根据报称失业人员及伸领失业救济金人员对整体就业人数的比率;而新增职位(非农数据) 则是美国劳工部对各企业新增职位(例如在报刊上刊登招聘广告) 的调查所得,其中包括了所有的临时职位,这会造成特定环境下,新增职位急增的现像。例如每逢是大选期间,新增了选区工作人员的临时职位,结果是新增职位大大超过其他时段。又例如十二月和四月,因为是节假黄金消费期,临时职位都会大增。由于采样的不同,失业率上升,但新增职位同时上升的情况也并非十分罕见。不同的数据其实反应的是经济形势的不同侧面。
▲▲三、实证分析
数据本身是经过差分的,经过ADF检验可以以99%的置信度确认该时间序列是平稳的。经过计算,Adjusted R-squared为0.6538,DW值为2.2576,则4-DW为1.7424,可以确定不存在序列自相关。经过white检验,nR2=27.719>F,存在异方差。使用white估计量重新进行回归,得到结果。
我们要验证的是,在不同走势下,各种变量的影响是否相同,亦即他们的系数是否相同。此处的问题属于联合假设检验,在本文中,验证方法如下:
首先,做出原假设:
其次,按照(1)式进行回归,并计算得到残差和,记为M。
再次,在加入原假设的情况下,对(1)式进行回归,并计算得到残差和,记为N。
最后,通过检验两者差异是否过于显著,可以检验原假设是否成立。此处所使用的统计量是,其中g为需要验证的假设的个数,n为数据样本个数,k为原方程的解释变量个数。
经过一系列计算,我们以下两个假设完成了检验:假设一,不同市场状态下,正向冲击与负向冲击对汇率的影响完全一样;假设二,正向冲击与负向冲击对汇率存在不对称性,但是市场状态与汇率对经济数据的变动的反应无关。得到的结果显示,第一个和第二个假设分别以99%的显著度被否定。而后面各组的F统计量甚至远远大于99%的统计量。也就是说,不同的市场状态与冲击的不同性质,毫无疑问带来了新闻效应的不对称性。
这可以从心理因素方面得到解释。当市场上涨期,投资者被希望和乐观所鼓舞,而在下跌期,又被恐惧所控制。这些非理性因素都扭曲了市场对新闻的正确解读能力。
▲▲四、该模型用于预测
使用该模型对美元指数进行预测,可以得到下图中的结果。
可以看到,该模型很好的解释了美元从1978年到1985年的升值,1985年到1988年的贬值,随后长达七年的震荡走势,以及互联网泡沫之后的贬值。不过,该模型对1995年至2000年的美元升值则没有反应。针对对这次美元升值所可能的两种不同解释,该模型在这里出现失误的可能的原因有二:
第一,如果这次美元升值是由于美国政府财政赤字的改善,那么这种错误来源于在建模过程中没有将财政赤字作为解释变量。之所以没有考虑财政赤字的影响,是因为财政赤字只有年度数据,无法与其他以月份和季度的数据放在一起处理。
第二,如果这次美元升值是由于互联网经济的引起,那么这种错误来自市场认为这种经济模式显著地改善了美元基本面的错误判断。因为该模型显示,互联网经济并没有给美元的基本面带来重大的改善,如果有的话,也只是一种概念上的改善,或者说是一种错觉。这种模型失灵现象的形成有可能形成于这样一种过程:互联网经济的发展,吸引了资本流入的增加;但是由模型计算得到的资本流入对升值中的美元作用较小,因此导致这种升值效应被低估了。如果这种假说成立,则说明美元的安全性对国外资本的依赖度在增加。
参考文献:
[1]Michael Ehrmann, Marcel Fratzscher. Exchange rates and fundamentals: New evidence from real-time data[J].Journal of International Money and Finance,2005;24
[2]Jon Faust, John H. Rogers and Jonathan H. Wright. Exchange rate forecasting: the errors we've really made[J].Journal of International Economics,2003;5:35-59
[3]Charles Engel, Kenneth D. West. Exchange Rates and Fundamentals, NBER Working Paper 10723, National Bureau of Economic Research, 2004
[4]Nelson C. Mark. Exchange Rates and Fundamentals: Evidence on Long-Horizon Predictability. American Economic Review,1995;3:201-218
[5]Christopher J. Neely and Lucio Sarno. How well do monetary fundamentals forecast exchange rates. Federal Reserve Bank of St.Louis Review,2002;9
[6]C. Engel, N. C. Mark, and K. D. West, Exchange rate models are not as bad as you think, NBER Working Paper 13318, National Bureau of Economic Research, 2007
[7] K. K. Lewis, Changing beliefs and systematic rational forecast errors with evidence from foreign exchange, American Economic Review, 79 (1989); pp:621-636
(责任编辑:张彬)
关键词:新闻效应 不对称性 美元指数
▲▲一、引言
传统的汇率决定理论主要从宏观基本因素,如相对货币供应量、利率、物价水平、经济增长、内外资产的替代性和均衡价格的调整速度等,来解释汇率的决定和波动。然而现实经济中,却很难运用这些传统理论来预测国际金融市场汇率的走势,大量的实证检验结果也表明,传统汇率理论的解释能力十分低下,尤其对短期内的汇率变化,预测能力甚至连简单的随机游走模型都不如。面对这一困惑,20世纪 80年代以来很多学者不断寻求对传统理论的突破。Mussa(1979)在资产市场宏观结构模型的基础上结合理性预期假说提出了新闻模型,他将非预期的并且能够引起人们对汇率的预期值进行修改的新的信息统称为“新闻”,进而分析了“新闻”对汇率运动的影响。对 “公告效应”的实证研究(如Engel,1984;Ito & Roley,1990)表明了“新闻”的确对汇率的变动具有影响。
对羊群效应(Banerjee,1992)和信息串联1(Bikchandani et al.,1992)的研究发现,经济主体可能会对某特定的新闻根据其条件与环境做出完全不同的解读、处理和反应。具体来说,就是在市场中充满了不确定性,而市场参与主体正在积极寻找对未来做预期的依据时,新闻的重要性会被放大,从而使市场做出较其真实经济意义的影响更为剧烈的反应。
目前对新闻效应不对称性的研究大量集中在对股票市场的分析上,对其他市场研究较少。已经有大量的研究证明,在股票市场上,股票价格对负面消息反应要比正面消息更为剧烈。对这种非对称性的内在原因在于通常所谓的“杠杆效应”(leverage effects)和“波动反馈效应”(volatility feedback effect)2。其中的机理在于,一个冲击影响资产价格的水平,不仅因为它直接改变了企业的杠杆,也因为它改变了资产价格的波动率。一个正向冲击提高了企业杠杆从而提高股票价格,但是同时增加了的波动率降低了股票的价格,因为风险规避的投资者会因为承担了额外的风险而要求更高的回报。在正向冲击中,杠杆效应与波动反馈效应有着相反的影响,而在反向冲击中,两种效应同时导致价格降低。因此反向冲击对价格有着比正向冲击更大的影响。在其他市场,比如债券市场(Fleming and Remolona 1997)和外汇市场(Galati and Ho,2001;Andersen,,Bollerslev,Diebold and Vega ,2003;Michael Ehrmann,Marcel Fratzscher,2005)也有不少实证结果证明了不对称性的存在。Bollerslev, Diebold 和 Vega (2003)以及Faust, Rogers, Wang and Wright (2003)使用5分钟和20分钟的数据对不同的汇率进行了研究,发现美国宏观数据发布对汇率有显著影响,其中实体经济和前瞻性新闻对汇率影响最大,价格因素则影响有限。Galati and Ho (2003)发现在他们的研究期(1999-2000)内,市场完全只对坏消息产生反应,而对好消息完全忽略。基本上,所有的研究都只认为,金融市场对坏消息的反应要比对好消息的反应更加剧烈。但始终没有一种理论能够解释,为何这样一种现象会广泛存在于从股票到债券到外汇等一系列金融市场。本文认为,新闻效应的这种不对称性是人在不同市场状况下心理状态不同而造成的,即在上涨过程中较为乐观,因而对好消息更为敏感;在下跌过程中较为悲观,因此对坏消息更加敏感。回顾先前的研究,其所取的研究数据都是处于下跌期,这无疑会造成结果的偏差。
▲▲二、模型与数据
本文采取的模型形式为:
其中是美元指数。之所以选美元指数做研究对象,是因为目前的外汇市场其实是以美元对其他货币进行标价的市场,如果选双边汇率必然涉及到对来自不同地区的新闻的反应敏感度不同的问题,也容易增大数据收集的难度。汇率变动的滞后值也被考虑进了方程中,以修正可能存在的自相关。
S是市场上基本经济数据的发布对市场的冲击(shock)。下脚标P表示这是一个正向冲击(positive shock),促使货币升值;N表示这是一个负向冲击(negative shock),促使货币贬值。它被定义为实际公布值()与先前的市场预期()之差。这里,我用实际公布值的上期数值()替代市场预期值3。它由以下式子得出:
其中除以样本标准差()是为了对数据进行归一化,以避免样本数据取值差异影响模型的实证效果。D是表示冲击类型的虚拟变量,在当冲击为正向冲击时取1,否则取0;在当冲击为负向冲击时取1,否则取0。I是描述当前汇率变动方向的虚拟变量,在当前美元正在升值时取1,否则取0;在当前美元正在贬值时取1,否则取0。
解释变量的选择上,本文选择的是原始数据(real time data)而不是经过修正的最终数据(revised data)。这是因为从原始数据的发布到最终数据的出台是有时滞的,投资者的投资决策往往是根据原始数据做出的,而且两者并不存在高相关性。在研究由市场决定的汇率水平时使用经过修正的最终数据,而不是经济主体进行决策时所依据的原始数据,会扭曲解释变量与被解释变量之间的关系。例如Orphanides (2001)发现,在使用美国原始数据对泰勒法则(Taylor rules)的效果进行研究时发现得到的结果与使用最终数据的结果完全不同。Koenig et al. (2000) 在对美国的GDP数据进行预测时,发现使用原始数据可以使预测效果得到明显的提升。出于以上考虑,本文所使用的是经济数据刚发布时的原始数据。时间跨度为1986年1月1日至2009年4月1日。在此期间包括两个升值贬值周期,以及一段震荡期,可以很好的去除样本偏差。主要变量如下表所示。
与模型相对应,我们要寻找的是基本因素数据每变动某个百分比对汇率会带来多大的变化,而不是基本因素数据绝对水平的变化带来汇率绝对水平变化多少。因此全部数据都经过如下处理:以绝对数值与指数形式存在的数据,如国民生产总值,非农就业和经理人采购指数等数据,求其改变速度后差分;已经以百分比形式存在的数据,如失业率、通胀预期等,求其差分。
另外一个问题是,在每度量经济的一个侧面时,采用多个指标是否会因为各个指标之间存在相关性而导致多重共线性?答案是不会的,因为看似应该高度相关的指标,由于收集方式与统计口径的区别,存在相当的差异性。以就业形势方面的数据为例。我们一般非常重视的美国非农数据,其实是就业数据的一部份。很多人想当然的以为,就业人数的增加,必定会出现失业率下降的结果。其实这是完全错误的。由于采集方式的不同,失业率与非农数据并非绝对此消彼长的关系。失业率,是由美国劳工部门根据报称失业人员及伸领失业救济金人员对整体就业人数的比率;而新增职位(非农数据) 则是美国劳工部对各企业新增职位(例如在报刊上刊登招聘广告) 的调查所得,其中包括了所有的临时职位,这会造成特定环境下,新增职位急增的现像。例如每逢是大选期间,新增了选区工作人员的临时职位,结果是新增职位大大超过其他时段。又例如十二月和四月,因为是节假黄金消费期,临时职位都会大增。由于采样的不同,失业率上升,但新增职位同时上升的情况也并非十分罕见。不同的数据其实反应的是经济形势的不同侧面。
▲▲三、实证分析
数据本身是经过差分的,经过ADF检验可以以99%的置信度确认该时间序列是平稳的。经过计算,Adjusted R-squared为0.6538,DW值为2.2576,则4-DW为1.7424,可以确定不存在序列自相关。经过white检验,nR2=27.719>F,存在异方差。使用white估计量重新进行回归,得到结果。
我们要验证的是,在不同走势下,各种变量的影响是否相同,亦即他们的系数是否相同。此处的问题属于联合假设检验,在本文中,验证方法如下:
首先,做出原假设:
其次,按照(1)式进行回归,并计算得到残差和,记为M。
再次,在加入原假设的情况下,对(1)式进行回归,并计算得到残差和,记为N。
最后,通过检验两者差异是否过于显著,可以检验原假设是否成立。此处所使用的统计量是,其中g为需要验证的假设的个数,n为数据样本个数,k为原方程的解释变量个数。
经过一系列计算,我们以下两个假设完成了检验:假设一,不同市场状态下,正向冲击与负向冲击对汇率的影响完全一样;假设二,正向冲击与负向冲击对汇率存在不对称性,但是市场状态与汇率对经济数据的变动的反应无关。得到的结果显示,第一个和第二个假设分别以99%的显著度被否定。而后面各组的F统计量甚至远远大于99%的统计量。也就是说,不同的市场状态与冲击的不同性质,毫无疑问带来了新闻效应的不对称性。
这可以从心理因素方面得到解释。当市场上涨期,投资者被希望和乐观所鼓舞,而在下跌期,又被恐惧所控制。这些非理性因素都扭曲了市场对新闻的正确解读能力。
▲▲四、该模型用于预测
使用该模型对美元指数进行预测,可以得到下图中的结果。
可以看到,该模型很好的解释了美元从1978年到1985年的升值,1985年到1988年的贬值,随后长达七年的震荡走势,以及互联网泡沫之后的贬值。不过,该模型对1995年至2000年的美元升值则没有反应。针对对这次美元升值所可能的两种不同解释,该模型在这里出现失误的可能的原因有二:
第一,如果这次美元升值是由于美国政府财政赤字的改善,那么这种错误来源于在建模过程中没有将财政赤字作为解释变量。之所以没有考虑财政赤字的影响,是因为财政赤字只有年度数据,无法与其他以月份和季度的数据放在一起处理。
第二,如果这次美元升值是由于互联网经济的引起,那么这种错误来自市场认为这种经济模式显著地改善了美元基本面的错误判断。因为该模型显示,互联网经济并没有给美元的基本面带来重大的改善,如果有的话,也只是一种概念上的改善,或者说是一种错觉。这种模型失灵现象的形成有可能形成于这样一种过程:互联网经济的发展,吸引了资本流入的增加;但是由模型计算得到的资本流入对升值中的美元作用较小,因此导致这种升值效应被低估了。如果这种假说成立,则说明美元的安全性对国外资本的依赖度在增加。
参考文献:
[1]Michael Ehrmann, Marcel Fratzscher. Exchange rates and fundamentals: New evidence from real-time data[J].Journal of International Money and Finance,2005;24
[2]Jon Faust, John H. Rogers and Jonathan H. Wright. Exchange rate forecasting: the errors we've really made[J].Journal of International Economics,2003;5:35-59
[3]Charles Engel, Kenneth D. West. Exchange Rates and Fundamentals, NBER Working Paper 10723, National Bureau of Economic Research, 2004
[4]Nelson C. Mark. Exchange Rates and Fundamentals: Evidence on Long-Horizon Predictability. American Economic Review,1995;3:201-218
[5]Christopher J. Neely and Lucio Sarno. How well do monetary fundamentals forecast exchange rates. Federal Reserve Bank of St.Louis Review,2002;9
[6]C. Engel, N. C. Mark, and K. D. West, Exchange rate models are not as bad as you think, NBER Working Paper 13318, National Bureau of Economic Research, 2007
[7] K. K. Lewis, Changing beliefs and systematic rational forecast errors with evidence from foreign exchange, American Economic Review, 79 (1989); pp:621-636
(责任编辑:张彬)