机器学习方法拟合宏观经济变量优于传统统计方法吗--基于经济政策不确定指数的拟合

采用机器学习技术(BP神经模型、随机森林分位数回归、长短期记忆神经网网络LSTM)和传统统计方法(ARIMA模型)相结合对美国、英国经济政策不确定指数(EPU)历史数据进行拟合,结果发现四种方法中,长短期记忆神经网络LSTM的拟合效果最优,其次是随机森林分位数回归方法和BP神经网络技术,ARIMA模型拟合效果最差。美国EPU历史数据时间维度比英国EPU历史数据时间维度长,因而LSTM神经网络技术的拟合效果优越度非常显著,ARIMA模型的拟合均方根误差几乎是LSTM神经网络技术拟合均方根误差的3倍。机器学习技术对宏观经济变量的非线性长期预测,尤其是在大数据背景下具有较强适用性。

经济政策不确定性冲击与股市波动率——来自宏观与微观两个层面的经验证据

近年来,我国股票市场波动性显著加大。本文基于1995--2016年我国股票市场波动率和个股波动率的月度数据,首先从宏观层面构建门限VAR模型捕捉经济政策不确定性对于市场波动率的非线性冲击,进一步基于微观企业角度分析经济政策不确定性对于个股波动率的影响。研究表明,经济政策不确定性上升不仅会明显加大股票市场波动率,而且会使个股波动率提高,因为投资者对公司基本面的意见分歧加大,同时市场悲观情绪增加。经济政策不确定性指数每上升一单位,个股波动率平均增加0.37%。随着经济政策不确定性上升和市场波动率加大,经济政策不确定性指数对于股市波动率的冲击会显著放大,表现出明显的非线性。我国政府在制定政策时应充分考虑到经济政策不确定性的影响,以避免金融市场波动。