文摘

作为资本市场最重要的组成部分,股票市场一直被认为是宏观经济的“晴雨表”。然而,许多研究人员发现,股票市场和宏观经济分别操作。本文利用动态贝叶斯网络方法研究中国宏观经济系统之间的动态关系和股票市场。研究发现,宏观经济系统和股票市场之间的相关性在不同的时间段不相符。大多数时候,股票系统和宏观经济系统是相对独立的。然而,一些宏观经济因素,如采购管理通过一些行业指数可能影响股票市场。一个结论是,股票市场的“晴雨表”的功能较弱,很容易被投资者的非理性情绪等因素。

1。介绍

研究宏观经济和股票市场之间的因果关系被许多研究者从熊彼特(1)提出了金融市场的作用在提高生产率和经济增长。金融市场方面发挥了越来越重要的作用在风险管理和资源分配对整个经济体系。中国股市成立于1990年代。随着中国改革开放的发展过程中,证券市场的规模也在扩大(2]。截至2020年11月5日,上市公司的市场价值在上海和深圳证交所已超过76万亿元,相当于2019年国内生产总值(gdp)的77.2%。股票市场越来越成为一个重要的平台,中国经济的市场化配置资源,拓宽企业的外部融资渠道。然而,看中国的经济发展过程,可以发现,其长期稳定增长趋势,股票市场的波动趋势显示巨大的矛盾。例如,SSEC指数下跌超过4000点2007 - 10至2008 - 10年期间,尽管中国国内生产总值的增长速度保持在9%左右。作为一个复杂的系统,股票市场是受到很多因素的影响,包括国际的。一些先前的研究认为宏观经济发展的主导股市的波动程度,和股票市场可以作为国民经济的“晴雨表”的宏观经济预测未来趋势。

有很多研究股票市场波动和宏观经济学的历史。在以前的研究中,最常用的模型是计量经济学模型,如VAR(向量自回归模型)3]。然而,这些模型主要采用人员检查通过小型集群变量的线性关系。由于计量经济学模型的局限性和数据依赖,宏观经济系统的指标往往选择基于研究者的经验,不能完全反映整个宏观经济系统的状态(4,5]。

因此,本文的目的是捕获的动态变化,中国股票市场和宏观经济之间的关系。贝叶斯网络,基于概率理论的定性建模方法,使用图表来表达变量之间的依赖关系(6]。它能很好地模块一个复杂的系统,如股票市场和经济体系。本文探讨了不同阶段的中国股票市场和宏观经济系统通过构建一个动态贝叶斯网络模型的宏观经济变量与股票市场。与网络的节点、结构变化是用于分析中国股市是否能作为国民经济的“晴雨表”。我们为现有文献在两个方面。首先,我们采用动态贝叶斯网络方法来捕捉动态股票市场和宏观经济指标之间的关系,包括货币指标和经济指标。第二,我们专注于宏观经济指标如何应对不同行业的股票指数和指数这两个系统之间的桥梁。

本文的结构如下。相关文献综述部分2。部分3简要介绍了贝叶斯网络的方法和所使用的数据集。部分4总结了实证结果与分析。结论和给出了一些讨论的部分5。

2。相关的工作

历史上的经济研究,研究者已经提出了很多理论为研究股票市场和宏观经济之间的关系。套利定价理论(APT)使用多个风险因素来解释资产回报,包括宏观经济因素(7]。APT表明系统性风险因素可以影响某些宏观经济因素和最终影响股票价格。例如,宏观经济基本面因素将会影响一个企业的股票回报通过经济活动的变化,利率,和公共费用。另一方面,股票价格的波动会影响宏观经济因素。厂家和消费者可能会扩大他们的支出或投资股市的繁荣,从而促进宏观经济增长。另一种理论来解释股票市场和宏观经济之间的关系是现值模型(PVM) (8]。PVM表明股票价格取决于未来现金流和折现率。只要宏观经济因素会影响这两个因素,它会影响股票价格。然而,实证研究表明,股票市场股票投机时不能反映信息。非理性的交易将加剧市场偏差的程度,导致偏离宏观经济(9,10]。行为金融理论认为,投资者将受到许多因素的影响,比如过度自信和从众心理,这可以解释宏观经济和股票市场之间的偏差11]。

有充足的实证研究检验股票市场和宏观经济之间的关系12]。一些研究人员发现,股票市场和宏观经济之间的关系是重要的,虽然有些没有发现他们之间的因果关系。汉密尔顿和林发现,之前美国股市的波动是经济周期(13),可以用来预测基本经济活动和经济周期的转折点。宏观经济周期在经济萧条时期有一个更大的对股票市场波动的影响。萧韦使用非线性动态月度指标来探索股票市场波动之间的动态关系和商业周期14]。结果表明,股票市场是商业周期的领先指标,可以用来预测商业周期的转折点。Gallegati调查之间的关系基于小波分析的股市回报和经济活动同期对美国1961-1-2006-10 (15]。结果表明,股票市场的回报往往导致总体经济活动在低频率基于最大重叠离散小波变换(MODWT)。穆克吉和纳卡使用结果模型来研究日本股市和六个宏观经济变量之间的关系(4),发现有一个股票价格和宏观经济变量之间的长期协整关系在不同时期。域和Louton建造了一个模型之间的非对称关系CRSP股指收益和美国失业率5]。研究结果表明,当股票回报率为负的时候,失业率大幅上升,股票回报率变得积极,失业率逐渐下降。Aylward和格伦研究了股票价格与宏观经济变量之间的关系在23个国家16),结果表明,股票市场价格有能力预测未来经济增长、收入、消费和投资,股票价格的变化导致了大多数国家的GDP的变化。Girardin和Joyeux试图占macrofundamentals的影响在中国股市的长期波动17]。他们发现宏观经济基本面和其波动性扮演越来越重要的角色在a股市场2001年之后,当中国进入世贸组织,使用GARCH-MIDAS方法。锅等人开发了一个新的GARCH-Jump-MIDAS模型来捕获的影响宏观经济变量和跳动力学对股票波动,这有助于提高投资组合的性能(18]。然而,一些研究人员得出了不同的结论。下肢痉挛性示例使用滚动回归方法,发现没有明显的股票收益和实际经济变量之间的关系(19]。Quadir国库债券利率的影响研究和工业产量在股票收益(20.]。

首次引入贝叶斯网络作为一种工具来处理多变量概率模型,和推论可以基于这些模型(6]。基塔等人使用动态贝叶斯网络建立宏观经济系统模型和理论分析方法的正确性和可行性(21]。弗里德曼和科勒构建了一个基于贝叶斯的信用风险度量模型方法(22]。基于股票价格波动的行为因素和股价均值回归理论,动态贝叶斯网络模型构造描述股票价格波动(23]。张等人建立一个货币网络基于贝叶斯网络,K2,和密度的主要因素,影响货币结构(24]。Khorram等人构建贝叶斯网络对100马来西亚股票证券(FBM100)股票之间的关系模型25]。一个连续时间贝叶斯网络分类器(CTBNC)开发并用来预测外汇汇率的别墅和斯特拉26]。王等人使用不同级别的数据构建贝叶斯网络的宏观经济层面,公司水平,股市回报(27]。在[28),王等人利用股票市场和宏观经济指标的中国和美国建立一个动态贝叶斯网络和比较分析了两国之间的差异。隐马尔可夫模型(HMM)是一种特殊的动态贝叶斯网络。哈桑和纳提出了股票价格预测方法的基础上,通过选择一组连续嗯四维数据集,寻找历史模式类似于当前数据模式来预测股票价格(29日]。托马斯等人用嗯链接与信用风险债券期限结构和使用嗯来描述的依赖债券信用评级变化和利率变化在两个随机过程(30.]。在[31日),阿拉贡使用贝叶斯网络的概率调查的患病率在墨西哥金融稳定的家庭。柴等人量化water-energy-food-economy-society-environment之间的因果关系在中国32]。从上面的研究,我们发现贝叶斯网络可以采用调查因素之间的因果关系路径,它可能是有用的在经济领域的研究。

本文构造了一个基于股票市场指数的动态贝叶斯网络和宏观经济因素。在此基础上,我们利用贝叶斯因子图跟踪它们之间的动态关系。本研究的创新在于使用宏观经济和股票市场因素构建贝叶斯网络。研究结果有助于深入理解和识别可能的宏观经济因素影响股票市场。

3所示。方法和数据集

3.1。贝叶斯网络

贝叶斯网络是一种图形化的模型。图中的节点代表随机变量 ,和边缘代表概率变量之间的依赖关系(33,34]。

贝叶斯网络的图形结构是一个有向无环图(DAG), ,在哪里是节点集和边集。每个节点吗 对应于一个随机变量 。在这工作,将所选宏观经济和股票市场的因素之一。DAG定义分解全球的概率分布 为一组本地每个变量的概率分布。贝叶斯网络的马尔可夫性质给出了形式的分解(34),说明每一个变量只取决于其父母 。的父母顶点直接指向通过一个单一的边缘。

基于维分离(direction-dependent分离)35),和图形之间的对应关系有条件的独立分离已经扩展到任意三联体的不相交的子集由珍珠(33,36]。因此,配件一个贝叶斯网络可以执行的任务在两个不同的步骤:首先,尽量学习贝叶斯网络的图形结构,然后估计当地的条件分布函数的参数结构学到的第一步。

尽管有许多可能的选择为全球和当地的分布函数,我们选择多元正态分布考虑宏观经济指标的连续性。因为有两种类型的贝叶斯网络基于事件等价的区别,贝叶斯网络在本文中特指高斯信念网络(37]。

3.2。结构学习算法

在本文中,我们采用参考结构学习算法、爬山(38),一种贪婪的搜索算法。每个候选人网络分配网络的分数反映其拟合优度的启发式算法然后试图最大化。爬山算法如表所示1(35]。

常用网络分数高斯贝叶斯相当于(知母)得分,Wishart后验密度相关的网络与统一之前的空间网络结构和参数的局部分布(35,37]。

3.3。知母得分

在整个讨论中,我们使用表示联合概率密度函数(pdf)的背景知识 。背景知识可以先验假设,我们发现在早期研究。然后,方程(1)可以写成

高斯认为网络是一对 ,在哪里是一种信念网络结构,编码条件独立的断言 ,和pdf文件对应的是一组结构。我们假设的联合概率密度函数是一个多元正态分布和当地的分布是由线性单变量正常随机变量与约束。至于因素我们采用了本文,我们做了一个正常的测试保证假设的个人因素。在这种情况下,有条件的分布可以写成 在哪里是无条件的吗 , 条件方差的吗给定的值 ,和是一个线性系数反映的强度之间的关系和(37,39]。

给定一组的病例 ,一个贝叶斯网络结构的善良是它的后验概率: 在哪里 是归一化常数。因为有太多的网络结构甚至小规模的求和 ,我们考虑 和使用 随着分数(37]。

在一些假设和推导,由盖革和Heckerman[第一次描述了37),与分数可以写成 在哪里是数据库限制的变量 。 是一个事件对应于结构(“e”代表事件)。适用如果数据库是一个随机样本从最小的信念网络结构 。 是一个完整的高斯信念网络没有失踪的边缘。

3.4。将动态贝叶斯网络

有一些方法将动态贝叶斯网络。灵感来自于“滑动窗口算法”王等人的文章中介绍了在28),动力可以被纳入模型的贝叶斯网络结构。

假设我们想要的动力学模型因素 在一段时间内的规模 以观察到数据库在同一时间段: 。对于每一个时间在规模 ,我们构建一个贝叶斯网络基于数据库 。一个离散时间其中 和 ,我们将得到一个贝叶斯网络的时间序列: ,在哪里 。 将被称为动态贝叶斯网络,结合动力学使用“滑动窗口算法。“为了确保网络结构不仅能反映变量之间的变化关系但也消除边缘不那么重要或更少的重量,我们使用的方法自动选择最优马尔科夫毯,选择合适的阈值且只显示边缘强度大于阈值的贝叶斯网络图。

3.5。经济和股票市场因素

本文建立了一个动态贝叶斯网络模型利用一些宏观经济指标的月度数据和返回率从数据库风工业股票指数。为了使所选择的因素有合格的数据时间间隔期间,我们选择2007年1月,2020年7月开始和端点。这段时间包括严重的时期股市重大事件如2008年的全球金融危机,2015年,中国的股市动荡,中国股市的改革。对宏观经济有巨大的因素。和处理大规模的变量是一个贝叶斯网络的优势。这些宏观经济因素的细节如表所示2。

IAV的快速增长率通常表明经济正在迅速增加。这个因素表明,企业在社会处于良好的操作条件,这可能会给人一个好的预期回报的股票。对于固定资产投资,这是一个综合因素,反映了规模之间的关系,速度和固定资产投资的比例。选择CPI和PPI的原因是一些前研究人员发现,通货膨胀对股票市场有巨大的影响。电动汽车和灵智广告被广泛用于评估宏观经济环境因素。科幻小说是指体积中国国内金融系统提供的资金的私营部门在一个给定的时间框架内实体经济。平方米,呃,和红外指标来衡量货币供应量和货币市场的状况。

至于股市,不同于以前的研究中,我们使用不同行业的指数。和股票市场因素如表所示3。

我们选择6个不同行业,对于每一个行业,我们使用工业股票指数的回报率在风中数据库。为了测试这些行业和上证综合指数之间的关系,我们添加了SH。所有的返回率已经转化为指数对数返回率。

所有这些数据来自数据库除了利率风,Shibor的官方网站。

4所示。计算实验和结果

4.1。计算实验

我们下载了12个宏观经济指标 和7股市指标 介绍了前一系列的部门通过风数据库163个月的数据从2007年1月至2020年7月。因为我们将使用高斯bn的分析,所有的数据都是对数收益率。根据区间分析,案例集 将会不同。例如,假设我们想学习BN的结构在一个时间窗口(2007 - 01、2007 - 12);的情况下 将包含数据在时间窗口。根据HC算法,我们将选择一个随机网络结构的节点 。为方便写作,我们把V结构 开始网络结构。观察到的数据库的设置 。然后,我们可以计算精度矩阵 。从[39),我们知道Wishart分布,我们可以得到精度矩阵的 。因为我们有12个月的数据 ,我们可以得到 递归。然后,我们将获得 在哪里 。通过方程(5),我们可以获得最后的密度。

到目前为止,我们已经开始计算网络的结构。根据HC算法,我们将重复步骤4表1通过添加一个新的节点之间的边,删除现有的边缘,或扭转的方向现有的优势来获得分数最高的结构。必须指出的是,计算复杂度随着节点数的增加呈指数增长。为了能够在有限的时间内完成计算,我们采取了一种启发式算法,可以称为(33]。自产生的网络是空的,然后我们决定学一组网络平均他们一个健壮的结构。在本文的其余部分,所有的贝叶斯网络与一个阈值平均网络切断弱边缘。由于计算过程涉及两个方向的边缘,最终结果给每条边的更强的方向。

4.2。完整的样本区间分析

首先,我们使用宏观经济和股票市场因素来创建我们的模型。为了减少干扰专家知识结构的学习,我们生成的均匀分布的贝叶斯网络的空间连接图。一个贝叶斯网络构造从整个数据(2007 - 01、2020 - 07)如图1。后验概率大于阈值的边缘0.85呈现在图1。股票市场变量和宏观经济变量在两个单独的集群形成,传达了这样一种暗示:中国股票市场和宏观经济的独立运作。一般来说,中国的股票市场的“晴雨表”效应在宏观经济性能是失踪。从真正的宏观经济的长期表现,中国股市的增长范围和趋势不符合宏观经济产出;从短期的角度来看,股票市场的趋势甚至偏离宏观经济形势变化,这种现象通常归因于货币政策的逆周期调节。然而,从本文的结果,指标M2货币政策对股票市场的影响是不显著的,并没有直接链接到股市除了在2010年7月。2011年,在证监会上任后,郭Shuqing开始整顿混乱和无序中国股市的运行机制:退市制度和强制性的股息分配的实现系统,长期机构投资者的引入,打击内幕交易,交易的放松控制和加速度的一系列制度变迁环境的改善并购和税收减免等措施。股票市场和宏观经济之间的联系然后逐渐建立更多的时候,我们可以看到从经验我们滑动窗口的一部分。

有两个普遍接受的因素可以解释中国股市的不相关性整体宏观经济样本范围。首先,它是投资者非理性交易行为的比例。散户投资者在中国股市中占据主流。根据上海证券交易所统计年鉴在中国,散户投资者的数量从2008年到2016年达到80%。其交易行为不应对边际经济信息和反应过度的变化对股票价格的变化。此外,中国经济的信息披露不完整,这也导致了有效市场假说在中国的失败。此外,中国股市的交易系统也有很大的缺陷:不对称保证金交易(甚至缺乏保证金交易渠道对于大多数股票),缺乏市场制造商,T+ 1交易系统大大降低了二级市场的流动性,使股价迅速反映宏观经济信息的成本上升。另一个因素是股票市场相对较小的大小与宏观经济变量相比,和改变并不一定有重大影响的部分。从融资的角度,中国近80%的融资提供的信贷。方面的市场规模,市场价值的金融产品,如商品、债券、贵金属与股市,房地产市场,占据了大部分的金融产品相当一部分的时间40]。即使有一个传播的宏观经济和股票市场之间的关系理论,因为宏观经济的边际变化通常是整体的变化,它并不一定导致股票市场的变化,它仅仅是一个整体的一部分。相比之下,结构性change-irrational交易、杠杆金融机构地位,影子银行,所以可能会影响到股票市场更重要的是(41]。

采取宏观经济系统中最长的传导路径为例,FAI-RSCG-M2-EV-IAV-KI-PMI-IR-ER,固定资产投资位于初始节点在整个网络。人民币汇率和利率等变量位于网络的尾巴。社会融资,出口工业增加值,CPI,和其他因素描述国家宏观经济和通货膨胀传导的作用。作为中国经济的三驾马车的一个重要组成部分,固定资产投资工具产生重大影响宏观经济的基本面。股票市场的内部传输路径更简单;不同行业之间的收益率的层次结构是短比宏观经济系统。作为初始点的网络驱动整个股市,上证综合指数和金融行业收益率指标对整个系统有很大的影响。

图1是一个完整的样本区间的一般结果。绿色因素选择宏观经济指数作为我们在前一部分介绍;黄色的因素是股票市场的因素。如图片所示,这两个系统是完整的取样间隔分开。为了检测这个结果是否稳定在每一个时期,我们采用“滑动窗口”的方法试图捕捉系统的拓扑结构的动态变化。

4.3。滑动窗口分析

当我们提到的部分3所示。5学到的,我们平均网络结构学习步骤产生一个更健壮的模型。平均网络是由一组学习时间,2000(默认数量相比,200)。这些因素的时间段 :2007 - 01 :2020 - 07。对于滑动窗口的设置,如果间隔时间太短,很难形成一个规律,如果太长,它将无法捕捉的动态变化。我们把第一12个月( , )( :2008 - 01)作为样本外期间, , )作为样本。在此基础上,我们向前滑动一个月一次,这意味着滚动一步是设置为1个月。每个月t在[ , 期间),我们使用数据(t-12, t - 1)构建因素图。

我们的计算结果表明,股票市场和宏观经济因素之间的相关性并不出现在每一个时间点。考虑到贝叶斯网络结构学习算法的启发式方法用于本文网络结构显示了概率分布的特点。我们使用上证综合指数为背景,用红色框标记一段有一个稳定的相关性 (相关时间的长度大于6个月)在股票市场和宏观经济之间,如图2。灰色背景线是上证综合指数从2008 - 01至2020 - 06年,和其他颜色的线是行业指数。橙色的列代表宏观经济和股票市场之间的连接边缘。虽然无关的时期更常见,我们仍然找到几个连续的连接时间阶段。我们定义系统相关性程度 、测量强度的宏观经济和股票市场之间的联系。红框标记五个时期稳定相关:阶段1:(2010 - 03、2010 - 08年);阶段2:(2012 - 07年度,2013 - 02);阶段3:(2013 - 12,2014 - 06);阶段4:[2016 - 02年,2017 - 04);第五期:2017 - 06年,2018 - 01。

它可以发现这些稳定的宏观经济和股票市场之间的相关性阶段发生在股票市场的稳定的时期。在[2008 - 01、2008 - 10]和[2014 - 8,2015 - 08年),当时在中国股票市场不稳定,缺乏宏观经济节点之间的桥梁和股市贝叶斯网络中的节点。从2007年到2008年,全球金融危机爆发。中国股市经历了一个从牛市熊市。2009年危机基本结束后,上证综指大幅反弹。从2014年到2015年,中国股市也经历了一个从牛市熊市。这两个大型市场的波动性有相似之处。首先,投资者的情绪经历了顺周期的变化。大起落经常陪同,分别由过度乐观投资者情绪和过度的恐慌和不基于边际经济信息。其次,杠杆比率也经历了顺周期的变化:在牛市期间,投资者利用基于乐观的预期增加,高杠杆带来的增量资金进一步推高股票价格,股票价格上涨刺激非理性投资和杠杆进一步积累,直到整个股票市场保持一个非常高的价格水平与极高的影响力。 Once the price drops a little, it will trigger a chain collapse of leverage and the spread of panic. This suggests that, in a period of the unstable stock market, the macroeconomic fundamentals are no longer the dominators of the stock price. Besides, the proactive macroeconomic policy—a countercyclical monetary policy aimed at asset price stability—is basically ineffective at this stage: during the period from January to October 2007, the People’s Bank of China increased deposit and loan interest rates five times and deposit reserve ratio rates eight times. Of these 13 policy adjustments, the price fell only once on the first trading day after the increase was announced. The Shanghai Composite Index rose sharply from 2675 points to 6124 points. In the May-to-October fall in 2015, four RRR cuts were carried out to supply liquidity, but the final effect was not good. The Shanghai Composite Index fell from 5178 points to 3052 points. A principal element that dominates the change of the stock market is investor sentiment. Considering the large proportion of individual investors in China, “herd behavior” is more significant compared with developed countries, which increases the volatility of the stock price in the bear market.

在[2011 - 01、2014 - 06]和[2016 - 03、2017 - 12],与小波动,股票价格总体稳定和宏观经济之间的关系系统和各种行业指数增加(4稳定相关阶段)。有更少的非理性交易期间。股票市场往往是理性的,股票价格更准确地反映了企业的内在价值。在此期间,公司利润主要受到宏观经济的影响,和宏观经济因素的变化可以反映在股票价格上。

4.4。在稳定时期的影响路径

在每一个稳定时期,节点连接股票市场因素和宏观经济因素是不一样的,所以边缘强度。这里,我们从每一个网络稳定时期显示这两个系统之间的关系的演变。在图3,所有的方向边缘来自宏观经济与股市除了在图3 (c)。

后验概率的细节和连接边缘图的弧强度3表中列出4。从概率表4,我们可以看到,他们都是0.50以上,其中有一些是高于0.60,这意味着如果我们有父节点决定证据,我们可以推断子节点。

从图3稳定,第三期(2013 - 2014 - 06)有不同的结构与其他四个时期。贝叶斯网络包含一个箭头从证券市场宏观经济变量指标。2014年,美国量化宽松政策的规模,减少和中国政府提出“Likonomics”同时,试图将中国经济从出口驱动型。图3 (c)表明工业指数的回报率有一定的对出口总额的影响。2014年,多个改革政策在资本市场推广在中国,包括一个实验优先股今年3月,上海-香港股市交易互连机制在11月。尤其是上海-香港股票连接为外国投资者提供了买股票在中国内地上市。所有这些政策奠定了政策基础在2014年底股市的繁荣。

我们关注货币因素,“平方米”,例如,我们可以发现路径的长度从货币因素“平方米”股票市场因素已经延长。时期1(2010 - 07),“平方米”直接边缘节点“WI_Fin”,这意味着货币供应量突然改变政策影响金融业的回报率。第五期(2017 - 07),之间没有直接的边缘和股市“平方米”,这表明投资者无法预测股票市场的崛起只是根据货币政策。2010年,有边缘M2和灵智指出股票市场。M2增长在全球金融危机的特点不同于那些在金融危机之前。在金融危机之前,中国已经积累了巨额贸易顺差。这时,M2主要是来自外汇资金,属于被动释放的货币。2010年,全球金融危机结束,但国际贸易造成了严重的伤害。在这个时候,中国货币供应量主要用于刺激经济复苏,配合积极的财政和产业政策。这反映在证券的比例的增加国家债务由中央银行的资产负债表,这是相对稳定的。 In a rational market environment, loose monetary environment and active finance are finally reflected in the mechanism of the stock market through the boosting effect of consumption. In addition, compared with 2009, the growth rate of M2 in 2010 has experienced a marginal slowdown. To a certain extent, it also led to a correction in the stock market at a higher price. In the process of economic recovery, China’s industrial structure has been continuously optimized, and the proportion of the tertiary industry has continued to increase. At the stage of 2010 to 2012, RSCG acted on the financial sector, the consumer sector, and the Shanghai Stock Exchange Index, respectively.

这两个五结构包含桥节点“采购经理人指数”在宏观经济系统的股票市场,这意味着“采购经理人指数”可能与股票市场有直接联系。为了探索在牛市的关系,我们使用的数据从2014年开始的牛市(2014 - 04)的这段时间(2015 - 05)。这段时间的贝叶斯网络图所示4(一)。

我们注意到,宏观经济对股票市场之间的桥梁节点:李克强指数(KI),采购经理指数(PMI),医疗行业返回率。

PMI是一个全面的经济指标,总结了中国制造业的总体情况,就业,性能和价格。我们可以看到在图4(一)PMI由节点直接CPI的影响,表明通货膨胀率密切相关。很少有相关工作在中国采购经理人指数和股票市场之间的关系。在[42),刘等人分析了采购经理人指数与沪深300指数之间的关系像ACCA使用方法。他们发现,股票市场的程度和经济互相影响有关不仅趋势的两个还的大小变化。

另一个稳定的时期,期间5(2018 - 06年,2019 - 01),涵盖了熊市牛市相比我们提到的前部分。我们采用数据从熊市的开始时间(2018 - 01)到最后(2018 - 12)研究了贝叶斯网络。结果如图4 (b)。PMI的最短路径的节点相比股市4边在图14(一),这意味着PMI和股市之间的相关性较弱的牛市相比。我们的结果证实了一半的结论(42),我们显示,采购经理人指数和股票市场之间的关系,但我们找不到任何证据,是受到他们的大小变化的关系。在此期间,发生了巨大的连续外生不确定性。全球经济复苏已略微放缓,经济复苏和量化宽松政策的长期实施,对于滞胀的预期已经上升。此外,受长期宽松的货币,富人和穷人之间的差距在美国为代表的发达经济体进一步扩大。在此背景下,民粹主义的抬头。特朗普在2017年掌权时,英国发起Brexit程序,特朗普在2018年正式启动了一项针对中国的贸易战争,和世界经济一体化的过程中遭受了严重的打击。在此期间,特朗普成为所代表的政治不确定性的主要因素影响股票市场,这大大增加了投资者的风险厌恶(43]。即使宏观经济条件改善,投资者无法确定是否可以持续改进。所以,他们不会对边际宏观经济的变化,宏观经济和股票市场也在这个阶段分离出来。直到COVID-19爆发在2019年底结束,特朗普的术语,国际政治的不确定性的担忧变成了担心的不确定性的影响COVID-19 [44,45]。外生不确定性大大削减了股票市场和宏观经济之间的联系通过改变投资者的风险偏好和削弱投资者的稳定预期的经济信息。

5。结论

由于贝叶斯网络尚未广泛应用于社会经济和金融领域的分析,有许多有意义的研究课题进一步。有别于传统的计量经济学方法,贝叶斯网络更直观的揭示经济变量之间的关系,股票市场的回报。中国宏观经济和股票市场因素的基础上,本文构造了一个动态贝叶斯网络。尽管如此,由于“滑动窗口”的使用方法,贝叶斯网络在特定的时间介绍了平均结构在过去的时期,它也揭示了宏观经济系统的一些有用的信息。独立的网络图所示1声明,试图利用宏观经济信息投资股市不会带来超额收益的投资者。

一般的贝叶斯网络表明宏观经济和股票市场独立运作。我们认为,造成这一现象的主要因素是非理性的交易和中国股市的规模相对较小。根据统计年鉴中国证券登记结算公司,机构投资者的数量只占总数的0.238%的投资者在2019年。由于大部分散户投资者通常行为非理性交易行为和中国股市的规模小,宏观经济基本面变化的影响在股票市场上大多数时间并不重要。此外,我们发现五个稳定时期出现两个系统之间的直接联系。在这五个时期,股票市场的波动相对较小,和有更少的非理性投资。通过研究一定时期在稳定相关阶段,我们发现PMI是宏观经济系统之间的桥梁和股票市场的大部分时间。在稳定时期,采购经理人指数对股市有影响,但这种影响将改变股票市场的趋势。除此之外,从M2的连接路径的股票市场一直在扩大在中国随着股票市场的发展。2018年之后,巨大的外生冲击所代表的政治不确定性和COVID-19增加了投资者的风险厌恶情绪,加剧投资者对经济稳定的预期。 As a result, the connection between the stock market and the macroeconomy could not be reflected in Bayesian networks.

数据可用性

宏观经济和股票市场数据用于支持本研究的结果中包括这篇文章。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国科学院大学和中央大学的基础研究基金。