经济政策不确定性与系统性金融风险的动态关联及传导机制研究

经济政策不确定性与系统性金融风险的动态关联及传导机制研究一、引言1.1研究背景与意义在全球经济一体化进程不断加速的大背景下，经济政策不确定性与系统性金融风险已成为影响经济稳定和可持续发展的关键因素。2008年美国次贷危机引发的全球金融危机，让世界深刻认识到系统性金融风险一旦爆发，将对经济和社会造成巨大冲击，而经济政策的不确定性在其中扮演着不容忽视的角色。此后，欧债危机、英国脱欧、中美贸易摩擦等一系列国际重大事件，进一步加剧了全球经济政策的不确定性，使得金融市场的稳定性面临严峻挑战。经济政策不确定性是指市场参与者对政府未来经济政策走向无法准确预知，这种不确定性可能源于政策制定者的决策变动、经济形势的复杂多变以及国内外政治经济环境的动态调整等。它不仅影响着企业和投资者的决策行为，也对金融市场的稳定运行产生深远影响。当经济政策不确定性增加时，企业和投资者对未来经济前景的预期变得模糊，可能会推迟投资决策、减少消费支出，从而导致经济增长放缓。此外，经济政策不确定性还可能引发金融市场的波动，增加金融机构的风险承担，进而威胁到整个金融体系的稳定。系统性金融风险则是指由单个或少数金融机构的风险事件引发，通过金融体系内部的传导机制，扩散至整个金融系统，导致金融功能受损、经济衰退甚至社会动荡的风险。它具有传染性、复杂性和内生性等特点，一旦爆发，其影响范围之广、破坏力之大超乎想象。例如，一家大型金融机构的倒闭可能引发连锁反应，导致其他金融机构的资产价值下降、流动性紧张，进而引发整个金融市场的恐慌，最终对实体经济造成严重冲击。经济政策不确定性与系统性金融风险之间存在着紧密的关联。经济政策的不确定性可能通过多种渠道影响系统性金融风险，如资产价格波动、信贷收缩、风险传染等。一方面，经济政策不确定性的增加会导致投资者对未来收益的预期降低，从而引发资产价格的下跌和波动加剧，这可能使金融机构的资产质量下降，增加其风险暴露。另一方面，经济政策不确定性还可能导致企业和个人的融资难度加大，信贷规模收缩，进而影响实体经济的发展，增加系统性金融风险。而系统性金融风险的上升也会反过来影响经济政策的制定和实施，使得经济政策的不确定性进一步加剧。对经济政策不确定性与系统性金融风险的动态联动性展开研究，无论是在理论层面还是实践领域，都有着极为重要的意义。从理论角度来看，深入探究二者之间的关联机制，有助于深化对金融市场运行规律的理解，丰富金融风险管理理论，为金融理论的发展提供新的研究视角和方法。现有的研究虽然已经对经济政策不确定性和系统性金融风险分别进行了大量的探讨，但对于二者之间的动态联动关系，仍存在诸多未被充分挖掘的领域。本研究致力于填补这一理论空白，通过构建科学的理论框架和实证模型，系统分析经济政策不确定性如何影响系统性金融风险的生成、传导和扩散，以及系统性金融风险又如何反馈于经济政策不确定性，从而为金融风险管理提供更为坚实的理论基础。从实践层面而言，研究经济政策不确定性与系统性金融风险的动态联动性，能为政策制定者提供极具价值的决策参考，助力其制定更为科学合理的经济政策，增强政策的稳定性和可预期性，有效降低经济政策不确定性，进而防范和化解系统性金融风险。在制定货币政策时，政策制定者可以充分考虑经济政策不确定性对金融市场的影响，避免政策的频繁调整和大幅波动，保持货币政策的稳健性和连续性。此外，对于金融监管部门来说，了解二者之间的动态联动关系，有助于加强对金融市场的监管，及时发现和预警系统性金融风险，制定相应的监管措施，维护金融体系的稳定。对于企业和投资者而言，掌握经济政策不确定性和系统性金融风险的动态变化趋势，能够帮助他们更好地进行风险管理和投资决策，降低风险损失，提高投资收益。1.2研究思路与方法本研究将遵循理论分析、实证检验、案例研究以及政策建议的逻辑思路，对经济政策不确定性与系统性金融风险的动态联动性展开全面且深入的探究。在理论分析层面，将系统梳理经济政策不确定性与系统性金融风险的相关理论，深入剖析二者之间的内在关联机制。详细阐述经济政策不确定性如何通过资产价格波动、信贷市场变化、投资者信心等渠道影响系统性金融风险，以及系统性金融风险的变化又如何反馈于经济政策，进而加剧经济政策的不确定性。从理论层面明确二者之间的相互作用路径和影响因素，为后续的实证研究奠定坚实的理论基础。在实证检验阶段，将运用计量经济学方法，构建科学合理的实证模型，对经济政策不确定性与系统性金融风险的动态联动关系进行量化分析。收集和整理相关的经济金融数据，包括经济政策不确定性指数、系统性金融风险指标以及其他相关的宏观经济变量数据。运用向量自回归（VAR）模型、向量误差修正模型（VECM）、格兰杰因果检验等方法，分析经济政策不确定性与系统性金融风险之间的因果关系、动态响应以及脉冲响应函数，以揭示二者之间的短期和长期动态联动特征。同时，采用面板数据模型，对不同国家或地区的数据进行分析，以检验研究结果的稳健性和普遍性。案例研究也是本研究的重要环节。通过选取具有代表性的经济事件或金融市场波动案例，如2008年全球金融危机、欧债危机、英国脱欧等，深入分析在这些特定事件背景下，经济政策不确定性与系统性金融风险的动态变化以及二者之间的相互作用过程。通过案例研究，能够更加直观地展现经济政策不确定性与系统性金融风险的动态联动性在实际经济运行中的表现，为理论分析和实证检验提供更为具体和生动的证据支持。基于理论分析、实证检验和案例研究的结果，本研究将为政策制定者提供具有针对性和可操作性的政策建议。从宏观经济政策制定、金融监管体系完善、市场参与者行为引导等多个方面，提出降低经济政策不确定性、防范和化解系统性金融风险的具体措施和政策建议，以促进经济金融的稳定健康发展。为了实现上述研究目标，本研究将采用以下具体研究方法：文献研究法：广泛查阅国内外相关文献，全面了解经济政策不确定性与系统性金融风险的研究现状和前沿动态。梳理已有研究成果，分析现有研究的不足和有待进一步深入探讨的问题，为本研究提供坚实的理论基础和研究思路。通过对文献的综合分析，明确经济政策不确定性与系统性金融风险的定义、度量方法、影响因素以及二者之间的关联机制，为后续的研究提供理论支撑和研究方向。实证研究法：运用计量经济学方法和统计分析工具，对经济政策不确定性与系统性金融风险的动态联动关系进行实证检验。通过构建VAR模型、VECM模型等，分析变量之间的动态关系和因果联系；运用格兰杰因果检验判断经济政策不确定性与系统性金融风险之间的因果方向；采用脉冲响应函数和方差分解分析二者之间的动态响应和贡献度。此外，还将运用面板数据模型，对不同国家或地区的数据进行分析，以增强研究结果的可靠性和普遍性。案例研究法：选取典型的经济事件和金融市场波动案例，进行深入的案例分析。详细分析在这些案例中，经济政策不确定性与系统性金融风险的变化情况，以及二者之间的相互作用机制。通过案例研究，能够更加直观地展现经济政策不确定性与系统性金融风险的动态联动性在实际经济运行中的表现，为理论分析和实证检验提供具体的实践依据。比较分析法：对不同国家或地区在不同经济发展阶段和政策环境下，经济政策不确定性与系统性金融风险的动态联动性进行比较分析。通过比较不同国家或地区的差异，揭示经济政策不确定性与系统性金融风险的动态联动性在不同条件下的表现特征和规律，为政策制定者提供具有参考价值的经验教训和启示。1.3研究创新点本研究在方法运用、数据选取和视角分析等方面具有独特之处，展现出一定的创新性。在研究方法上，本研究创新性地综合运用多种计量模型，全面深入地剖析经济政策不确定性与系统性金融风险的动态联动关系。传统研究多采用单一模型，难以全面捕捉二者复杂的关联。本研究将向量自回归（VAR）模型、向量误差修正模型（VECM）、格兰杰因果检验以及脉冲响应函数和方差分解等方法有机结合。VAR模型和VECM模型能有效分析变量间的动态关系和长期均衡关系，格兰杰因果检验可明确因果方向，脉冲响应函数和方差分解则能精准衡量变量间的动态响应和贡献度。通过这种多模型联用的方式，能够从多个维度深入探究经济政策不确定性与系统性金融风险的动态联动特征，弥补了单一模型分析的局限性，使研究结果更加准确、可靠。在数据选取方面，本研究在收集和整理宏观经济数据的基础上，创新性地引入微观金融机构数据和金融市场高频数据。传统研究主要依赖宏观经济数据，难以反映金融市场的微观结构和短期波动。本研究加入微观金融机构数据，如金融机构的资产负债表数据、风险管理指标等，能够从微观层面揭示经济政策不确定性对金融机构风险承担行为的影响，以及金融机构之间的风险传染机制。同时，纳入金融市场高频数据，如股票价格、债券收益率、外汇汇率等的高频波动数据，能够更及时、准确地捕捉金融市场的短期波动和风险变化，从而更全面地分析经济政策不确定性与系统性金融风险的动态联动关系，为研究提供了更丰富、更细致的数据支持。从研究视角来看，本研究从宏观经济政策、微观金融机构行为以及金融市场传导机制三个层面，构建了一个全方位、多层次的分析框架，系统地研究经济政策不确定性与系统性金融风险的动态联动性。以往研究多侧重于某一个层面的分析，难以全面把握二者之间复杂的相互作用关系。本研究通过宏观层面分析经济政策不确定性对宏观经济环境和系统性金融风险的总体影响；微观层面探究金融机构在经济政策不确定性下的行为决策和风险承担变化；金融市场传导机制层面剖析风险在金融市场中的传播路径和放大效应。这种多层面的研究视角，能够更全面、深入地揭示经济政策不确定性与系统性金融风险之间的内在关联机制，为相关研究提供了一个全新的分析框架和思路。二、文献综述2.1经济政策不确定性相关研究经济政策不确定性是指市场参与者难以准确预测政府未来经济政策的走向、内容及实施时间，进而导致经济环境的不稳定和不可预测性。这种不确定性涵盖了财政政策、货币政策、贸易政策、产业政策等多个方面，对经济主体的决策和经济运行产生重要影响。早在20世纪70年代，就有学者关注到经济政策的变化对经济主体行为的影响。随着经济全球化和市场复杂性的增加，经济政策不确定性的研究逐渐成为经济学领域的热点话题。Baker、Bloom和Davis在2016年提出了一种广泛应用的经济政策不确定性度量方法，即通过构建经济政策不确定性指数（EPU指数）来衡量。他们基于10家美国主要报纸的报道频率，统计包含“经济”“不确定性”以及与政策相关术语（如“国会”“赤字”“美联储”等）的文章数量，以此反映经济政策不确定性的程度。该指数具有较高的时间分辨率和广泛的覆盖范围，能够较好地捕捉经济政策不确定性的动态变化。此后，许多学者在此基础上进行了拓展和改进，如通过增加报纸样本、调整术语选择等方式，构建了不同国家和地区的经济政策不确定性指数，以适应不同的研究需求。国内学者在经济政策不确定性的度量方面也进行了积极探索。部分学者结合中国的实际情况，利用文本挖掘技术从国内权威媒体报道、政府文件等文本中提取与经济政策不确定性相关的信息，构建了中国的经济政策不确定性指数。这些指数不仅考虑了政策的宏观层面，还关注了微观经济主体对政策不确定性的感知，使得度量结果更加贴近中国经济的实际运行情况。经济政策不确定性对宏观经济有着广泛而深刻的影响。大量研究表明，经济政策不确定性的增加会导致投资和消费的下降，进而抑制经济增长。当经济政策不确定性上升时，企业和投资者对未来经济前景的预期变得模糊，面临的风险和不确定性增加，这使得他们更倾向于推迟投资决策，减少投资规模，以避免可能的损失。消费者也会因对未来收入和就业的担忧，而减少消费支出，从而导致市场需求不足，经济增长放缓。经济政策不确定性还会对通货膨胀和就业产生影响。一方面，不确定性可能导致企业成本上升，进而推动物价上涨，增加通货膨胀压力；另一方面，企业为了应对不确定性，可能会减少招聘或裁员，导致失业率上升。经济政策不确定性还会影响国际贸易和国际资本流动。当一个国家的经济政策不确定性增加时，其出口可能受到抑制，进口也可能发生变化，同时，国际投资者可能会减少对该国的投资，导致资本外流，影响该国的国际收支平衡和经济稳定。在微观企业层面，经济政策不确定性同样对企业的决策和行为产生重要影响。研究发现，经济政策不确定性会导致企业融资约束加剧，增加企业的融资成本和难度。由于不确定性增加了企业未来现金流的不确定性，金融机构在提供贷款时会更加谨慎，要求更高的风险溢价，从而使企业难以获得足够的资金支持。这可能会限制企业的投资和扩张，影响企业的发展。经济政策不确定性还会影响企业的投资决策。企业在面对政策不确定性时，往往会采取谨慎的投资策略，减少对长期项目的投资，增加短期投资或持有更多的现金储备，以应对可能的风险。这种投资行为的变化可能会影响企业的长期竞争力和创新能力，不利于企业的可持续发展。此外，经济政策不确定性还会对企业的生产、定价、库存管理等方面产生影响，促使企业调整经营策略，以适应不确定的经济环境。2.2系统性金融风险相关研究系统性金融风险作为金融领域的核心议题，一直以来都受到学术界和实务界的高度关注。对系统性金融风险的研究，旨在深入理解其本质、特征、度量方法、形成原因以及影响，从而为金融体系的稳定运行和风险防范提供有力的理论支持和实践指导。系统性金融风险是指由单个或少数金融机构的风险事件引发，通过金融体系内部的传导机制，扩散至整个金融系统，导致金融功能受损、经济衰退甚至社会动荡的风险。国际货币基金组织（IMF）、国际清算银行（BIS）等国际组织强调系统性金融风险具有全局性、传染性和负外部性等特征，它不仅会对金融市场造成严重冲击，还会对实体经济产生深远影响。一旦系统性金融风险爆发，可能引发金融市场的恐慌和信心丧失，导致金融机构的资产价值下降、流动性紧张，进而使信贷市场收缩，企业和个人的融资难度加大，投资和消费受到抑制，最终影响整个经济的增长和稳定。国内外学者从多个角度对系统性金融风险的度量指标进行了深入研究。Adrian和Brunnermeier提出的条件在险价值（CoVaR）指标，通过衡量当某一金融机构陷入困境时，整个金融系统的风险价值变化，来评估该金融机构对系统性金融风险的贡献。该指标考虑了金融机构之间的风险溢出效应，能够更全面地反映系统性金融风险的状况。Acharya等学者提出的系统性风险指数（SRISK），则从资本短缺的角度，衡量金融机构在市场下跌时的资本缺口，以此评估其对系统性金融风险的贡献。SRISK指标不仅考虑了金融机构的规模、杠杆率等因素，还考虑了市场的系统性风险，具有较强的综合性和实用性。国内学者结合中国金融市场的特点，也提出了一些具有针对性的度量指标。如构建的金融压力指数，综合考虑了股票市场、债券市场、外汇市场、银行间市场等多个金融子市场的波动情况，能够更全面地反映中国金融市场的系统性风险水平。还有学者利用复杂网络理论，分析金融机构之间的关联关系，构建了系统性金融风险网络模型，通过网络的拓扑结构和节点的中心性等指标，评估系统性金融风险的传播路径和影响范围。系统性金融风险的形成原因是多方面的，既包括宏观经济因素，也包括金融市场自身的结构和行为因素。从宏观经济层面来看，经济周期的波动、货币政策的变化、财政政策的调整以及国际经济环境的变化等，都可能引发系统性金融风险。在经济衰退期，企业的盈利能力下降，债务违约风险增加，这可能导致金融机构的资产质量恶化，进而引发系统性金融风险。货币政策的突然收紧或放松，可能导致市场利率波动，影响金融机构的资金成本和资产价格，增加系统性金融风险。金融市场自身的结构和行为因素也是系统性金融风险形成的重要原因。金融机构的过度杠杆化、资产泡沫的形成与破裂、金融创新的不当应用以及金融监管的不足等，都可能引发系统性金融风险。金融机构为了追求高额利润，过度依赖杠杆融资，增加了自身的风险暴露。当市场环境发生不利变化时，金融机构可能面临资产价值下降和偿债困难的问题，从而引发系统性金融风险。资产泡沫的形成会导致资产价格严重偏离其内在价值，一旦泡沫破裂，资产价格暴跌，会使金融机构的资产缩水，引发金融市场的恐慌和信心丧失，进而导致系统性金融风险的爆发。系统性金融风险对经济和社会的影响是巨大的。在金融市场方面，系统性金融风险会导致金融市场的波动加剧，资产价格大幅下跌，金融机构的资产质量恶化，甚至可能引发金融机构的倒闭和破产。在2008年全球金融危机中，众多知名金融机构如雷曼兄弟、贝尔斯登等纷纷倒闭，金融市场陷入极度恐慌，股票市场、债券市场、外汇市场等均遭受重创，资产价格暴跌，市场流动性枯竭。对实体经济而言，系统性金融风险会导致信贷紧缩，企业和个人的融资难度加大，投资和消费受到抑制，进而影响经济增长。企业由于无法获得足够的资金支持，可能不得不削减生产规模、减少投资，甚至倒闭破产，导致失业率上升，经济陷入衰退。系统性金融风险还可能引发社会不稳定，如失业率上升、贫富差距扩大等问题，对社会的和谐与稳定造成威胁。2.3经济政策不确定性与系统性金融风险关联研究经济政策不确定性与系统性金融风险之间的关联研究，在学术界和实务界都备受关注。众多学者从理论和实证两个层面展开深入探讨，旨在揭示二者之间的内在联系和作用机制。从理论研究来看，经济政策不确定性主要通过资产价格波动、信贷市场变化和投资者信心等渠道对系统性金融风险产生影响。经济政策不确定性的增加会导致投资者对未来经济前景的预期变得模糊，风险偏好下降，从而引发资产价格的大幅波动。股票市场对经济政策不确定性极为敏感，当政策不确定性上升时，投资者往往会减少对股票的需求，导致股票价格下跌，股票市场的波动性加剧。这种资产价格的波动会直接影响金融机构的资产价值，使其资产质量下降，风险敞口扩大，进而增加系统性金融风险。经济政策不确定性还会对信贷市场产生重要影响。当政策不确定性增加时，银行等金融机构面临的风险和不确定性也随之增加，为了降低风险，它们会提高信贷标准，减少信贷供给。这使得企业和个人的融资难度加大，融资成本上升，导致企业的投资和生产活动受到抑制，经济增长放缓。信贷市场的紧缩还可能引发企业的债务违约风险增加，进一步加剧金融机构的风险，从而增加系统性金融风险。投资者信心也是经济政策不确定性影响系统性金融风险的重要渠道。经济政策不确定性的增加会使投资者对未来经济前景感到担忧，信心受挫，从而减少投资和消费。这种行为会导致市场需求下降，经济增长乏力，进一步增加金融市场的不稳定性，提高系统性金融风险。在实证研究方面，国内外学者运用多种计量方法和数据，对经济政策不确定性与系统性金融风险的关联进行了检验。部分学者利用向量自回归（VAR）模型、向量误差修正模型（VECM）等方法，分析经济政策不确定性与系统性金融风险之间的动态关系。研究结果表明，经济政策不确定性的增加会在短期内导致系统性金融风险上升，且这种影响具有一定的持续性。还有学者采用面板数据模型，对不同国家或地区的数据进行分析，发现经济政策不确定性对系统性金融风险的影响在不同国家或地区存在差异，这可能与各国的经济结构、金融市场发展程度以及政策环境等因素有关。尽管已有研究在经济政策不确定性与系统性金融风险关联方面取得了丰硕成果，但仍存在一些不足之处和有待拓展的方向。现有研究对二者关联机制的探讨还不够深入和全面，部分传导渠道的作用机理尚未得到充分揭示，需要进一步深入研究。在实证研究中，数据的选取和模型的设定可能存在一定的局限性，不同研究之间的结果也存在一定的差异，需要更多高质量的数据和更科学合理的模型来进行验证和完善。未来研究可以考虑将宏观经济因素、金融市场微观结构以及投资者行为等多方面因素纳入分析框架，综合运用多种研究方法，更加全面、深入地研究经济政策不确定性与系统性金融风险的动态联动性，为金融风险管理和政策制定提供更具针对性和有效性的建议。三、经济政策不确定性与系统性金融风险的度量3.1经济政策不确定性的度量指标与方法在研究经济政策不确定性时，准确度量这一概念至关重要。目前，学术界和实务界广泛采用经济政策不确定性指数（EPU指数）来衡量经济政策不确定性的程度。EPU指数最早由Baker、Bloom和Davis于2016年提出，旨在通过量化的方式反映经济政策的不确定性水平。EPU指数的编制方法主要基于对新闻媒体报道的分析。具体而言，该指数通过统计10家美国主要报纸（如《纽约时报》《华盛顿邮报》等）中与经济政策不确定性相关的文章数量来构建。在统计过程中，筛选出包含“经济”“不确定性”以及与政策相关术语（如“国会”“赤字”“美联储”等）的文章，然后对这些文章的数量进行标准化处理，从而得到EPU指数。这种方法的合理性在于，新闻媒体对经济政策相关事件的报道能够及时反映市场对政策不确定性的关注和预期，文章数量的变化在一定程度上可以代表经济政策不确定性的波动情况。以美国EPU指数为例，其构成包括三个部分。第一部分是新闻指数，即通过统计上述报纸中与经济政策不确定性有关的文章数目来衡量经济政策的不确定性，这部分在总指数中所占权重为1/2。第二部分是税法法条失效指数，通过统计每年失效的税法法条数目来衡量税法变动的不确定性，其权重为1/6。第三部分是经济预测差值指数，具体又分为CPI预测差值和联邦/地方州政府支出预测差值，通过考察不同预测机构对重要经济指标的预测差异来衡量经济政策的不确定性，这部分的两个子指数在总指数中各占1/6权重。EPU总指数是上述四个子指数的加权总和。对于欧洲和中国的EPU指数，它们仅指综合指数的第一部分，即新闻指数，也称作News-BasedEPU。以中国EPU指数的编制为例，选取中国香港发行量最大的英文报刊——南华早报，通过搜索关键词“uncertain/uncertainty”“economic/economy”“policy”“tax”“spending”“regulation”“centralbank”“budget”和“deficit”等筛选出与经济政策不确定相关的文章，再经过统计和标准化处理后得到指数。虽然仅是新闻指数，但相关研究指出，News-BasedEPU仍然具有代表性，因为其与综合指数具有很强的相关性。EPU指数在经济研究和市场分析中具有广泛的应用。众多研究表明，EPU指数与实际宏观经济变量（如经济增长和就业率）存在显著的反向关系。美、欧的EPU指数与实际GDP季调环比折年率和PMI指数均呈现反向关系，EPU指数的阶段性顶/底部拐点往往对应着实际GDP环比和PMI指数的阶段性底/顶部拐点。在中国，EPU指数和经济增长指标（包括GDP当季同比、PMI指数和工业增加值）也存在负相关关系。EPU指数对权益市场（如S&P500）的大幅波动也有一定的解释作用，中国EPU指数与债市正相关，与股市负相关。除了EPU指数外，还有其他一些度量经济政策不确定性的方法。部分学者通过构建计量经济模型，利用宏观经济变量的预测误差来衡量经济政策不确定性。这种方法假设经济政策的不确定性会导致宏观经济变量的预测难度增加，通过分析预测误差的大小来推断经济政策不确定性的程度。然而，这种方法存在一定的局限性，因为宏观经济变量的预测误差不仅受到经济政策不确定性的影响，还可能受到其他因素（如经济周期、外部冲击等）的干扰，使得度量结果的准确性受到一定影响。基于调查数据的方法也被用于度量经济政策不确定性。通过对企业、投资者或经济专家进行问卷调查，了解他们对未来经济政策的预期和不确定性感知，从而构建经济政策不确定性指标。这种方法能够直接获取市场参与者的主观感受，但调查结果可能受到被调查者的个人判断、信息获取程度以及调查样本的代表性等因素的影响，导致度量结果存在一定的偏差。3.2系统性金融风险的度量指标与方法系统性金融风险的度量对于维护金融体系稳定、防范金融危机具有重要意义。准确度量系统性金融风险，能够为政策制定者和监管机构提供关键依据，使其及时采取有效措施，降低风险发生的可能性和影响程度。以下将详细阐述衡量系统性金融风险的常见指标及其计算与应用。贝塔系数（BetaCoefficient）是衡量系统性金融风险的重要指标之一，起源于资本资产定价模型（CAPM）。它用于评估一种证券或投资组合相对于市场整体波动性的敏感性，反映了特定资产价格变动与市场指数变动之间的关联程度。贝塔系数的计算基于统计学和线性回归分析，公式为：βa=Cov(ra,rm)/σ²m，其中Cov(ra,rm)是证券a的收益与市场收益的协方差，σ²m是市场收益的方差。这一计算过程通过回归分析得出，揭示了证券价格变动与市场指数变动之间的线性关系。若某股票的贝塔系数为1.2，表明该股票的波动幅度比市场平均水平高20%，在市场上涨时，其涨幅可能超过市场；但在市场下跌时，跌幅也可能更大，体现出较高的系统性风险暴露。在投资组合管理中，投资者可以根据不同资产的贝塔系数来构建投资组合。如果希望获得市场平均收益，可以选择贝塔系数接近1的资产；如果希望降低风险，可以选择贝塔系数较小的资产。标准差（StandardDeviation）也是常用的风险度量指标，用于衡量资产收益率的离散程度，反映了资产价格的波动情况。标准差越大，说明资产收益率的波动越大，风险也就越高。以股票市场为例，若某股票的收益率在过去一段时间内波动较大，其标准差相应较高，表明投资该股票面临较大的风险。计算标准差时，首先需要计算资产收益率的均值，然后计算每个收益率与均值的差值的平方，再求这些平方值的平均数，最后对该平均数取平方根，即可得到标准差。在金融市场分析中，标准差常被用于评估投资组合的风险水平。投资组合的标准差不仅取决于单个资产的标准差，还与资产之间的相关性有关。通过合理配置不同相关性的资产，可以降低投资组合的标准差，从而实现风险分散的目的。夏普比率（SharpeRatio）则综合考虑了资产的预期收益率和风险，能够衡量投资者每承担一单位风险所获得的额外收益。其计算公式为：夏普比率=（预期收益率-无风险利率）/投资组合标准差。假设国债的回报是3%，某投资组合预期回报是15%，投资组合的标准差是6%，那么用15%－3%得出12%（代表超出无风险投资的回报），再用12%/6%=2，代表投资者风险每增长1%，换来的是2%的多余收益。夏普比率越高，表明资产在承担相同风险的情况下，能够获得更高的收益，或者在获得相同收益的情况下，承担的风险更低。在基金评价中，夏普比率是一个重要的指标，投资者可以通过比较不同基金的夏普比率，选择性价比更高的基金进行投资。最大回撤（MaximumDrawdown）用于衡量在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值，即选取某一时段，产品出现最大的亏损比率。假设投资者在2022年1月4号买入某基金，申购净值为1.5，到2022年4月26号，净值一度跌到了1.1，此时最大回撤为（1-1.1/1.5）×100%≈26.7%。最大回撤能够反映投资者在投资过程中可能面临的最大损失，对于风险厌恶型投资者来说，是一个重要的参考指标。在评估投资策略或基金业绩时，最大回撤可以帮助投资者了解该策略或基金在极端市场情况下的风险承受能力，从而做出更合理的投资决策。除了上述指标外，条件在险价值（CoVaR）、系统性风险指数（SRISK）等也是衡量系统性金融风险的重要指标。CoVaR通过衡量当某一金融机构陷入困境时，整个金融系统的风险价值变化，来评估该金融机构对系统性金融风险的贡献；SRISK则从资本短缺的角度，衡量金融机构在市场下跌时的资本缺口，以此评估其对系统性金融风险的贡献。这些指标从不同角度反映了系统性金融风险的特征，在实际应用中，需要根据具体情况选择合适的指标或指标组合，以全面、准确地度量系统性金融风险。3.3数据选取与处理为了深入研究经济政策不确定性与系统性金融风险的动态联动性，本研究在数据选取上，充分考虑了数据的代表性、可靠性和可得性，确保研究结果的准确性和科学性。在经济政策不确定性数据方面，采用了Baker、Bloom和Davis编制的经济政策不确定性指数（EPU指数），该指数具有广泛的认可度和应用价值。通过对10家美国主要报纸报道的分析，能够及时、准确地反映经济政策不确定性的变化情况。对于中国的经济政策不确定性数据，选取了基于中国香港发行量最大的英文报刊——南华早报构建的中国EPU指数，通过搜索相关关键词筛选出与经济政策不确定相关的文章，并经过统计和标准化处理得到指数。这些数据从1995年开始，为研究中国经济政策不确定性提供了长期、连续的时间序列数据，能够较好地反映中国经济政策不确定性的动态变化。在系统性金融风险数据的选取上，综合运用了多种指标来全面衡量系统性金融风险。贝塔系数的数据通过收集金融市场中各类资产的收益率数据以及市场整体收益率数据，利用线性回归分析方法计算得出；标准差数据则基于资产收益率的历史数据，通过计算收益率的离散程度来获取；夏普比率的数据需要获取资产的预期收益率、无风险利率以及投资组合标准差等数据，通过相应公式计算得到；最大回撤数据则通过对资产净值在选定周期内的波动情况进行分析，找出净值从最高点到最低点的收益率回撤幅度的最大值。这些数据的获取涵盖了多个金融数据平台，如Wind金融终端、国泰安数据库等，以确保数据的全面性和准确性。除了经济政策不确定性和系统性金融风险相关数据外，还收集了一系列可能影响二者关系的控制变量数据。包括国内生产总值（GDP）增长率、通货膨胀率、货币供应量（M2）增长率等宏观经济变量数据，这些数据能够反映宏观经济环境的变化，对经济政策不确定性与系统性金融风险的关系可能产生重要影响。控制变量的数据来源于国家统计局、中国人民银行等权威机构发布的统计数据，保证了数据的可靠性和权威性。在获取原始数据后，进行了严格的数据清洗和预处理工作，以确保数据的质量和可用性。首先，对数据进行缺失值处理。对于存在少量缺失值的数据，采用均值填充、线性插值等方法进行补充；对于缺失值较多的数据，考虑到其可能对研究结果产生较大影响，将相应的样本删除。对数据中的异常值进行识别和处理。通过绘制数据的箱线图、散点图等，找出明显偏离正常范围的异常值，并根据数据的具体情况进行修正或删除。对经济政策不确定性指数、系统性金融风险指标以及控制变量等数据进行标准化处理，使其具有可比性。标准化处理的方法采用Z-score标准化，即将原始数据减去其均值，再除以其标准差，使数据的均值为0，标准差为1。经过数据清洗和预处理后，对数据进行了平稳性检验。运用ADF检验、PP检验等方法，对各变量的时间序列数据进行平稳性检验。若数据不平稳，可能会导致伪回归等问题，影响研究结果的可靠性。对于不平稳的数据，采用差分法等方法进行处理，使其达到平稳状态，以满足后续实证分析的要求。四、经济政策不确定性对系统性金融风险的影响机制4.1理论分析经济政策不确定性对系统性金融风险的影响是一个复杂且多维度的过程，主要通过影响企业投资决策、投资者情绪、金融市场波动等方面，进而对系统性金融风险产生作用。当经济政策不确定性增加时，企业面临的经营环境变得更加复杂和难以预测。在投资决策方面，企业需要对未来的市场需求、成本结构、政策支持等因素进行评估。然而，经济政策的不确定性使得这些评估变得极为困难，企业难以准确预测投资项目的未来收益和风险。这种不确定性增加了企业投资的风险溢价，使得企业在进行投资决策时更加谨慎。企业可能会推迟或取消一些投资项目，减少固定资产投资、研发投入等，以避免可能的损失。这种投资的减少会导致经济增长放缓，企业盈利能力下降，进而影响企业的偿债能力。当大量企业面临偿债困难时，金融机构的不良贷款率可能会上升，资产质量恶化，增加系统性金融风险。投资者情绪在金融市场中起着关键作用，而经济政策不确定性对投资者情绪有着显著影响。当经济政策不确定性上升时，投资者对未来经济前景的预期变得悲观，风险偏好降低。这种情绪变化会导致投资者减少对风险资产的投资，如股票、债券等，转而增加对避险资产的需求，如黄金、国债等。投资者情绪的变化会引发金融市场的资金流动变化，导致资产价格波动加剧。股票市场可能会出现大幅下跌，债券市场的收益率波动也会增大。资产价格的剧烈波动会影响金融机构的资产估值，使其资产价值下降，资本充足率降低。这会增加金融机构的风险承担，进而影响整个金融体系的稳定性，增加系统性金融风险。经济政策不确定性的增加会直接导致金融市场的波动加剧。一方面，不确定性会引发投资者对未来收益的不确定性，导致他们对资产的定价更加谨慎，资产价格更容易受到市场情绪和信息的影响而波动。股票市场对经济政策不确定性非常敏感，政策的不确定性可能导致投资者对企业未来盈利预期下降，从而引发股票价格下跌和市场波动加剧。另一方面，经济政策不确定性还会影响金融市场的流动性。当不确定性增加时，金融机构和投资者会更加谨慎地进行资金借贷和投资，导致市场流动性收紧。流动性的不足会进一步加剧金融市场的波动，增加金融机构的融资难度和成本，使金融机构面临更大的风险。金融市场的波动加剧和流动性问题会通过金融体系的传导机制，影响整个金融系统的稳定，增加系统性金融风险。信贷市场是金融体系的重要组成部分，经济政策不确定性对信贷市场有着重要影响。当经济政策不确定性增加时，银行等金融机构面临的风险和不确定性也随之增加。为了降低风险，金融机构会提高信贷标准，对贷款申请人进行更加严格的审查，减少信贷供给。这使得企业和个人的融资难度加大，融资成本上升。企业可能因为无法获得足够的资金支持而不得不削减生产规模、减少投资，甚至倒闭破产。信贷市场的紧缩还可能引发企业的债务违约风险增加，金融机构的不良贷款率上升，资产质量恶化。这些问题会进一步加剧金融机构的风险，影响信贷市场的稳定，通过信贷渠道传导至整个金融体系，增加系统性金融风险。经济政策不确定性还会通过风险传染机制对系统性金融风险产生影响。在金融体系中，金融机构之间存在着广泛的业务联系和资金往来，形成了复杂的金融网络。当经济政策不确定性增加时，一家金融机构面临的风险可能会通过金融网络迅速传播到其他金融机构，引发系统性金融风险。如果一家金融机构因为经济政策不确定性导致资产质量下降、流动性紧张，可能会引发其他金融机构对其信用风险的担忧，减少与其的业务往来，甚至抽回资金。这种行为会导致该金融机构的风险进一步加剧，形成恶性循环。如果多个金融机构同时受到影响，就可能引发整个金融体系的不稳定，增加系统性金融风险。4.2实证检验为了深入探究经济政策不确定性对系统性金融风险的影响，本研究构建了向量自回归（VAR）模型进行实证分析。VAR模型是一种常用的计量经济模型，它不基于严格的经济理论假设，而是将系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型，能够较好地处理多个变量之间的动态关系。设经济政策不确定性指标为EPU，系统性金融风险指标为SFR，控制变量为CV（包括GDP增长率、通货膨胀率、货币供应量M2增长率等宏观经济变量），构建如下VAR模型：\begin{align*}EPU_t&=\alpha_{01}+\sum_{i=1}^{p}\alpha_{1i}EPU_{t-i}+\sum_{i=1}^{p}\beta_{1i}SFR_{t-i}+\sum_{i=1}^{p}\gamma_{1i}CV_{t-i}+\epsilon_{1t}\\SFR_t&=\alpha_{02}+\sum_{i=1}^{p}\alpha_{2i}EPU_{t-i}+\sum_{i=1}^{p}\beta_{2i}SFR_{t-i}+\sum_{i=1}^{p}\gamma_{2i}CV_{t-i}+\epsilon_{2t}\end{align*}其中，\alpha_{01}、\alpha_{02}为常数项，\alpha_{1i}、\alpha_{2i}、\beta_{1i}、\beta_{2i}、\gamma_{1i}、\gamma_{2i}为待估计参数，p为滞后阶数，\epsilon_{1t}、\epsilon_{2t}为随机误差项。在确定VAR模型的滞后阶数时，综合运用了LR（似然比）检验、AIC（赤池信息准则）、SC（施瓦茨准则）等多种方法进行判断。经过检验，确定最优滞后阶数为p。对构建的VAR模型进行平稳性检验，运用单位根检验方法对模型的稳定性进行判断。结果显示，模型所有根的模的倒数均小于1，即位于单位圆内，表明所构建的VAR模型是稳定的，满足后续脉冲响应分析和方差分解分析的条件。为了进一步检验经济政策不确定性与系统性金融风险之间的因果关系，进行了格兰杰因果检验。检验结果表明，在5%的显著性水平下，经济政策不确定性是系统性金融风险的格兰杰原因，即经济政策不确定性的变化会引起系统性金融风险的变化；同时，系统性金融风险也是经济政策不确定性的格兰杰原因，说明系统性金融风险的变化也会反过来影响经济政策不确定性，二者之间存在双向的因果关系。为了更直观地分析经济政策不确定性对系统性金融风险的动态影响，基于稳定的VAR模型进行了脉冲响应分析。脉冲响应函数用于衡量来自随机扰动项的一个标准差冲击对内生变量当前和未来取值的影响。给经济政策不确定性（EPU）一个正向的标准差冲击，得到系统性金融风险（SFR）的脉冲响应结果。从脉冲响应图可以看出，当经济政策不确定性发生一个正向冲击后，系统性金融风险在短期内迅速上升，并在第n期达到峰值，随后逐渐下降，但在较长一段时间内仍保持较高水平，表明经济政策不确定性的增加会对系统性金融风险产生显著的正向影响，且这种影响具有持续性。这一结果与前文的理论分析一致，经济政策不确定性的增加会通过影响企业投资决策、投资者情绪、金融市场波动等方面，导致系统性金融风险上升。方差分解是通过分析每一个结构冲击对内生变量变化（通常用方差来度量）的贡献度，进一步评价不同结构冲击的重要性。对系统性金融风险（SFR）进行方差分解，结果显示，经济政策不确定性（EPU）对系统性金融风险的贡献度随着时间的推移逐渐增加，在第m期达到x\%，表明经济政策不确定性对系统性金融风险的影响在长期内逐渐显现，且贡献度较大。为了确保实证结果的可靠性和稳健性，进行了一系列稳健性检验。首先，替换经济政策不确定性和系统性金融风险的度量指标。采用其他来源的经济政策不确定性指数，如基于国内权威媒体报道构建的经济政策不确定性指数，以及其他衡量系统性金融风险的指标，如金融压力指数，重新进行VAR模型估计、格兰杰因果检验、脉冲响应分析和方差分解。结果显示，主要结论依然成立，即经济政策不确定性与系统性金融风险之间存在双向因果关系，且经济政策不确定性的增加会对系统性金融风险产生显著的正向影响。其次，考虑样本区间的变化。选取不同的样本时间段进行实证分析，如缩短或延长样本区间，以检验研究结果是否受到样本选择的影响。结果表明，在不同的样本区间下，经济政策不确定性与系统性金融风险之间的动态关系依然稳定，研究结论具有较强的稳健性。此外，还通过加入更多的控制变量，如国际经济形势指标（全球经济增长率、国际油价等），来进一步控制其他因素对经济政策不确定性与系统性金融风险关系的影响。实证结果显示，即使加入更多的控制变量，经济政策不确定性对系统性金融风险的影响依然显著，验证了研究结果的可靠性。4.3案例分析以2008年金融危机和欧洲债务危机等重大经济事件为典型案例，深入分析经济政策不确定性在危机期间的变化，以及其如何加剧系统性金融风险，具有重要的现实意义和理论价值。通过对这些案例的研究，能够更加直观地认识经济政策不确定性与系统性金融风险之间的动态联动关系，为防范和化解金融风险提供有益的借鉴。2008年金融危机是近几十年来全球经济面临的最为严重的一次危机，其爆发给全球经济和金融体系带来了巨大冲击。危机前，美国长期奉行凯恩斯的扩张性财政政策和宽松的货币政策，政府和公民养成提前消费的习惯，加剧了全球的资本流动。美国在经历互联网泡沫后，将房地产行业作为新的经济支柱，导致房地产市场过度投资，泡沫严重。金融创新的快速发展，尤其是金融衍生品市场的扩张，虽然被用来转移风险，但实际上加剧了风险的传播和扩大，金融监管却未能跟上金融市场的发展步伐，使得金融风险不断积累。在金融危机期间，经济政策不确定性急剧上升。随着危机的爆发，美国政府和其他主要经济体纷纷采取一系列紧急政策措施来应对危机，这些政策的频繁调整和不确定性增加了市场的担忧和不确定性。美国政府实施了大规模的救市计划，包括向金融机构注资、接管房利美和房地美等，但这些政策的具体实施细节和效果存在很大的不确定性，导致市场对未来经济政策的走向难以预测。美联储多次大幅调整利率，从2001年初开始连续大幅降息，在短短11个月内连续降息7次，联邦基金利率从6.5%降至1%，随后又从2004年开始加息，到2006年总共加息17次，将联邦基金利率从1%提高到了5.25%，这种频繁的利率调整使得企业和投资者难以适应，增加了经济政策的不确定性。经济政策不确定性的增加通过多种途径加剧了系统性金融风险。它导致投资者信心受挫，风险偏好下降，大量资金从风险资产撤离，引发资产价格暴跌。股票市场大幅下跌，许多金融机构的资产价值严重缩水，面临巨大的财务压力。金融机构为了应对风险，纷纷收紧信贷，提高信贷标准，减少信贷供给，这使得企业和个人的融资难度加大，融资成本上升，进一步抑制了经济增长，形成恶性循环。经济政策不确定性还加剧了金融市场的恐慌情绪，导致金融机构之间的信任度下降，资金流动性紧张，风险在金融体系内迅速传染，使得系统性金融风险不断扩大。欧洲债务危机也是一个典型案例。2009年，希腊政府公布的财政赤字和公共债务数据远超预期，引发市场对希腊主权债务违约的担忧，随后危机迅速蔓延至葡萄牙、意大利、爱尔兰和西班牙等国，形成了欧洲债务危机。危机期间，欧洲各国政府在应对危机的政策选择上存在分歧，政策的不确定性显著增加。一些国家主张采取紧缩财政政策，削减政府开支，以降低债务水平，但这可能导致经济衰退加剧；另一些国家则希望通过刺激经济来增加税收，缓解债务压力，但这又可能引发通货膨胀和债务风险的进一步上升。这种政策的不确定性使得市场对欧洲经济的未来发展充满担忧，经济政策不确定性指数大幅上升。经济政策不确定性的增加在欧洲债务危机中同样加剧了系统性金融风险。投资者对欧洲国家的主权债务和金融机构的信心受到严重打击，纷纷抛售相关债券和资产，导致债券价格下跌，收益率上升，金融机构的资产质量恶化，融资成本大幅提高。银行等金融机构面临巨大的资金压力和信用风险，不得不收缩信贷，进一步加剧了实体经济的困境。欧洲债务危机还引发了金融市场的连锁反应，导致全球金融市场的波动加剧，风险在国际间传播，增加了全球系统性金融风险。通过对2008年金融危机和欧洲债务危机等案例的分析可以看出，在危机期间，经济政策不确定性的增加往往会加剧系统性金融风险，二者之间存在紧密的动态联动关系。这也提醒政策制定者，在面对经济危机时，应保持经济政策的稳定性和可预期性，避免政策的频繁调整和不确定性，以降低系统性金融风险，维护经济和金融体系的稳定。五、系统性金融风险对经济政策不确定性的反馈机制5.1理论分析系统性金融风险的上升会通过多种途径对经济政策不确定性产生反馈作用，使经济政策的制定和实施面临更大的不确定性。这种反馈机制主要体现在金融错配、市场预期变化以及政府政策调整的不确定性等方面。金融错配是系统性金融风险影响经济政策不确定性的重要途径之一。当系统性金融风险增加时，金融市场的资源配置功能会受到严重干扰，导致金融错配现象加剧。金融机构为了规避风险，会更加谨慎地选择贷款对象，倾向于向大型国有企业或具有政府背景的项目提供贷款，而对中小企业和创新型企业的支持力度则会大幅减少。这种信贷资源的错配会导致实体经济中不同企业之间的发展不平衡加剧，中小企业和创新型企业由于缺乏资金支持，发展受到抑制，进而影响整个经济的创新能力和增长潜力。金融错配还会导致资产价格的扭曲。优质资产可能因过度集中的资金追捧而价格虚高，形成资产泡沫；而一些具有真实价值和发展潜力的资产则可能因资金短缺而被低估。资产价格的扭曲会进一步扰乱金融市场的正常运行，使市场信号失真，投资者难以做出准确的投资决策。这种金融市场的混乱状态会使政府在制定经济政策时面临更大的困难，因为政策制定者难以准确判断经济的真实状况和市场需求，从而增加了经济政策的不确定性。政府在制定货币政策时，需要考虑货币供应量对不同企业和资产市场的影响，但由于金融错配的存在，货币供应量的调整可能无法达到预期的政策效果，导致政策的不确定性增加。系统性金融风险的上升会对市场参与者的预期产生重大影响，进而增加经济政策不确定性。当系统性金融风险加剧时，投资者对未来经济前景的预期会变得极度悲观，信心受到严重打击。他们会认为经济衰退的可能性大幅增加，企业的盈利能力和偿债能力将受到严重削弱，金融市场的波动性将进一步加剧。这种悲观的预期会导致投资者减少投资和消费，资金从风险资产流向避险资产，进一步加剧金融市场的动荡。市场预期的变化会使政府在制定经济政策时面临更大的挑战。政府需要根据市场预期和经济形势来制定相应的政策，以稳定经济和金融市场。但当市场预期变得不稳定和悲观时，政府很难准确预测政策的实施效果，因为市场参与者的行为会因预期的改变而发生巨大变化。政府推出刺激经济的财政政策时，如果市场参与者对经济前景仍然悲观，他们可能不会增加投资和消费，导致政策无法达到预期的刺激效果。政府在制定货币政策时，也需要考虑市场预期对货币需求和利率的影响。如果市场预期不稳定，货币政策的传导机制可能会受到阻碍，增加政策的不确定性。政府在应对系统性金融风险时，政策调整的不确定性也是导致经济政策不确定性增加的重要因素。当系统性金融风险爆发时，政府为了稳定金融市场和经济，通常会采取一系列紧急政策措施，如财政救助、货币政策调整、金融监管加强等。这些政策措施的制定和实施往往需要在短时间内做出决策，而且面临着复杂的经济和政治环境，因此存在很大的不确定性。政府在决定是否对金融机构进行救助以及如何救助时，需要权衡各种因素，如救助成本、道德风险、市场公平等。不同的政策选择会对金融市场和经济产生不同的影响，而且政策的实施效果也难以准确预测。货币政策的调整也存在不确定性。政府可能会通过降低利率、增加货币供应量等方式来缓解金融市场的流动性紧张，但这些政策的实施时机和力度很难把握。如果货币政策调整不当，可能会引发通货膨胀、资产泡沫等新的问题，进一步增加经济政策的不确定性。金融监管政策的加强也会对金融机构和市场产生影响，监管政策的具体内容和实施方式的不确定性，会使金融机构和市场参与者难以适应，增加市场的不稳定因素。5.2实证检验为了深入探究系统性金融风险对经济政策不确定性的反馈机制，本研究采用向量自回归（VAR）模型进行实证分析。VAR模型能够有效处理多个时间序列变量之间的动态关系，通过将系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，为研究系统性金融风险与经济政策不确定性之间的相互作用提供了有力的工具。设系统性金融风险指标为SFR，经济政策不确定性指标为EPU，控制变量为CV（包括GDP增长率、通货膨胀率、货币供应量M2增长率等宏观经济变量），构建如下VAR模型：\begin{align*}SFR_t&=\alpha_{01}+\sum_{i=1}^{p}\alpha_{1i}SFR_{t-i}+\sum_{i=1}^{p}\beta_{1i}EPU_{t-i}+\sum_{i=1}^{p}\gamma_{1i}CV_{t-i}+\epsilon_{1t}\\EPU_t&=\alpha_{02}+\sum_{i=1}^{p}\alpha_{2i}SFR_{t-i}+\sum_{i=1}^{p}\beta_{2i}EPU_{t-i}+\sum_{i=1}^{p}\gamma_{2i}CV_{t-i}+\epsilon_{2t}\end{align*}其中，\alpha_{01}、\alpha_{02}为常数项，\alpha_{1i}、\alpha_{2i}、\beta_{1i}、\beta_{2i}、\gamma_{1i}、\gamma_{2i}为待估计参数，p为滞后阶数，\epsilon_{1t}、\epsilon_{2t}为随机误差项。在确定VAR模型的滞后阶数时，运用LR（似然比）检验、AIC（赤池信息准则）、SC（施瓦茨准则）等多种方法进行综合判断。经过严谨的检验过程，最终确定最优滞后阶数为p，以确保模型能够准确反映变量之间的动态关系。对构建的VAR模型进行平稳性检验，运用单位根检验方法对模型的稳定性进行判断。结果显示，模型所有根的模的倒数均小于1，即位于单位圆内，表明所构建的VAR模型是稳定的，满足后续脉冲响应分析和方差分解分析的条件。这一稳定性保证了模型估计结果的可靠性和有效性，使得基于该模型的分析能够准确揭示系统性金融风险与经济政策不确定性之间的动态关系。为了明确系统性金融风险与经济政策不确定性之间的因果关系，进行格兰杰因果检验。检验结果表明，在5%的显著性水平下，系统性金融风险是经济政策不确定性的格兰杰原因，即系统性金融风险的变化会引起经济政策不确定性的变化；同时，经济政策不确定性也是系统性金融风险的格兰杰原因，说明二者之间存在双向的因果关系。这一结果与理论分析相契合，进一步验证了系统性金融风险与经济政策不确定性之间相互影响、相互作用的动态关系。基于稳定的VAR模型，进行脉冲响应分析，以直观地展现系统性金融风险对经济政策不确定性的动态影响。脉冲响应函数用于衡量来自随机扰动项的一个标准差冲击对内生变量当前和未来取值的影响。给系统性金融风险（SFR）一个正向的标准差冲击，得到经济政策不确定性（EPU）的脉冲响应结果。从脉冲响应图可以清晰地看出，当系统性金融风险发生一个正向冲击后，经济政策不确定性在短期内迅速上升，并在第n期达到峰值，随后逐渐下降，但在较长一段时间内仍保持较高水平。这表明系统性金融风险的增加会对经济政策不确定性产生显著的正向影响，且这种影响具有持续性。系统性金融风险的上升会引发金融市场的动荡，使政府在制定经济政策时面临更大的困难和不确定性，从而导致经济政策不确定性增加。方差分解是通过分析每一个结构冲击对内生变量变化（通常用方差来度量）的贡献度，进一步评价不同结构冲击的重要性。对经济政策不确定性（EPU）进行方差分解，结果显示，系统性金融风险（SFR）对经济政策不确定性的贡献度随着时间的推移逐渐增加，在第m期达到x\%，表明系统性金融风险对经济政策不确定性的影响在长期内逐渐显现，且贡献度较大。这说明系统性金融风险的变化在经济政策不确定性的变动中起到了重要作用，是导致经济政策不确定性增加的重要因素之一。为了确保实证结果的可靠性和稳健性，进行了一系列稳健性检验。首先，替换系统性金融风险和经济政策不确定性的度量指标。采用其他衡量系统性金融风险的指标，如金融压力指数，以及其他来源的经济政策不确定性指数，如基于国内权威媒体报道构建的经济政策不确定性指数，重新进行VAR模型估计、格兰杰因果检验、脉冲响应分析和方差分解。结果显示，主要结论依然成立，即系统性金融风险与经济政策不确定性之间存在双向因果关系，且系统性金融风险的增加会对经济政策不确定性产生显著的正向影响。其次，考虑样本区间的变化。选取不同的样本时间段进行实证分析，如缩短或延长样本区间，以检验研究结果是否受到样本选择的影响。结果表明，在不同的样本区间下，系统性金融风险与经济政策不确定性之间的动态关系依然稳定，研究结论具有较强的稳健性。这进一步验证了研究结果的可靠性和普遍性，说明研究结论不受样本选择的影响，具有广泛的适用性。此外，还通过加入更多的控制变量，如国际经济形势指标（全球经济增长率、国际油价等），来进一步控制其他因素对系统性金融风险与经济政策不确定性关系的影响。实证结果显示，即使加入更多的控制变量，系统性金融风险对经济政策不确定性的影响依然显著，验证了研究结果的可靠性。这表明在考虑了更多的影响因素后，系统性金融风险对经济政策不确定性的反馈机制依然存在，且具有较强的稳定性。5.3案例分析以美联储在金融危机后的货币政策调整为例，能够清晰地展现系统性金融风险对经济政策不确定性的影响。2008年全球金融危机爆发，这场危机源于美国房地产市场的泡沫破裂，大量次级抵押贷款违约，引发了金融机构的资产价值大幅缩水，导致系统性金融风险急剧上升。金融市场出现了严重的流动性危机，信贷市场冻结，投资者信心崩溃，股市暴跌，许多金融机构面临倒闭的风险。这场危机迅速蔓延至全球，对世界经济造成了巨大冲击，使全球经济陷入了严重的衰退。为了应对危机，美联储采取了一系列非常规的货币政策措施。在危机初期，美联储迅速将联邦基金利率从2007年9月的5.25%大幅下调至2008年12月的接近零利率水平（0.1%），试图通过降低利率来刺激经济增长，缓解信贷市场的紧张局面，提高市场流动性。然而，零利率政策的效果有限，经济依然陷入困境。美联储又实施了量化宽松政策（QE）。从2008年11月开始，美联储通过购买大量的国债和抵押贷款支持证券（MBS），向市场注入了巨额流动性。在第一轮量化宽松（QE1）中，美联储购买了总额达1.725万亿美元的资产，包括1.25万亿美元的MBS、3000亿美元的国债和1750亿美元的机构债。随后，美联储又陆续推出了QE2、QE3和QE4，持续扩大资产购买规模，进一步增加市场流动性。这些货币政策的调整虽然在一定程度上缓解了系统性金融风险，稳定了金融市场，但也带来了经济政策不确定性的增加。由于这些政策是在危机背景下采取的非常规措施，其实施效果和长期影响存在很大的不确定性。量化宽松政策导致了货币供应量的大幅增加，引发了市场对通货膨胀的担忧。虽然在实施量化宽松政策的初期，通货膨胀率并未出现大幅上升，但市场担心长期来看，过多的货币供应可能会引发通货膨胀，影响经济的稳定。量化宽松政策还导致了资产价格的波动。大量资金流入金融市场，推高了股票、债券等资产的价格，形成了资产泡沫。一旦这些资产泡沫破裂，可能会引发新一轮的金融市场动荡，增加经济政策的不确定性。美联储在实施这些货币政策时，面临着政策退出的难题。随着经济的逐渐复苏，美联储需要考虑如何逐步退出量化宽松政策，回归正常的货币政策轨道。但政策退出的时机和方式非常难以把握。如果退出过早，可能会导致经济复苏夭折，系统性金融风险再次上升；如果退出过晚，可能会引发通货膨胀和资产泡沫等问题。这种政策退出的不确定性也增加了经济政策的不确定性，使市场对未来经济政策的走向感到迷茫。从美联储在金融危机后的货币政策调整案例可以看出，系统性金融风险的上升会促使政府采取一系列政策措施来应对，但这些政策措施的实施又会带来新的经济政策不确定性。这表明系统性金融风险与经济政策不确定性之间存在着紧密的反馈关系，在制定经济政策时，需要充分考虑系统性金融风险对政策不确定性的影响，以实现经济和金融的稳定发展。六、两者动态联动性的实证分析6.1模型构建为了深入研究经济政策不确定性与系统性金融风险之间的动态相关性和时变特征，本研究构建了DCC-GARCH模型和TVP-VAR模型。DCC-GARCH（DynamicConditionalCorrelation-GeneralizedAutoregressiveConditionalHeteroscedasticity）模型由Engle于2002年提出，该模型能够有效捕捉金融时间序列之间的动态相关性和波动性聚集效应。在金融市场中，资产收益率的波动往往呈现出聚类现象，即大的波动之后往往伴随着大的波动，小的波动之后往往伴随着小的波动，DCC-GARCH模型能够很好地刻画这种现象。在DCC-GARCH模型中，首先对经济政策不确定性指标（EPU）和系统性金融风险指标（SFR）分别建立GARCH模型，以捕捉它们各自的条件异方差性。对于EPU序列，设y_{1t}为其标准化残差，构建GARCH(1,1)模型：\sigma_{1t}^{2}=\omega_{1}+\alpha_{1}y_{1t-1}^{2}+\beta_{1}\sigma_{1t-1}^{2}其中，\sigma_{1t}^{2}为EPU序列在t时刻的条件方差，\omega_{1}为常数项，\alpha_{1}和\beta_{1}分别为ARCH项和GARCH项的系数，\alpha_{1}衡量了前期残差平方对当前条件方差的影响，\beta_{1}衡量了前期条件方差对当前条件方差的影响，且满足\alpha_{1}+\beta_{1}\lt1，以保证条件方差的平稳性。对于SFR序列，设y_{2t}为其标准化残差，类似地构建GARCH(1,1)模型：\sigma_{2t}^{2}=\omega_{2}+\alpha_{2}y_{2t-1}^{2}+\beta_{2}\sigma_{2t-1}^{2}其中，\sigma_{2t}^{2}为SFR序列在t时刻的条件方差，\omega_{2}、\alpha_{2}和\beta_{2}的含义与EPU序列的GARCH模型中对应参数类似。然后，引入动态条件相关系数来描述EPU和SFR之间的动态相关性。动态条件相关系数矩阵R_{t}的元素r_{12,t}定义为：r_{12,t}=\frac{q_{12,t}}{\sqrt{q_{11,t}q_{22,t}}}其中，q_{12,t}为EPU和SFR的动态协方差，q_{11,t}和q_{22,t}分别为EPU和SFR的条件方差。q_{12,t}的更新方程为：q_{12,t}=(1-\theta_{1}-\theta_{2})\overline{\rho}+\theta_{1}\varepsilon_{1t-1}\varepsilon_{2t-1}+\theta_{2}q_{12,t-1}其中，\overline{\rho}为EPU和SFR的无条件相关系数，\theta_{1}和\theta_{2}为待估计参数，分别衡量了前期标准化残差乘积和前期动态协方差对当前动态协方差的影响，且满足\theta_{1}+\theta_{2}\lt1，以保证动态协方差的平稳性，\varepsilon_{1t-1}和\varepsilon_{2t-1}分别为EPU和SFR在t-1时刻的标准化残差。TVP-VAR（Time-VaryingParameterVectorAutoregressive）模型由Primiceri于2005年提出，该模型允许参数随时间变化，能够更好地捕捉经济变量之间的时变关系。在研究经济政策不确定性与系统性金融风险的动态联动性时，考虑到经济环境和政策环境的不断变化，传统的VAR模型无法准确反映这种时变特征，而TVP-VAR模型则能够有效解决这一问题。设经济政策不确定性指标为EPU，系统性金融风险指标为SFR，控制变量为CV（包括GDP增长率、通货膨胀率、货币供应量M2增长率等宏观经济变量），构建TVP-VAR模型：Y_{t}=c_{t}+A_{1t}Y_{t-1}+\cdots+A_{pt}Y_{t-p}+u_{t}其中，Y_{t}=[EPU_{t},SFR_{t},CV_{t}]^{'}为内生变量向量，c_{t}为截距项向量，A_{it}(i=1,\cdots,p)为系数矩阵，p为滞后阶数，u_{t}为随机误差项向量，且u_{t}\simN(0,\sum_{t})，\sum_{t}为协方差矩阵。TVP-VAR模型的核心在于系数矩阵A_{it}和协方差矩阵\sum_{t}随时间变化。具体而言，假设A_{it}和\sum_{t}满足以下形式：A_{it}=A_{i0}+A_{i1}\lambda_{1t}+\cdots+A_{iK}\lambda_{Kt}\sum_{t}=diag(\sigma_{1t},\sigma_{2t},\sigma_{3t})其中，A_{i0}为初始系数矩阵，A_{ij}(j=1,\cdots,K)为系数矩阵的变化矩阵，\lambda_{jt}(j=1,\cdots,K)为随时间变化的参数，\sigma_{1t}、\sigma_{2t}和\sigma_{3t}分别为EPU、SFR和CV的条件标准差。通过引入时变参数，TVP-VAR模型能够更准确地刻画经济政策不确定性与系统性金融风险之间的动态关系，以及它们对宏观经济变量的时变影响。6.2实证结果分析利用构建的DCC-GARCH模型对经济政策不确定性（EPU）和系统性金融风险（SFR）的数据进行估计，得到两者之间的动态条件相关系数序列。结果显示，动态条件相关系数呈现出明显的时变特征，在不同时期，经济政策不确定性与系统性金融风险的相关性存在显著差异。在经济平稳时期，两者的相关性相对较低且较为稳定，表明经济政策不确定性对系统性金融风险的影响较为有限，金融体系在相对稳定的经济环境中能够较好地抵御外部不确定性的冲击。而在经济危机或重大政策调整时期，动态条件相关系数显著上升，两者的相关性增强，这意味着经济政策不确定性的增加会显著提高系统性金融风险，两者之间的联动关系更加紧密。在2008年全球金融危机期间，经济政策不确定性急剧上升，政府为应对危机频繁调整财政政策和货币政策，金融市场对政策变化极为敏感，系统性金融风险也随之大幅增加，此时经济政策不确定性与系统性金融风险的动态条件相关系数达到了较高水平。这表明在经济危机时期，经济政策不确定性的增加会通过多种渠道对金融市场产生强烈冲击，导致系统性金融风险迅速上升，两者之间呈现出明显的正向联动关系。对TVP-VAR模型进行估计，得到模型的时变脉冲响应结果，以进一步分析经济政策不确定性与系统性金融风险之间的动态联动关系。当给予经济政策不确定性一个正向冲击时，系统性金融风险在短期内迅速上升，且上升幅度较大，这与前文理论分析和DCC-GARCH模型的结果一致，说明经济政策不确定性的增加会在短期内对系统性金融风险产生显著的正向影响。随着时间的推移，这种影响逐渐减弱，但在较长一段时间内仍保持一定的影响力。这表明经济政策不确定性对系统性金融风险的影响具有持续性，即使在冲击发生后的一段时间内，系统性金融风险仍会受到经济政策不确定性的影响而维持在较高水平。TVP-VAR模型还能够捕捉到经济政策不确定性与系统性金融风险之间关系的时变特征。在不同的经济发展阶段和政策环境下，经济政策不确定性对系统性金融风险的影响程度和持续时间存在差异。在经济快速增长时期，金融体系相对稳定，市场对经济政策不确定性的敏感度较低，经济政策不确定性对系统性金融风险的影响相对较小；而在经济衰退或调整时期，金融体系较为脆弱，市场对经济政策不确定性的反应更为敏感，经济政策不确定性的增加会对系统性金融风险产生更大的冲击，且影响持续时间更长。为了验证DCC-GARCH模型和TVP-VAR模型结果的稳健性，进行了一系列稳健性检验。替换经济政策不确定性和系统性金融风险的度量指标，采用其他来源的经济政策不确定性指数和系统性金融风险指标，重新进行模型估计。结果显示，主要结论依然成立，即经济政策不确定性与系统性金融风险之间存在显著的动态相关性和时变特征，两者在经济危机等特殊时期的联动关系更为紧密。考虑样本区间的变化，选取不同的样本时间段进行分析，结果表明在不同的样本区间下，经济政策不确定性与系统性金融风险的动态联动关系保持稳定，进一步验证了研究结果的可靠性。6.3结果稳健性检验为了确保研究结果的可靠性和稳定性，采用多种方法对实证结果进行了稳健性检验。首先，改变样本区间进行检验。在原样本区间的基础上，分别缩短和延长样本区间，重新对DCC-GARCH模型和TVP-VAR模型进行估计。缩短样本区间时，选取经济发展相对平稳或经济政策较为稳定的一段时期进行分析；延长样本区间时，纳入更多历史数据，以涵盖更多的经济周期和政策变化情况。结果显示，在不同的样本区间下，经济政策不确定性与系统性金融风险之间的动态相关性和时变特征依然显