中国宏观经济不确定性指数（EPU指数）是反应宏观经济不确定性程度的量化指标。
由来自西北大学、斯坦福大学与芝加哥大学的三位学者发布。具体编制方法为，在中国香港发行量最大的英文报刊——南华早报上，通过关键词筛选出与经济不确定相关的文章，再经过统计和标准化处理后得到EPU指数。
基于EPU指数可以构造EPU_beta因子，EPU_beta因子在A股市场存在选股效果，且常用的选股因子并不能解释EPU_beta分组的超额收益。
通过时间序列回归计算每个股票在EPU指数上的回归系数，记为EPU_beta。把A股市场上所有可交易的股票，按照这个因子从小到大分成5组。在等权和市值加权两种方式下，每组的平均收益呈单调上升的态势，且首尾组合的收益差显著异于零。在控制了市值、反转、ROE等常见因子后，EPU_beta的分组收益与因子值依然呈现正相关性。
EPU_beta因子的选股效果在大市值股票，尤其是沪深300成分股中更加突出。
先将所有可交易的A股按市值由小到大等分成5组，随后在每个市值组别中，按EPU_beta再等分成5组。只有在市值最大的一组中，EPU_beta和预期收益才表现出明显的正相关。而在其余的市值组别中，分组收益的单调性较弱，多空组合的收益差在统计意义上也不显著异于零。EPU_beta因子在沪深300成分股中的IC均值为5.87%，IC-IR接近2，胜率也达到了3/4。在原先的8因子模型中加入EPU_beta后，多空组合的年化收益从7.28%提升至9.87%，波动率从18.23%下降至15.25%。因而，夏普比率也获得了明显的提高（0.647 v.s 0.399）
全文摘要
01
宏观经济不确定性指数（EPU Index）
经济政策不确定性指数（Economic Policy Uncertainty Index，EPU），是反应宏观经济不确定性程度的量化指标。最早由来自西北大学、斯坦福大学与芝加哥大学的三位学者Scott R. Baker、Nicholas. Bloom和Steven J. Davis共同编制，主要用来度量美国宏观经济不确定性的高低。该指数由三个基本组成部分，依次为报刊上含有“经济不确定性”相关词组的文章数量、未来10年按例将要失效的税法章程、分析师对宏观经济指标预期的分歧度。第三部分所涉及的经济指标包括，CPI以及联邦政府、各州政府和地方政府的采购规模。在形成EPU指数时，这三个部分各自的权重分别为1/2、1/6和1/3。其中，CPI和政府采购预期分歧度的权重相同，都为1/6。
指数一经推出，便受到了市场极大的关注。于是，三位学者又进一步编制并发布了多个国家和地区，乃至全球的经济不确定性指数，这其中也包括中国。和美国的EPU指数有三个组成部分不同，中国的EPU指数仅包含新闻关键词这一个方面。具体的编制方法为，在中国香港发行量最大的英文报刊——南华早报上，通过搜索关键词“uncertain/uncertainty” “economic/economy” “policy”“tax”等筛选出与经济不确定相关的文章，经过统计和标准化处理后得到中国的EPU指数。
下图是中国的EPU指数自1995以来的走势。图中EPU指数每次升高都与当时严峻的经济形势一一对应。如，08到09年，美国次贷危机对我国的影响逐渐凸显；12年， 欧债危机的不确定性传导至国内；17年，美国新总统对华政策的不确定性与外界对中国经济增速下行的担忧。随着中美贸易战的进一步升级，EPU指数从今年1月以来不断上升。截止2018年4月底，中国EPU指数已经达到了去年11月以来的新高——291.3。
02
宏观经济的不确定性在美国市场被定价了吗？
Bali 等人研究了1972年6月到2014年12月间，美国的宏观经济不确定性指数（记为UNC指数）对NYSE，Amex，Nasdaq中股票收益的影响。作者首先用60个月的月度数据滚动估计个股收益对Fama-French三因子及UNC指数的回归方程，并将UNC前的回归系数记为UNC_beta 。随后，根据UNC_beta的大小把股票分成10组，并按照等权和市值加权两种方式计算未来一个月的平均收益。
下分组结果显示，美国市场上，股票UNC_beta的因子值与股票下月收益率呈负相关关系。这表明，在美国市场上，对宏观经济不确定性敏感度较低的股票，未来能获得显著的超额收益。对此，作者的解释是，风险和不确定性是不同的。第一组中的股票，其UNC_beta小于零，意味着它在经济不确定性上升时的收益较低（由得到 的回归方程可知）。因此，风险厌恶的投资者若持有这部分股票，就会要求以更高的预期收益的形式得到额外的补偿。而第十组中的股票，可以被看作是在经济不确定性上升时更加安全的资产，故投资者愿意为其支付更高的价格，并接受其较低的预期收益。
03
中国市场的经济不确定性因子及其选股有效性
本文仿照美国市场的做法，以中国的EPU指数作为对宏观经济不确定性的度量，并和中国市场的Fama-French三因子共同形成四因子模型，通过最近60个月的数据滚动估计个股在中国EPU指数上的回归系数EPU_beta。
回归方程
EPU_beta高的股票表明其与EPU有较强的相关性，即经济较不确定性越高，股票收益越好，可以认为有比较强的抗风险能力。而当经济不确定性减弱的时候，这部分股票的收益往往会下降。
在进行时间序列回归时，应当要求所有变量都是平稳的，因此在进行回归之前，本文还对EPU指数进行了ADF检验，结果显示EPU指数是平稳的。
3.1
EPU_beta因子选股有效性检验
单变量分组
本文在每个月末，按照 因子把A股市场上所有可交易的股票（剔除ST、停牌、涨停及上市不满6个月的股票），从小到大分成5组，依次记为D1，D2，…，D5。分别计算等权和市值加权两种方式下，每组的平均收益（见下图）。
和美国的结果不同，A股市场上个股的EPU_beta和预期收益呈现正相关。下表进一步给出了按EPU_beta将所有股票分成5组后，每组的EPU_beta均值、次月的平均/市值加权收益、及Fama-French三因子模型的alpha。
如果说，美国市场的投资者在预见到未来宏观经济的不确定性有可能上升后，会买入高EPU_beta的股票以抵御或对冲风险，从而造成这部分股票的预期收益下降。那么，A股市场并不存在这一现象。这有可能是两个市场的投资者结构与成熟程度不同所导致的。
双变量分组
本文首先考察了Beta_EPU与常见因子之间的关系，具体包括市值、PB、反转、ROE、换手率、Amihud非流动性、特质波动率、CAPM的beta。下表给出的是每一个 分组内，上述8个因子的平均值。
和由上表可见，高EPU_beta分组中的股票大体呈现小市值、高ROE、高换手率、高特质波动率以及前期高涨幅的特征。为了控制这些因子的影响，本文采用双变量分组法，具体步骤如下：
1）按照每一个控制变量将所有可交易的A股由小到大等分成5组；
2）在每一个控制变量组中，再按EPU_beta由小到大等分成5小组。计算5×5个组别中，每组的平均收益；
3）在每个EPU_beta组别中，计算5个控制变量组收益的平均值。
在控制了常见因子后， 的分组收益依然保持了与单变量分组时一致的分布特征。首尾组合的收益差在10%的水平下，显著大于零。而且，在控制了换手率和特质波动率这两个因子后，分组收益的单调性更为突出。由此可见，A股市场上常用的选股因子并不能解释 分组的超额收益。
3.2
EPU_beta因子在大、中市值股票中的选股有效性分析
上文结果显示，尽管在控制市值因子后， 因子依然和预期收益正相关。但首尾组合的收益差及其t值，相比单因子分组的结果，均出现了一定幅度的下降。因此，本文单独考察了市值和EPU_beta双变量分组后，各组的平均收益（见下表）。
结果显示，只有在市值最大的一组（Big）中，EPU_beta和预期收益才表现出明显的正相关，首尾组合的收益差高达1.02%。而在其余的市值组别中，分组收益的单调性较弱。
为了证实这一猜测，本文进一步在沪深300和中证500的成分股中，检验了EPU_beta的分组收益。
下表列示的是EPU_beta因子在不同指数成分股中的IC、IC-IR和胜率。和分组得到的结论一致， 因子在沪深300成分股中的IC为5.87%，IC-IR接近2，胜率也达到了75%。而在中证500成分股和所有A股中，该因子的IC均未超过2%。综合来看，EPU_beta因子在300成分股中的选股效果最为显著。
3.3
EPU_beta因子的截面溢价
下表给出了每个因子的截面溢价（回归系数）的时间序列均值和t统计量。EPU_beta的截面溢价均为正，但数值大小和t值却存在明显的差异。在沪深300成分股的回归中，EPU_beta的截面溢价均值为0.34%，是其余两种情形下的1倍。T检验值接近3，表明估计的稳定性也较高。这与上一节中，因子较高的IR和胜率相吻合。
以下两图进一步展示了EPU_beta因子在沪深300成分股中的月度溢价序列及累计净值。除了2015年3月-8月之间的回撤以外，EPU_beta因子在其余时间内均表现出稳定的正向溢价，胜率高达73.4%。因此，可以认为，EPU_beta因子和沪深300成分股预期收益的正相关性，即使在控制了常见选股因子的影响之后，依然是稳健的。
04
EPU_beta因子加入多因子模型后的效果分析
在前文的基础上，本部分尝试将EPU_beta作为一个新因子加入多因子选股模型，考察股票组合的收益表现。具体步骤如下：
1）将次月收益对当月的 、市值、PB、反转、ROE、换手率、非流动性、特质波动率和 ，这9个因子做线性回归，得到每一期的因子溢价（回归系数）；
2）以前24期回归系数的均值作为新一期因子溢价的预测，乘以对应的因子值并相加得到每个股票未来一个月的预期收益；
3）选择预期收益最高（最低）的50个股票构建多头（空头）组合，并以内部等权的方式计算组合收益。（注：全市场选股时，多、空头组合各包含100个股票。）
以下两图分别是在沪深300成分股和中证500成分股中选股，得到的多空累计净值。其中，深色曲线为包含EPU_beta在内的9因子的结果；浅色曲线则是剔除了EPU_beta后，用原来8个因子得到的结果。
对比来看，加入EPU_beta因子后，多空累计净值都得到了不同幅度的提升。相对而言，在沪深300成分股中，EPU_beta因子对原始8因子模型的提升幅度更大。
下图给出的是在所有可交易的A股中，按照多因子模型得到的预期收益，各选取100个股票构建多空组合的累计净值。加入EPU_beta因子后，最终的净值依然有所提升，但幅度远不及沪深300成分股中的结果。
下表进一步给出了是否加入 因子得到的多空组合的收益-风险特征。在沪深300成分股中，加入EPU_beta因子后，年化收益从7.28%提升至9.87%，波动率从18.23%下降至15.25%。因而，夏普比率也获得了明显的提高（0.647 v.s 0.399）。但是，在中证500成分股或全市场中，加入该因子对年化收益的改善效果较弱。
总体而言，从本文的分析结果来看，EPU_beta因子至少不会降低原始多因子模型的性能。而且，不难发现，不论是在何种指数成分股中，EPU因子对业绩的提升均始于2016年年中，恰好对应着EPU指数的大幅上升。这一现象表明，在整个宏观经济处于较高的不确定期，选择高EPU_beta的个股或行业，能增强投资组合抵御这种不确定性的能力。
05
风险提示
市场系统性风险、资产流动性风险以及模型失效风险会对最终结果产生较大影响。
评论 (0)