以ChatGPT为代表的大模型是通用生成式人工智能技术的一大突破, 不但对人类生产方式、生活方式与思维方式产生深刻影响, 也正在推动经济学研究范式的变革. 大模型是大数据与人工智能催生的一种新的系统分析方法, 适合于研究复杂人类经济社会系统. 本文首先讨论ChatGPT与大模型的主要特征以及发展范式, 特别是大模型如何破解“维数灾难”的方法论原理, 然后详细探讨ChatGPT与大模型将如何影响经济学研究范式, 包括从理性经济人假设到“人机结合”的人工智能经济人, 从孤立经济人假设到其行为可测度的社会经济人, 从宏观经济学和微观经济学的分离到两者的融合, 从定性分析和定量分析的对立到两者的统一, 从长期流行的经济学研究“小模型”范式到“大模型”范式, 以及计算机算法作为经济学日益重要的研究范式与研究方法等. 最后, 指出包括大模型在内的人工智能技术作为经济学乃至社会科学的研究方法的局限性.
混合性(Mixing) 在时间序列和空间计量经济学研究中起着重要的作用, 许多时间序列文献都假设其模型中的变量服从混合过程. 然而, 目前尚无关于判定空间计量经济模型所生成数据是否满足混合性质的准则. 基于
在政治、经济和科技等多种因素的影响下, 全球价值链正在经历深刻调整. 美西方和印度自身正在积极出台一系列产业政策, 引导印度成为新一轮国际产业转移的承接地. 本文构建了一个定量评估框架以衡量一个国家/地区承接国际产业转移的前景, 并围绕印度开展了案例研究, 补充了现有研究的不足. 总体来看, 莫迪政府实现“印度制造”取代“中国制造”可谓道阻且长. 印度潜在优势的6个行业包括食品、饮料和烟草制造业, 基本金属, 纸制品及印刷业, 其他非金属矿产品, 其他运输设备, 计算机、电子及光学设备. 其中, 食品、饮料和烟草制造业, 纸制品及印刷业和其他非金属矿产品可能会率先承接中国对外产业转移. 越南、泰国和保加利亚在食品、饮料和烟草制造业, 越南和马来西亚在纸制品及印刷业, 以及越南、马来西亚、泰国和保加利亚在其他非金属矿产品上, 具备和印度竞争的能力.
本文从协整应用的角度解读协整理论, 尤其侧重于对我国的应用, 并基于此提出可能应用于研究我国经济问题的若干方向. 为正确直观认识协整, 本文首先利用仿真数据直观地展示了协整的定义, 接着解析了Engle-Granger两步协整检验的发展及其对我国资本市场的应用案例. 我们还解读Granger协整模型的向量误差修正模型(vector error correction model, VECM) 表述, 继而鉴于我国宏观和金融数据具有的确定性趋势结构变化特征, 剖析确定性趋势存在结构变化条件下的协整检验, 并且提出在具有结构变化的情况下如何实现正确的协整检验. 本文重点解析了由协整理论所延伸的持久性冲击及其长期趋势的分解, 还综述了相依性周期的分解, 并分析了我国货币、通胀和农产品价格相依性周期的分解结果.由此提出货币政策逆周期调节的政策建议, 即M2和人民币贷款余额同比增速提升到15.0%, M2相依周期成分上升至1.1左右, 这一货币政策逆周期调节可能的结果为: CPI最高上涨到2.5% 左右并且基本没有持续性; 进一步, 2002–2003年宽松货币政策刺激导致GDP短期周期成分由0.08增长至1.43, 对GDP增速贡献1.35%. 依据2002–2003年货币政策的刺激效果估计, 2024和2025年的经济增长速度有望再提升1个百分点, 达到6% 左右. 另一方面, 为引导和鼓励协整前沿对我国的应用, 本文基于协整及其延伸提出了对我国应用的系列研究思路, 以期促进我国经济学实证研究的深入和创新.
本文从众多变量中筛选出59个相关经济指标, 分别考查疫情前后传统时间序列模型和几种回归树集成学习模型对中国工业增加值增速的预测效果, 并结合Shapley additive explanations (SHAP) 方法对相关预测变量的作用进行解释分析. 研究发现, 随着预测步长的增加和新冠疫情的暴发, 传统时间序列模型的预测性能明显减弱, 而集成学习模型的预测表现则相对较好, 其中梯度提升树模型在较长预测步长中更加稳健和准确. 基于SHAP方法的分析发现, 作为预测变量的经济指标在不同时期的重要性有所不同, 除生产、投资等指标外, 金融类变量在高风险时期也具有一定的预测作用, 需结合具体时间和预期目标来选择合适的经济指标进行工业增长预测. 基于预测的视角可在一定程度上说明新冠疫情冲击可能不会改变工业增长未来走势的基本面.
本文基于“物理-事理-人理”方法论, 系统分析我国数据要素市场发展的影响因素, 并结合内生增长理论, 构建我国数据要素市场发展与经济增长的系统动力学模型, 据此对数据要素市场的动力机制进行仿真分析, 进而通过物理维、事理维、人理维三个维度的财政投入配置, 设定三大类七种投入模式进行政策情景模拟, 探析适合我国数据要素市场发展与经济增长的政策投入方案. 研究发现: 1) 我国数据要素市场发展水平正在进入快速发展阶段, 数据要素市场发展通过赋能传统生产要素, 加快人力资本形成、技术创新产出及资本融通, 促进经济增长, 形成良性增长循环; 2) 在单一投入政策情景下, “物理维”投入模式即增加基础设施建设方面的投入对促进数据要素市场与经济增长最为有效; 3) 在组合投入政策背景下, “物理维+ 事理维”双投入模式即增加基础设施及制度建设方面的投入效果最好; 4) 现阶段应优先加大基础设施与数字技术方面的投入, 以获得更好的政策实施效果.
部分线性可加空间滞后模型的研究目前几乎都建立在均值回归的估计之上. 均值回归研究协变量对响应变量在条件分布均值位置的影响, 并不能反映两者在条件分布尾部的关系, 容易造成信息的遗漏. 为了克服这一缺陷, 本文构建了部分线性可加空间滞后分位数回归模型(PLASLQRM), 在采用自由节点样条拟合非参数函数的基础上, 借助逆跳马尔可夫链蒙特卡罗算法对其进行了贝叶斯估计, 形成了基于自由节点样条的贝叶斯分位数回归方法(BFQ). 为检验BFQ方法的有效性, 将该方法与基于惩罚样条的贝叶斯分位数回归方法(BPQ), 基于自由节点样条的贝叶斯均值回归方法(BFM)和广义矩方法(GMM) 进行了模拟比较.结果显示, BFQ方法与其它三种方法相比更不易受异常值的影响, 性能更稳定. 并且, 在误差分布呈尖峰厚尾和偏斜特征时, 该方法对参数部分的估计和非参数部分的拟合都更具优势. 最后, 选取省域碳排放量为实证研究对象, 运用BFQ方法分析各类因素对其线性和非线性的影响, 进一步验证了该方法在实际问题中估计参数和非参数的能力.
上市公司的业绩说明会能够实现管理层与投资者之间的实时互动, 其管理层语调更可能“真情实感”地反映企业的真实信息, 从而有助于提高股票市场的定价效率. 本文基于2008–2020年中国A股上市公司业绩说明会的文本分析, 研究了业绩说明会语调中, 由管理层自主把控、战略决策的异常语调对股票价格延迟的影响. 研究发现, 业绩说明会管理层异常语调与上市公司股票价格延迟显著负相关. 机制分析发现, 一方面, 业绩说明会管理层异常语调能够显著预测公司未来业绩, 说明其通过具有信息增量的信号传递机制影响了股价延迟; 另一方面, 异常语调还与公司信息透明度和媒体关注度均显著正相关, 说明其通过改善公司内外部治理环境的公司治理机制影响了股价延迟. 此外, 在盈余管理水平较高、分析师跟踪较少、被研报关注度较低和民营性质的公司子样本中, 异常语调与股票价格延迟的负相关关系更加显著. 上述结果表明, 业绩说明会的管理层异常语调具有量化业绩信息以外的增量信息, 能够提高新信息被吸收、融入进股票价格的速度, 缓解股票价格延迟. 这些研究发现对提升股票市场定价效率、缓解市场信息不对称和促进我国上市公司高质量的信息披露具有重要启示.
投资者情绪与股票市场的价格变动息息相关, 所以正确理解投资者情绪对金融投资者的投资策略选择与监管部门的风险管控具有重要意义. 本文选取国务院新闻文本与金融情感词典, 首先构建一个基于粉丝加权的新闻媒体情绪区间指数, 然后建立自回归条件区间模型, 对我国股市主板市场与不同板块子市场进行预测研究. 实证研究结果表明: 1) 基于粉丝加权的新闻媒体情绪指数能够有效地反映新闻情绪, 且对我国股票市场回报产生显著的负向影响; 2) 不论在主板市场还是不同板块子市场, 粉丝加权的新闻媒体情绪指数对我国股市回报的预测效果显著最优, 为文本情感指标的构建提供了新的思路与实践; 3) 新闻媒体情绪对主板市场股票回报的预测效果随着预测步长的增加而减弱, 但对不同板块子市场股票回报的预测效果具有异质性. 研究表明基于文本挖掘的新闻媒体情绪区间指数对股市区间值回报预测具有重要作用.
如何提取期权隐含信息并研究其对标的股票收益的影响一直是学界和业界关心的问题之一. 现有研究主要依赖某个单一维度: 在值程度(Moneyness)或者期限结构(Maturity), 来提取期权隐含信息, 如隐含波动率、隐含偏度或者隐含尾部风险等. 如何在两个维度上同时提取隐含信息, 并且如何从众多信息中提取共同信息因子是本文的研究重点. 为解决上述问题, 本文使用了主成分分析结合机器学习的方法, 从期权波动率曲面中提取隐含信息, 并检验其对标的股票收益率的可预测性. 区别于传统方法, PCA-LASSO可以捕捉期权隐含信息的时变性, 同时提炼出不同类型信息的共同驱动因子, 因此对股票收益率具有更好的预测能力.
本文构建了一个能够充分捕获高频数据信息、当前收益率信息以及波动率长记忆性的实时已实现EGARCH-MIDAS (RT-REGARCH-MIDAS) 模型对中国股市波动率进行建模和预测. 采用上证综合指数(SSEC) 和深证成份指数(SZSEC) 5分钟高频数据进行实证研究, 结果表明: RT-REGARCH-MIDAS模型相比其它众多竞争模型具有更好的收益率数据拟合效果, 能够更好地描述股市波动性. 利用稳健的损失函数以及模型置信集(MCS) 检验作为判断准则, 实证比较了该模型与其它竞争模型对中国股市波动率的样本外预测能力. 实证结果表明: 捕获高频数据信息、当前收益率信息和波动率长记忆性对于股市波动率预测具有重要作用; 在众多竞争模型中, RT-REGARCH-MIDAS模型具有最为优越的波动率预测能力. 进一步, 采用不同的已实现测度、不同的预测窗口、不同的MIDAS滞后阶数、不同的预测期以及样本外R2检验进行稳健性检验, 证实了该模型优越的波动率预测能力具有稳健性. 最后, 通过考察模型波动择时策略发现, 该模型能够获得相比其它模型显著更高的投资组合经济价值.
在国内供给侧结构性改革背景下, 市场环境复杂多变, 公司债务违约频发, 建立一种及时有效的财务困境预警模型十分必要. 已有的多数困境预测模型尚未有效解决数据集不平衡、关键预测指标选取不稳定、样本匹配存在随机性等问题, 且并不适应于当下中国复杂多变的市场状况. 为此, 本文采用Bootstrap重抽样方法构建1000个研究样本, 通过LASSO (least absolute shrinkage and selection operator) 变量选择技术筛选关键预测因子构建提前3年预测的Logit模型, 并在预测阶段将样本进行1000次随机切割和预测以降低随机误差. 结果表明, 由Bootstrap样本组建方式结合LASSO构建的Logit困境预测模型相比传统应用的“同行业资产规模相近”方式所构建模型的预测能力更强. 另外, 该嵌入Bootstrap式LASSO-logit模型比主流的O-Score模型、ZChina-Score模型预测效果更好, 准确率提高10%, 更加适用于中国时变的市场.本文所构建模型能帮助公司利益相关者更好地识别财务困境并及时做出调整, 以降低公司债券违约率或避免发生公司违约.
官方微信公众号：计量经济学报
