经济政策不确定性与人民币汇率波动率

doi:10.16381/j.cnki.issn1003-207x.2021.1654

摘要/Abstract

摘要：

本文在经典的基于极差的条件自回归极差（CARR）模型基础上，借鉴基于收益率的GARCH-MIDAS模型的建模思路，提出基于极差的CARR-MIDAS模型对人民币汇率波动率进行建模。该模型框架充分利用了日内极值信息，且允许低频宏观经济变量（宏观经济信息）通过波动率长期成分和灵活的MIDAS结构直接影响波动率。采用月度全球经济政策不确定性（EPU）指数和日度美元兑人民币（USD/CNY）汇率数据，利用引入EPU的基于极差的CARR-MIDAS（CARR-MIDAS-EPU）模型，实证检验了EPU对USD/CNY汇率波动率的影响及预测作用。实证结果表明：EPU对USD/CNY汇率长期波动率具有显著正向影响，即EPU水平的提高会加剧USD/CNY汇率长期波动率；基于极差的CARR-MIDAS-EPU模型相比其他众多竞争模型（包括基于收益率的GARCH模型、GARCH-MIDAS模型和GARCH-MIDAS-EPU模型以及基于极差的CARR模型和CARR-MIDAS模型）在不同的预测期上（从1天到3个月）具有显著更高的样本外波动率预测精确性，说明极差和EPU包含了USD/CNY汇率波动率预测的重要信息。采用不同版本的全球EPU指数和不同的样本外预测窗口进行稳健性分析，进一步证实了上述研究结论的可靠性。

关键词: 极差, 人民币汇率波动率, 经济政策不确定性, GARCH-MIDAS, CARR-MIDAS

Abstract:

Financial volatility modeling and forecasting has always been a hot topic in financial econometrics， due to its great importance for derivative pricing， asset allocation and risk management. Typically， GARCH model is used to describe the dynamics of financial volatility. However， the GARCH model uses squared return to measure volatility， ignoring the information of intraday price movements. An alternative approach for measuring volatility is to employ the intraday range， which is calculated using the intraday high and low prices. Apparently， the intraday range makes full use of the intraday price information （extreme value information）， which is a more efficient volatility estimator than the squared return volatility estimator.A classical model for describing the dynamics of the intraday range is the conditional autoregressive range （CARR） model， which produces more accurate volatility forecasts than the return-based GARCH model. Despite the empirical success of the range-based CARR model， it cannot capture the impact of macroeconomic variables （macroeconomic information） on financial volatility. In recent years， the level of economic policy uncertainty （EPU） keeps rising， due to a series of events including the US-China trade war and the coronavirus （COVID-19） pandemic. Intuitively， high EPU may affect investors' investment decisions and hence financial market. The foreign exchange market is one of the largest and most liquid financial markets in the world， which is of great relevance for investors and policy-makers and would have a close relation to EPU. As the currency of the world's second largest economy， renminbi plays a more and more important role in the world economy. Since the implementation of renminbi exchange rate regime reform in 2005， the renminbi exchange rate has experienced significant fluctuations. Accurate prediction of the renminbi exchange rate volatility has become increasingly important. To our knowledge， there are few studies investigating the impact of EPU on the renminbi exchange rate volatility.Inspired by the return-based GARCH-MIDAS model， this paper extends the classical range-based CARR model to the range-based CARR-MIDAS model to model the renminbi exchange rate volatility. The model framework explores the intraday extreme value information and allows the low-frequency macroeconomic variable （macroeconomic information） such as EPU directly impacts the volatility via the long-run component of volatility and the flexible MIDAS structure.Using the monthly global EPU index and daily US Dollar against Chinese Yuan （USD/CNY） exchange rate data， the impact and predictive ability of the EPU on USD/CNY exchange rate volatility are investigated relying on the range-based CARR-MIDAS model with the EPU （CARR-MIDAS-EPU）. The empirical results show that the EPU has a significant positive impact on the long-run volatility of USD/CNY exchange rate. That is， an increase in the EPU level predicts higher level of the long-run volatility of USD/CNY exchange rate. The range-based CARR-MIDAS-EPU model produces more accurate out-of-sample forecasts of the USD/CNY exchange rate volatility compared to a variety of competing models， including the return-based GARCH model， GARCH-MIDAS model and GARCH-MIDAS-EPU model as well as the range-based CARR model and CARR-MIDAS model， for forecast horizons of 1 day up to 3 months. This finding suggests that the range and EPU contain valuable information for forecasting USD/CNY exchange rate volatility. The robustness analysis based on the alternative global EPU index as well as the out-of-sample forecasting windows further supports the above conclusion.

Key words: range, renminbi exchange rate volatility, economic policy uncertainty, GARCH-MIDAS, CARR-MIDAS

中图分类号:

F830.9

吴鑫育,谢海滨,马超群. 经济政策不确定性与人民币汇率波动率[J]. 中国管理科学, 2024, 32(8): 1-14.

Xinyu Wu,Haibin Xie,Chaoqun Ma. Economic Policy Uncertainty and Renminbi Exchange Rate Volatility: Evidence from CARR-MIDAS Model[J]. Chinese Journal of Management Science, 2024, 32(8): 1-14.

图/表 9

图1

图2

表1

描述性统计量"

统计量	$r i, t$	$\| r i, t \|$	$R i, t$	$E P U t$
均值	-0.0001	0.0010	0.0011	150.7249
最小值	-0.0144	0.0000	0.0000	48.8964
最大值	0.0181	0.0181	0.0093	430.0177
标准差	0.0017	0.0014	0.0009	72.2540
偏度	0.4067	3.5882	2.1745	1.2348
峰度	15.9693	24.8488	10.7412	4.4340
Jarque-Bera	26138.8708	81865.2329	12207.1151	61.1689
Q(12)	36.9645	2015.4260	11143.1941	989.4587

表1

表2

参数估计结果"

参数	GARCH	GARCH-MIDAS	GARCH-MIDAS-EPU	CARR	CARR-MIDAS	CARR-MIDAS-EPU
$m (ω)$	0.0000	-2.8243	-4.3901	0.0000	-2.3273	-4.0099
	(0.0000)	(0.0273)	(0.0205)	(0.0000)	(0.0303)	(0.0458)
$θ 1$		0.9782	0.9314		0.4260	0.3712
		(0.0037)	(0.0042)		(0.0041)	(0.0052)
$θ 2$			0.2167			0.2212
			(0.0061)			(0.0097)
$γ 1$		19.8509	21.4141		14.3215	15.9958
		(0.0804)	(0.1106)		(0.1859)	(0.3368)
$γ 2$			19.8770			46.2300
			(0.2607)			(1.8430)
$α$	0.0852	0.2580	0.2570	0.2925	0.3986	0.3993
	(0.0027)	(0.0094)	(0.0110)	(0.0114)	(0.0131)	(0.0118)
$β$	0.9146	0.5367	0.5358	0.6693	0.3732	0.3700
	(0.0017)	(0.0133)	(0.0141)	(0.0120)	(0.0160)	(0.0157)
Log-lik	19555.9521	19635.0329	19637.0862	22397.4605	22433.5876	22435.2379

表2

表3

表4

表5

表6

表7

参考文献 63

1	Bollerslev T. Genearlized autoregressive conditional heteroskedasticity［J］. Journal of Econometrics， 1986， 31（3）： 307-327.
2	Parkinson M. The extreme value method for estimating the variance of the rate of return［J］. Journal of Business， 1980， 53（1）： 61-65.
3	Alizadeh S， Brandt M W， Diebold F X. Range-based estimation of stochastic volatility models［J］. Journal of Finance， 2002， 57（3）： 1047-1091.
4	Brandt M， Jones C. Volatility forecasting with range-based EGARCH models［J］. Journal of Business & Economic Statistics， 2006， 24（4）： 470-486.
5	Degiannakis S， Livada A. Realized volatility or price range： Evidence from a discrete simulation of the continuous time diffusion process［J］. Economic Modelling， 2013， 30： 212-216.
6	李红权，汪寿阳. 基于价格极差的金融波动率建模：理论与实证分析［J］. 中国管理科学， 2009， 17（6）： 1-8.
	Li H Q， Wang S Y. Modeling financial volatilities based on price range： Theoretical research and empirical study［J］. Chinese Journal of Management Science， 2009， 17（6）： 1-8.
7	孙便霞，王明进. 基于价格极差的GARCH模型［J］. 数理统计与管理， 2013， 32（2）： 259-267.
	Sun B X， Wang M J. A new class GARCH model based on price range［J］. Journal of Applied Statistics and Management， 2013， 32（2）： 259-267.
8	郑挺国，左浩苗. 基于极差的区制转移随机波动率模型及其应用［J］. 管理科学学报， 2013， 16（9）： 82-94.
	Zheng T G， Zuo H M. Range based regime switching stochastic volatility models with applications［J］. Journal of Management Sciences in China， 2013， 16（9）： 82-94.
9	刘威仪，孙便霞，王明进. 基于日度低频价格的波动率预测［J］. 管理科学学报， 2016， 19（1）： 60-71.
	Liu W Y， Sun B X， Wang M J. Volatility forecasting based on daily frequency prices［J］. Journal of Management Sciences in China， 2016， 19（1）： 60-71.
10	刘威仪. 基于半极差模型的高低价预测［J］. 数理统计与管理， 2019， 38（2）： 314-325.
	Liu W Y. Forecasting high and low prices based on semi-range models［J］. Journal of Applied Statistics and Management， 2019， 38（2）： 314-325.
11	Chou R. Forecasting financial volatilities with extreme values： The conditional autoregressive range （CARR） model［J］. Journal of Money， Credit and Banking， 2005， 37（3）： 561-582.
12	Chen C W S， Gerlach R， Lin E M H. Volatility forecasting using threshold heteroskedastic models of the intra-day range［J］. Computational Statistics & Data Analysis， 2008， 52（6）： 2990-3010.
13	Chou R， Liu N. The economic value of volatility timing using a range-based volatility model［J］. Journal of Economic Dynamics and Control， 2010， 34（11）： 2288-2301.
14	Chiang M H， Wang L M. Volatility contagion： A range-based volatility approach［J］. Journal of Econometrics， 2011， 165（2）： 175-189.
15	Lin E M H， Chen C W S， Gerlach R. Forecasting volatility with asymmetric smooth transition dynamic range models［J］. International Journal of Forecasting， 2012， 28（2）： 384-399.
16	Chan J， Ng K， Nitithumbundit T， et al. Efficient estimation of financial risk by regressing the quantiles of parametric distributions： An application to CARR models［J］. Studies in Nonlinear Dynamics & Econometrics， 2019， 23（2）： 1-22.
17	Chou R， Chou H， Liu N. Range volatility： a review of models and empirical studies［M］//Lee C F， Lee J. Handbook of Financial Econometrics and Statistics. New York： Springer， 2015： 2029-2050.
18	Xie H B. Financial volatility modeling： The feedback asymmetric conditional autoregressive range model［J］. Journal of Forecasting， 2019， 38： 11-28.
19	Xie H B， Wu X Y. Range-based volatility forecasting： An extended conditional autoregressive range model［J］. Journal of Risk， 2019， 21（3）： 55-80.
20	赵树然，任培民，赵昕. 基于CARR-EVT整体方法的动态日VaR和CVaR模型研究［J］. 数量经济技术经济研究， 2012（11）： 130-148.
	Zhao S R， Ren P M， Zhao X. Modeling daily VaR and CVaR by integrating CARR and EVT models［J］. The Journal of Quantitative & Technical Economics， 2012（11）： 130-148.
21	王沁. 基于杠杆效应CARR模型的波动率预测［J］. 数理统计与管理， 2017， 36（1）： 51-58.
	Wang Q. The volatility forecast based on the leverage effect CARR model［J］. Journal of Applied Statistics and Management， 2017， 36（1）： 51-58.
22	王沁. 金融市场间波动溢出效应研究——基于Gumber的二维CARR模型和生存Copula-CARR模型［J］. 数理统计与管理， 2019， 38（3）： 535-548.
	Wang Q. Research on the volatility spillover between financial markets： Based on the Gumber's two-dimensional CARR model and the survival Copula-CARR model［J］. Journal of Applied Statistics and Management， 2019， 38（3）： 535-548.
23	鲁万波，于翠婷，王敏. 基于非参数条件自回归极差模型的中国股市波动性预测［J］. 数理统计与管理， 2018， 37（3）： 544-553.
	Lu W B， Yu C T， Wang M. Forecasting volatility of Chinese stock market with nonparametric conditional autoregressive range model［J］. Journal of Applied Statistics and Management， 2018， 37（3）： 544-553.
24	Baker S R， Bloom N， Davis S J. Measuring economic policy uncertainty［J］. Quarterly Journal of Economics， 2016， 131（4）： 1593-1636.
25	杨子晖，陈雨恬，陈里璇. 极端金融风险的有效测度与非线性传染［J］. 经济研究， 2019， 54（5）： 63-80.
	Yang Z H， Chen Y T， Chen L X. Effective measurement and nonlinear contagion of extreme financial risk［J］. Economic Research Journal， 2019， 54（5）： 63-80.
26	杨子晖，陈里璇，陈雨恬. 经济政策不确定性与系统性金融风险的跨市场传染——基于非线性网络关联的研究［J］. 经济研究， 2020， 55（1）： 65-81.
	Yang Z H， Chen L X， Chen Y T. Cross-market contagion of economic policy uncertainty and systemic financial risk： A nonlinear network connectedness analysis［J］. Economic Research Journal， 2020， 55（1）： 65-81.
27	张喜艳，陈乐一. 经济政策不确定性的溢出效应及形成机理研究［J］. 统计研究， 2019， 36（1）： 115-128.
	Zhang X Y， Chen L Y. A study on the spillover effect and its formation mechanism of economic policy uncertainty［J］.Statistical Research， 2019，36（1）： 115-128.
28	王正新，姚培毅. 中国经济政策不确定性的跨国动态溢出效应［J］. 中国管理科学， 2019， 27（5）： 78-85.
	Wang Z X， Yao P Y. Dynamic spillovers effects of economic policy uncertainty of China［J］. Chinese Journal of Management Science， 2019， 27（5）： 78-85.
29	胡成春，陈迅. 经济政策不确定性、宏观经济与资产价格波动——基于TVAR模型及溢出指数的实证分析［J］. 中国管理科学， 2020， 28（11）： 61-70.
	Hu C C， Chen X. Economic policy uncertainty， macroeconomic and asset price fluctuation： Based on TVAR model and spillover index［J］. Chinese Journal of Management Science， 2020， 28（11）： 61-70.
30	李政，孙丽玲，王子美. 基于关联网络的经济政策不确定性全球溢出效应研究［J］. 国际金融研究， 2020（4）： 54-64.
	Li Z， Sun L L， Wang Z M. A study on global spillover effect of economic policy uncertainty from the perspective of network［J］. Studies of International Finance， 2020（4）： 54-64.
31	张宗新，林弘毅，李欣越. 经济政策不确定性如何影响金融市场间的流动性协同运动？——基于中国金融周期的视角［J］. 统计研究， 2020， 37（2）： 37-51.
	Zhang Z X， Lin H Y， Li X Y. How economic policy uncertainty affects liquidity co-movements among financial markets—From the perspective of China's financial cycle［J］. Statistical Research， 2020， 37（2）： 37-51.
32	钟婉玲，李海奇. 国际油价、宏观经济变量与中国股市的尾部风险溢出效应研究［J］. 中国管理科学，2022，30（2）： 27-37.
	Zhong W L， Li H Q. Tail risk spillover effects among crude oil price， macroeconomic variables and China's stock market［J］. Chinese Journal of Management Science， 2022，30（2）： 27-37.
33	Bartsch Z. Economic policy uncertainty and dollar-pound exchange rate return volatility［J］. Journal of International Money and Finance， 2019， 98： 102067.
34	Engle R F， Ghysels E， Sohn B. Stock market volatility and macroeconomic fundamentals［J］. Review of Economics and Statistics， 2013， 95（3）： 776-797.
35	Ghysels E， Sinko A， Valkanov R. MIDAS regressions： Further results and new directions［J］. Econometric Reviews， 2007， 26： 53-90.
36	Asgharian H， Hou A J， Javed F. The importance of the macroeconomic variables in forecasting stock return variance： A GARCH-MIDAS approach［J］. Journal of Forecasting， 2013， 32： 600-612.
37	Conrad C， Loch K. Anticipating long-term stock market volatility［J］. Journal of Applied Econometrics， 2015， 30： 1090-1114.
38	Wang F， Ghysels E. Econometric analysis of volatility component models［J］. Econometric Theory， 2015， 31： 362-393.
39	Conrad C， Kleen O. Two are better than one： Volatility forecasting using multiplicative component GARCH-MIDAS models［J］. Journal of Applied Econometrics， 2020， 35（1）： 19-45.
40	You Y， Liu X C. Forecasting short-run exchange rate volatility with monetary fundamentals： A GARCH-MIDAS approach［J］. Journal of Banking and Finance， 2020， 116： 105849.
41	郑挺国，尚玉皇. 基于宏观基本面的股市波动度量与预测［J］. 世界经济， 2014， 37（12）： 118-139.
	Zheng T G， Shang Y H. Measuring and forecasting stock market volatility with macro fundamentals［J］. The Journal of World Economy，2014，37（12）： 118-139.
42	苏治，方彤，马景义. 一类包含不同权重函数的混频GARCH族模型及其应用研究［J］. 数量经济技术经济研究， 2018， 35（10）： 126-143.
	Su Z， Fang T， Ma J Y. A kind of GARCH-MIDAS model with different weighting functions and their application research［J］. The Journal of Quantitative & Technical Economics， 2018， 35（10）： 126-143.
43	刘凤根，吴军传，杨希特，等. 基于混频数据模型的宏观经济对股票市场波动的长期动态影响研究［J］. 中国管理科学， 2020， 28（10）： 65-76.
	Liu F G， Wu J C， Yang X T， et al. Long-run dynamic effect of macro-economy on stock market volatility based on mixed frequency data model［J］. Chinese Journal of Management Science， 2020， 28（10）： 65-76.
44	梁超，魏宇，马锋，等. 投资者关注对中国黄金价格波动率的影响研究［J］. 系统工程理论与实践， 2022， 42（2）： 320-332.
	Liang C， Wei Y， Ma F， et al. A study on the impact of investor attention on Chinese gold volatility［J］. Systems Engineering - Theory & Practice， 2022， 42（2）： 320-332.
45	Li T， Ma F， Zhang X， et al. Economic policy uncertainty and the Chinese stock market volatility： Novel evidence［J］. Economic Modelling， 2020， 87： 24-33.
46	Wang X， Luo Y， Wang Z， et al. The impact of economic policy uncertainty on volatility of China's financial stocks： An empirical analysis［J］. Finance Research Letters， 2021， 39： 101650.
47	雷立坤，余江，魏宇，等. 经济政策不确定性与我国股市波动率预测研究［J］. 管理科学学报， 2018， 21（6）： 88-98.
	Lei L K， Yu J， Wei Y， et al. Forecasting volatility of Chinese stock market with economic policy uncertainty［J］. Journal of Management Sciences in China， 2018， 21（6）： 88-98.
48	夏婷，闻岳春. 经济不确定性是股市波动的因子吗？——基于GARCH-MIDAS模型的分析［J］. 中国管理科学， 2018， 26（12）： 1-11.
	Xia T， Wen Y C. Does economic uncertainty matter for stock market volatility？An analysis based on GARCH-MIDAS［J］. Chinese Journal of Management Science， 2018， 26（12）： 1-11.
49	张一锋，雷立坤，魏宇. 羊群效应的新测度指数及其对我国股市波动的预测作用研究［J］. 系统工程理论与实践， 2020， 40（11）： 2810-2824.
	Zhang Y F， Lei L K， Wei Y. A new herd index and volatility forecasting of China's stock market［J］. Systems Engineering - Theory & Practice， 2020， 40（11）： 2810-2824.
50	Zhou Z B， Fu Z Y， Jiang Y， et al. Can economic policy uncertainty predict exchange rate volatility？ New evidence from the GARCH-MIDAS model［J］. Finance Research Letters， 2020， 34： 101258.
51	操玮，崔陈，朱卫东. 多来源经济不确定性对人民币汇率波动的影响研究——基于多因子GARCH-MIDAS模型的分析［J］.金融理论与实践， 2021（7）： 59-69.
	Cao W， Cui C， Zhu W D. Study on the impact of multi-source economic uncertainty on Renminbi exchange rate volatility： Empirical evidence from multi-factor GARCH-MIDAS model［J］. Financial Theory & Practice， 2021（7）： 59-69.
52	Chen L M， Du Z Q， Hu Z H. Impact of economic policy uncertainty on exchange rate volatility of China［J］. Finance Research Letters， 2020， 32： 101266.
53	Wang P P， Li Y S， Wu S X. Time-varying effects of U.S. economic policy uncertainty on exchange rate return and volatility in China［J］. Emerging Markets Finance and Trade， 2022， 58（7）： 1807-1820.
54	黄乃静，汪寿阳. 中欧货币汇率的极端风险传播研究［J］. 管理科学学报， 2018， 21（12）： 1-17.
	Huang N J， Wang S Y. The extreme risk spillover between european currencies and chinese renminbi［J］. Journal of Management Sciences in China， 2018， 21（12）： 1-17.
55	朱孟楠，闫帅. 经济政策不确定性与人民币汇率的动态溢出效应［J］. 国际贸易问题， 2015（10）： 111-119.
	Zhu M N， Yan S. Dynamic spillovers of economic policy uncertainty and RMB exchange rate［J］. Journal of International Trade， 2015（10）： 111-119.
56	Engle R， Rangel J. The spline-GARCH model for low-frequency volatility and its global macroeconomic causes［J］. Review of Financial Studies， 2008， 21（3）： 1187-1222.
57	Diebold F X. Modelling the persistence of conditional variance： A comment［J］. Econometric Reviews， 1986（5）： 51-56.
58	Lamoureux C G， Lastrapes W D. Persistence in variance， structural change and the GARCH model［J］. Journal of Business & Economic Statistics， 1990，8（2）： 225-234.
59	Wu X Y， Hou X M. Forecasting volatility with component conditional autoregressive range model［J］. North American Journal of Economics and Finance， 2020， 51： 101078.
60	Dominicy Y， Elst H V. Macro-driven VaR forecasts： From very high to very low-frequency data［R］. Working Paper， Universite libre de Bruxelles， 2015.
61	Patton A. Volatility forecast comparison using imperfect volatility proxies［J］. Journal of Econometrics， 2011， 160（1）： 246-256.
62	Hansen P R， Lunde A， Nason J M. The model confidence set［J］. Econometrica， 2011， 79（2）： 453-497.
63	Asgharian H， Christiansen C， Hou A J. Macro-finance determinants of the long-run stock-bond correlation： The DCC-MIDAS specification［J］. Journal of Financial Econometrics， 2016， 14： 617-642.

预测期	GARCH	GARCH-MIDAS	GARCH-MIDAS-EPU	CARR	CARR-MIDAS	CARR-MIDAS-EPU
MSE
1d	1.8812E-06	1.7453E-06	1.8053E-06	1.0439E-06	1.0093E-06	1.0034E-06
1w	2.2375E-06	2.0410E-06	2.1601E-06	1.3601E-06	1.2960E-06	1.2722E-06
2w	2.4510E-06	2.2005E-06	2.3525E-06	1.6051E-06	1.4187E-06	1.3825E-06
1m	2.9237E-06	2.3547E-06	2.5333E-06	2.0200E-06	1.4101E-06	1.3620E-06
2m	4.3222E-06	2.3981E-06	2.5451E-06	2.4252E-06	1.3914E-06	1.3427E-06
3m	5.5743E-06	2.3478E-06	2.5311E-06	2.5807E-06	1.3872E-06	1.3465E-06
QLIKE
1d	-5.1629	-5.1734	-5.1679	-5.2063	-5.2171	-5.2189
1w	-5.1440	-5.1453	-5.1383	-5.1510	-5.1880	-5.1927
2w	-5.1362	-5.1361	-5.1282	-5.1023	-5.1727	-5.1801
1m	-5.1270	-5.1352	-5.1261	-4.9900	-5.1789	-5.1887
2m	-5.0712	-5.1370	-5.1294	-4.8115	-5.1864	-5.1965
3m	-5.0353	-5.1400	-5.1314	-4.7389	-5.1904	-5.1989

[1]	吴鑫育,姜晓晴,李心丹,马超群. 基于已实现EGARCH-FHS模型的上证50ETF期权定价研究[J]. 中国管理科学, 2024, 32(3): 105-115.
[2]	吴鑫育,谢海滨,马超群. 得分驱动乘性成分已实现CARR模型及其实证研究[J]. 中国管理科学, 2023, 31(8): 214-225.
[3]	宫晓莉, 刘建民, 熊熊, 张维. 经济政策不确定性与国际金融网络间的尾部风险传染研究[J]. 中国管理科学, 2023, 31(7): 78-90.
[4]	钟婉玲, 李海奇. 国际油价、宏观经济变量与中国股市的尾部风险溢出效应研究[J]. 中国管理科学, 2022, 30(2): 27-37.
[5]	胡成春, 陈迅. 经济政策不确定性、宏观经济与资产价格波动——基于TVAR模型及溢出指数的实证分析[J]. 中国管理科学, 2020, 28(11): 61-70.
[6]	王正新, 姚培毅. 中国经济政策不确定性的跨国动态溢出效应[J]. 中国管理科学, 2019, 27(5): 78-85.
[7]	夏婷, 闻岳春. 经济不确定性是股市波动的因子吗？——基于GARCH-MIDAS模型的分析[J]. 中国管理科学, 2018, 26(12): 1-11.
[8]	彭红枫, 陈奕. 中国铜期货市场最优套期保值比率估计——基于马尔科夫区制转移GARCH模型[J]. 中国管理科学, 2015, 23(5): 14-22.
[9]	刘维奇, 邢红卫, 张信东. 投资偏好与“特质波动率之谜”——以中国股票市场A股为研究对象[J]. 中国管理科学, 2014, 22(8): 10-20.
[10]	李红权, 汪寿阳. 基于价格极差的金融波动率建模：理论与实证分析[J]. 中国管理科学, 2009, 17(6): 1-8.