股市什么时候听经济新闻？新证据来自

州一级的统计数据也在劳工新闻流中占据了相当大的一部分，并被纳入指数中，但在我们的样本结束时，它们相对于国家新闻的份额大幅下降。这种数据驱动的版本包含最少的歧义，在大多数情况下，解释是直接的。例如，2014年12月1日，路透社写道，“美国就业增长在7月略有放缓，失业率意外上升，表明劳动力市场疲软……劳工部在Fr iday上表示，非农就业人数在6月激增29.8万人后，上个月增加了20.9万人。经济学家曾预计就业增加23300人。”，由于失业率上升和就业增长低于预期，我们将其记录为“负面”。大多数非数据驱动的就业相关新闻稿都包含高级官员对美国劳动力市场状况的评论。例如，2014年7月15日，路透社援引美联储主席的话发布了一份声明：“基于人口老龄化和失业水平，劳动力参与似乎比人们预期的要弱。这些以及其他表明劳动力市场仍显着疲软的迹象都得到了大多数小时薪酬指标持续缓慢增长的证实。”，我们也将其归类为“负面”。虽然这些评论清楚地表明了对劳动力市场的负面看法，但在其他情况下，它们可能被视为好消息。例如，金融市场可能认为这表明货币宽松的可能性更大。就业新闻的市场影响与其他经济变量之间的相互作用如Boyd et al.（200 5）所述，其中发现负面失业新闻在经济收缩期间对股价产生负面影响，但在经济扩张期间产生正面影响。

这种非线性效应可以通过适当的经济计量模型和控制来捕捉，就像我们在第4节所做的那样，而不是通过新闻的上下文索引。在这里，我们特别努力从潜在的实际经济信号的角度，而不是从其市场解释或影响的角度，对发布进行分类。附录图1显示了1999年1月至2014年4月期间路透社发布的就业新闻子指数的月值和就业相关新闻的总数。虽然指数在过去15年的大部分时间里都保持正值，但持续负面消息主导的两个时期与2001年一致- 2002年和2007年- 2009年美国NBER经济衰退。在我们的样本期内，劳动力市场新闻的数量变化很大，在2002年10月达到83次发布的峰值，峰值数量大致发生在两次衰退之后，平均每月发布38次。2.4. 住房和建筑新闻次级指数随着劳动力市场新闻的发布，大多数住房和建筑新闻都是数据驱动的，涵盖了由美国商务部、全国住宅建筑商协会、全国房地产经纪人协会、美国建筑学会以及美国住房和城市发展部发布的统计数据。此类发布通常包括有关新建和现有房屋销售、新建房屋竣工、建筑许可证和房屋开工、房屋融资成本、抵押贷款发行和融资利率、房屋可承受性和租金的数据，甚至包括建筑账单。一些数据，如房屋销售、建筑许可证和竣工数据会定期修订，我们会在指数中加入修订的消息。大量新闻稿涉及相关商品市场新闻，例如建筑用材价格的重大变化。

其余的非数据驱动的报道包括旨在刺激建筑业的重大政策举措的新闻，以及偶尔发生的对房屋建筑造成不利影响的极端天气事件。我们的样本中显示的住房和建筑新闻子指数的月度价值以及住房相关新闻的数量如图3所示。与劳动力市场新闻一样，1999年- 除了围绕美国房地产危机的五年期外，2014年期间主要是正面报道。路透社发布的与住房和建筑相关的新闻数量稳步下降，平均每月只有10篇，是样本中四个新闻组中最低的。2.5. 《工业新闻》ub-i Index新闻报道中有关美国工业活动的主要信号是以评论、特别报告和统计数据的形式发布的，这些信息主要由芝加哥、费城和里士满的联邦储备银行、供应管理学会（ISM）和制造商联盟等行业协会发布，a.s.以及主要金融公司发布的研究报告。其中包括工业产出、耐用品订单和非农生产率数据，以及一系列国家和州一级制造业活动指数，例如芝加哥联邦储备银行中西部制造业指数或PMI采购经理人指数。路透社对分析师预期的定期民意调查以及数据修订也受到了极大关注，并经常在新闻中提及。与就业和建筑相关新闻一样，非数据驱动的行业新闻稿大多包含高级官员对美国各州的评论。

制造业和其他工业指标。图2显示了与行业相关的路透社新闻发布数量和行业新闻子指数的月度价值。与就业新闻一样，周期性或持续负面的行业新闻似乎与NBER最近的两次衰退大致一致。有趣的是，行业负面消息的最长跨度出现在2011年末和2012年初——远远超过了2009年6月NBER衰退结束日期，这支持了对美国最近一次衰退的“二次探底”观点。2.6. 能源新闻次指数在该指数所包括的四类新闻中，能源新闻的数量最多，报道范围最广。数据驱动的报告代表了能源新闻的一小部分，除了宣布原油或液化天然气等能源载体的主要价格变动外，还包括生产数据、欧佩克成员国的配额分配和遵守情况、美国战略石油储备的统计数据，美国能源信息管理局（U.S.Energy Information Administration，简称Energy Information Administration）收集的石油余额和其他项目，以及国际能源协会（International EnergyAgency）收集的数据。能源新闻中的无n-数据部分也非常广泛，包含对能源供应产生不利影响的自然和人为灾害的新闻，例如墨西哥湾的重大飓风、石油泄漏或中断石油生产和开采的管道故障、国际和地区冲突，以及导致供应限制或放松的政策制定，如允许新开采的制裁或规则。图4显示了与能源相关的DJE发布数量以及能源新闻子指数的值。

在能源价格稳步上涨的背景下，加上涉及世界上一些最大能源生产商的政治动荡和军事行动，能源新闻分类指数在过去五年的大部分时间里都保持负值，反映了不断增长的供应风险和全球能源需求。2.7. 图5显示了宏观经济新闻指数的综合指数最终值，以及路透社和道琼斯工业平均指数的综合发布数量。该指数似乎正确地反映了在1999-2014年的两次NBER衰退期间，糟糕的经济消息的传播，以及在这两次衰退之间，好消息的普遍性，表明了经济增长的时期。3.我们的方法：条件copula方法。1.copula方法为了更深入地理解宏观经济新闻与股票收益之间的关系，我们采用了一种基于copula理论的相对新的统计方法。考虑一对随机变量X和Y，让F（X；θX）和G（Y；θY）用参数θX和θY表示它们的边缘分布函数，H（X，Y）是联合分布函数。根据Sklar（1959）的结果，节理CD F可以表示为asH（x，y）=C[F（x；θx），G（y；θy）；θC]，（x，y）∈ R、 （1）其中C:[0,1]→ [0,1]是所谓的X和Y的copula，θcis avector包含copula参数。假设u=F（x；θx）和v=G（y；θy），很明显，copula只是（u，v）的联合CDF，我们可以把它写成C（u，v；θC）=H[F-1（u；θx），G-1（v；θy）]。连接函数正成为相关性分析的核心，因为它们提供了X和Y之间关联的完整描述，在变量连续的情况下也是如此。不同的种群家族代表着各种依赖结构，θC中的参数测量关联强度。

例如，一些更好的已知copula族包括捕获线性相关性的高斯copula、测量不对称依赖性的Gumbel和Clayton copula，这些不对称依赖性在较大或较小的数据值之间可能更强，以及允许所有依赖性或数据极端之间依赖性的对称化Joe Clayton（SJC）copula。许多著名的关联度量可以用copula来表示。例如，诸如Kendall的τ和Spearman的ρ等Rank相关度量可以用C表示为τ=4ZZC（u，v）dC（u，v）- 1（2）和ρ=12ZZC（u，v）dudv- 3.（3）copula方法的一个主要优点是，它能够对X和Y的边际行为以及嵌入C中的依赖结构进行单独建模，这意味着可以指定一个丰富的关联模型，该模型不受margina ls F和G的限制。有关copula的介绍，请参见Joe（1997）A和Nelsen（2006），Cherubini等人（2004年）和Patton（2009年）研究了连接函数在金融中的应用。当边际模型包括其他控制变量时，这相当于Patton（2006）的条件copula方法。在这种情况下，copula在“扣除”包含在边缘控制中的变量的影响后捕获依赖性。我们的目标是通过对数据指定和设置准确的copula模型，探索宏观经济新闻变量与总股本回报之间的依赖性。虽然人们已经做了很多工作来评估经济新闻对股票回报的影响，但我们特别感兴趣的是预测这种关系中的非线性，例如，尾部相关性，即极端之间的相关性，或者一个变量的非常大（或很小）值与另一个变量的非常大（或很小）值相关的趋势。

换句话说，除了使用copula方法更好地理解宏观经济新闻和证券回报之间的整体关联外，我们的目标也是衡量极端新闻事件的市场影响。这种极端依赖性通常通过所谓的上尾依赖系数和下尾依赖系数来研究，分别表示为λu和λl，定义为λu=limu→1.-1P r[F（x）≥ u | G（y）≥ u] =利木→1.-11- 2u+C（u，u）1- u、 （4）λl=limu→0+pr[F（x）≤ u | G（y）≤ u] =利木→0+C（u，u）u.（5）λu（λl）的值越大，表明变量的大（小）极值同时出现的趋势越强。因此，我们的目标之一是获得经济新闻变量和证券市场回报之间的系数λu和λl的估计值。3.2. 估计微分方程（1）将揭示X和yc的联合PDF可以表示为f（X，y；θX，θy，θc）=f（X；θX）g（y；θy）c（u，v；θc），（6）其中f（X；θX）和g（y；θy）是边际密度，c（u，v；θc）是所谓的copula den s定义的asc（u，v；θc）=C（u，v；θC）Uv、 （7）因此，通过最大化相应的对数似然函数log（f（x，y；θx，θy，θc））=log（f（x；θx））+log（g（y；θx））+log（g（y；θy））+log（c（u，v；θc）），（8）其中lx=log（f（x；θx））和ly=log（g（y；θy））是边际模型的对数似然，而lc=log（c（u，v；θc）是copula似然对数）。Joe和Xu（1996）提出了一种两步方法，其中边缘模型首先使用最大似然法独立估计，从而获得u和v的值，然后在给定边缘估计的情况下，通过最大化lc获得copula参数的估计。当边缘参数化时，这种方法称为边缘推理函数（IFM）。当边缘是非参数时，这个过程称为标准最大似然（CML）。

Joe（1997）在一组正则条件下证明了IFM估计的相合性和渐近正态性。该估计器也被认为是高效的（例如，见Michelis and Ning（2010）），我们在这里使用它作为主要的估计方法，以及删除一个jack-knife程序来估计系数方差，如Joe和Xu（1996）4。实证结果我们使用纽交所、纳斯达克和纽交所Arca上市证券的价值加权投资组合的月度股息内含回报率作为美国股票收益率的衡量指标，所有数据均取自证券价格研究中心（CRSP）的月度股票收益率。接下来，我们详细介绍了证券收益和宏观经济新闻指数的边际模型，以及依赖性的copula模型。4.1. 序列诊断测试估计方法要求所有序列都是平稳的。此外，为了确保copula估计的有效性，边际模型必须准确地捕捉序列中可能存在的任何序列相关性，例如自相关或条件异方差。因此，我们首先对我们的新闻变量MNIt、估值加权市场r eturns Rt、就业新闻子指数ENIt、行业新闻子指数INIt、能源新闻子指数ENNITAN以及住房和建筑新闻子指数系列HNIt进行诊断测试。

表3显示了基于ADF检验的单位根零假设、通过Engle（1982）ARCH检验获得的条件统计量和基于Ljung-Box Q检验的序列相关性，对于12个月的序列滞后，所有这些都在5%显著水平下进行。我们发现，虽然所有序列似乎都没有单位根，但除了INIt，ll序列中存在条件异方差，并且除了Rt，ll序列是连续相关的。5%单位R时拒绝为空，oot异方差自相关RTREJECT不拒绝RejectMNItReject不拒绝不拒绝REJECTREJECT不拒绝不拒绝REJECTREJECT不拒绝rejectENItReject不拒绝不拒绝rejectENItReject不拒绝不拒绝表3：新闻变量和安全返回的诊断测试。4.2. 边际模型我们从证券收益的边际模型开始。与Birz和Lott（2011）类似，我们在市场回报的margina l模型中加入了一个经济惊喜变量，以控制与经济统计数据发布相关的惊喜效应。由于新闻的影响可能取决于当前的经济状况，我们还包括当前的失业率，以控制这种互动。由于回报率不是连续相关的，我们不包括任何滞后。我们的证券收益边际模型具体如下：Rt=β+βXt+βLt+r，t，（9）σr，t=θ+θσr，t-1+θr，t-1，sσr，tr，t~ N（0，1），（10）其中RTI是t月的价值加权市场回报，X经济数据意外，LTI是当前的去趋势美国失业率，r是方差σr，t的误差项，N（0，1）是标准正态分布。

因此，我们对RTA进行了条件正态建模，根据当前的经济状况和意外情况，采用时变平均值，并采用GARCH（1，1）过程来捕获波动性集群。我们使用Scotti和Yue（2013）的美国经济意外指数作为我们的Xt衡量指标，该指数显示了预期和实际经济数据发布之间的累积差异。这里对经济数据和当前经济状况的控制意味着，我们对市场回报和经济新闻变量之间关系的分析将受益于市场对统计数据发布中意外事件的反应，也不会受到市场和商业周期不同阶段之间互动的驱动。换句话说，我们将在下一节讨论的股票市场和经济新闻之间的差异不是由经济新闻的数据揭示部分决定的，也不是由于真实经济波动的市场影响，而是代表了市场对我们所指数的各种新闻线信号的短期反应。表4显示了（9）中边际模型的最大似然估计。正如预期的那样，GARCH（1，1）项是非常重要的，con^^^^^^^^^^^^^^^^^^^^^^θ^^^^θ^θ^^^^^^^θ。