本文使用的缩写

  • EPU 经济政策不确定性(Economic Policy Uncertainty)
  • FEPU 企业不确定性感知( Subjective perception of economic policy uncertainty)



一、背景

经济政策不确定性(EPU)」 通常是用来衡量经济中政策不确定性水平的一种度量方式。企业作为一个理性的经济主体, 需要根据未来的期望成本和收益进行决策 。政府的经济政策会在很大程度上影响企业的预期成本和收益 , 如果经济政策频繁变化 , 会给企业带来困扰 。现有文献经济政策不确定性测量思路大概有

  1. 股票市场隐含波动率VIX衡量宏观层面经济不确定性。
  2. 利用外生变量,并结合企业对这些外生变量的依赖程度衡量企业面临的不确定性 。如政治事件、能源价格、汇率波动、贸易协定签订。
  3. 利用新闻文本测量的经济不确定性。

但 经济政策不确定性指标(EPU)存在两个问题

  1. EPU是宏观指标, 同期所有企业的EPU有且仅有一个观测值。
  2. EPU默认所有企业是同质, 对经济政策不确定性的感知是相同的。

本推文参考聂辉华等(2020)内的算法, 实现利用 经营讨论与分析(MD&A)文本数据 测量企业「企业不确定性感知FEPU」(FEPU, Subjective perception of economic policy uncertainty) 。



二、EPU&FEPU

2.1 EPU

在复现「企业不确定性感知FEPU」前,我们先了解利用新闻数据测量 EPU 的算法,这样更容易理解 FEPU 的原理。参考Huang、Yun& Paul(2020),大邓在前段时间分享了一个代码教程 代码 | 使用「新闻数据」计算 「经济政策不确定性」指数

新闻数据计算EPU的算法

Step-1. 选择了114家中国大陆的报纸,其中包括北京、上海、广州和天津等主要城市的报纸。
Step-2. 对于每家报纸,搜索包含以下三个关键词之一的文章:经济、不确定性和政策。这些关键词的中文和英文对照可以在论文的表格1中找到。
Step-3. 将每个月的文章数量按照满足第一个关键词的文章数量进行缩放。
Step-4. 将时间序列标准化,使其在2000年1月至2011年12月期间的标准差为1。 保证所有媒体计算得到的epu是可比的。
Step-5. 对十家报纸的月度序列进行简单平均,并将指标归一化,使其在2000年1月至2011年12月期间的平均值为100。

文献中算法内容长, 结构化不足, 理解起来需要一些脑力。 大邓换种描述方式

EPU_t = m/n

- m  时期 t 同时含经济Economic、政策Policy、不确定Uncertainty三类词的新闻条数m
- n  时期 t 总的新闻条数n



2.2 FEPU

理解了 EPU, 就能类比理解「企业不确定性感知FEPU」的算法。

算法 数据 层次 n m
EPU 新闻媒体文本 新闻 时期t新闻总条数n 时期t同时存在E、P、U三类词的新闻条数m
FEPU(word) 管理层讨论与分析(md&a) 词语 将时期t的企业i的 md&a 文本词语个数n。 1. 对md&a进行分句
2. 同时含EP、U两类词的句子中, 统计这些句子中EP、U的词语出现次数之和m
FEPU(sentence) 管理层讨论与分析(md&a) 句子 将时期t的企业i的 md&a 文本进行分句,得到句子个数n 1. 对md&a进行分句
2. 同时含EP、U两类词的句子中, 统计这类句子个数m



三、 准备cntext

EPU 和 FEPU 于今日刚刚封装到 cntext2.1.1 中, 再计算这两个指数, 就变得容易多了。

3.1 安装cntext

我使用的自己 未公开 的cntext 2.1.1 版本, Bug频出,等调整好了再公开。

cntext-2.1.1-py3-none-any.whl 放置于桌面,打开 cmd (苹果电脑打开terminal), 输入cd desktop

cd desktop

之后在 cmd (苹果电脑打开terminal) 中使用 pip3 安装

pip3 install pdfdocx
pip3 install distinctiveness
pip3 install pandarallel
pip3 install cntext-2.1.1-py3-none-any.whl

文末有 cntext-2.1.1-py3-none-any.whl 获取方式



3.2 内置词典

内置文件 词典 参考文献
zh_common_EPU.yaml 经济E、政策P、不确定U Huang, Yun, and Paul Luk(2020)
zh_common_FEPU.yaml 经济政策EP、不确定性U 聂辉华, 阮睿&沈吉(2020)

3.1 查看内置词典

import cntext as ct

print(ct.__version__)
ct.get_dict_list()

Run

2.1.1

['zh_common_NTUSD.yaml',
 'zh_common_DUTIR.yaml',
 'enzh_common_StopWords.yaml',
 'en_valence_Concreteness.yaml',
 'en_common_LoughranMcDonald.yaml',
 'zh_common_FinanceSenti.yaml',
 'zh_common_TsinghuaPraiseDegrade.yaml',
 'zh_common_FEPU.yaml',    聂辉华, 阮睿&沈吉(2020)
 'en_common_ANEW.yaml',
 'en_common_NRC.yaml',
 'zh_valence_ChineseEmoBank.yaml',
 'zh_valence_SixSemanticDimensionDatabase.yaml',
 'zh_common_FinacialFormalUnformal.yaml',
 'zh_common_LoughranMcDonald.yaml',
 'enzh_common_AdvConj.yaml',
 'en_common_SentiWS.yaml',
 'zh_common_Digitalization.yaml',
 'en_common_LSD2015.yaml',
 'zh_common_HowNet.yaml',
 'zh_common_EPU.yaml']      #Huang, Yun, and Paul Luk(2020)

3.1.2 导入词典

import cntext as ct
FEPU_infos = ct.read_yaml_dict('zh_common_FEPU.yaml')
print(FEPU_infos)

Run

{'Name': '中文经济政策不确定性词典', 
'Desc': '中文经济政策不确定性词典, 含经济政策EconomicPolicy、不确定性Uncertainty两个词表', 
'Refer': '聂辉华, 阮睿, 沈吉. 企业不确定性感知、投资决策和金融资产配置[J]. 世界经济, 2020, 43 (06): 77-98.', 
'Category': ['经济政策', '不确定'], 
'Dictionary': 
    {'经济政策': ['市政', '政策', '货币政策', '政策鼓励', '国家', '扩内需', '保增长', '促发展', '产业发展', '法律', '法规', '行业政策', '产业政策', '宏观政策', '国民经济', '有关部门', '产业结构调整', '产业结构', '当地政府', '政府', '经济政策', '经济走势', '所得税', '税收减免', '刺激政策', '限贷令', '限购令', '保障房', '宏观调控', '产业发展', '证监会', '国家政策', '政治', '军事', '政策环境', '宏观', '政府补助政策', '调控政策', '税收政策', '政策扶持'], 
    '不确定': ['风险', '经营风险', '市场风险', '信用风险', '不确定', '波动', '变化', '改变', '徘徊', '不稳', '不稳定', '不寻常', '错综复杂', '非常复杂', '纷繁复杂', '纷纭复杂', '十分复杂', '变得复杂', '风云突变', '矛盾突出', '突变', '复杂多变', '诡谲多变', '阵痛', '过渡', '问责', '整顿', '危险', '动荡', '多变性', '震荡', '难以确定', '难以预测', '难以语料', '难以琢磨', '难以捉摸', '接受考验', '混乱', '时而', '随机']}
    }



3.3 内置函数

ct.epu(df,  freq='Y',e_pattern='', p_pattern='', u_pattern='')
  • df 新闻DataFrame; DataFrame必须含date和text两个字段;每行一条记录,含所有时期所有的新闻。
  • freq 字符串;决定EPU的时间粒度, 年Y、月M、天D, 默认freq=‘Y’
  • e_pattern 字符串;经济类词典,用|间隔词语,形如 e_pattern = ‘经济|金融’
  • p_pattern 字符串;政策词典,用|间隔词语,形如 p_pattern = ‘政策|治理|行政’
  • u_pattern 字符串;不确定性词典,用|间隔词语,形如 u_pattern = ‘风险|危机|难以预测’

返回epu时间序列数据,格式为DataFrame


ct.fepu(text,  ep_pattern='', u_pattern='')
  • text ;某时期t某企业i的管理层讨论与分析md&a文本
  • ep_pattern 字符串;经济政策类词典,用|间隔词语,形如 ep_pattern = ‘经济|金融|政策|治理|行政’
  • u_pattern 字符串;不确定性词典,用|间隔词语,形如 u_pattern = ‘风险|危机|难以预测’



四、测量FEPU

4.1 读取数据

  • mda01-23.csv.gz 管理层讨论与分析2001-2023文本数据
  • 行业代码00-23.xlsx 含股票名称、股票代码、行业等字段。
import pandas as pd

df = pd.read_csv('mda01-23.csv.gz', compression='gzip')
df.columns = ['会计年度', '股票代码', '经营讨论与分析内容']

#上市公司行业信息
ind_info_df = pd.read_excel('行业代码00-23.xlsx')

#合并数据
df = pd.merge(df, ind_info_df, on=['股票代码', '会计年度'], how='inner')

#剔除ST和金融类企业
df = df[(-df['股票简称'].str.contains('ST')) & (-df['行业代码'].str.contains('J'))]
df.sort_values('会计年度', ignore_index=True, inplace=True)
df


4.2 批量计算FEPU

选中字段 「经营讨论与分析内容」, 对该字段 .apply 运行函数 ct.fepu ,得到企业感知经济不确定性风险FEPU(含词语和句子两个FEPU)

%%time
#常规速度代码
#import cntext as ct
#fepu_df = df['经营讨论与分析内容'].apply(ct.fepu)
#res_df = pd.concat([df[['会计年度', '股票代码']], fepu_df],   axis=1)
#res_df.to_csv('result.csv', index=False)
#res_df


#加速版代码
import cntext as ct
from pandarallel import pandarallel
pandarallel.initialize()
fepu_df = df['经营讨论与分析内容'].parallel_apply(ct.fepu)
res_df = pd.concat([df[['会计年度', '股票代码']], fepu_df], axis=1)
res_df.to_csv('企业感知不确定性FEPU指数2001-2023.csv', index=False)
res_df

Run

CPU times: user 1.35 s, sys: 1.2 s, total: 2.54 s
Wall time: 5min 9s

`



4.3 可视化

根据 FEPUw 和 FEPUs 的年度均值, 绘制2001-2022期间的经济政策不确定性变化折线图

import matplotlib.pyplot as plt
import matplotlib
import scienceplots
import platform
import matplotlib_inline
matplotlib_inline.backend_inline.set_matplotlib_formats('png', 'svg')

plt.style.use(['science', 'no-latex', 'cjk-sc-font'])
system = platform.system()  # 获取操作系统类型
if system == 'Windows':
    font = {'family': 'SimHei'}
elif system == 'Darwin':
    font = {'family': 'Arial Unicode MS'}
else:
    font = {'family': 'sans-serif'}
matplotlib.rc('font', **font)  # 设置全局字体


years = range(2001, 2024)
FEPUw_s = []
FEPUs_s = []

for year, year_df in res_df.groupby('会计年度'):
    FEPUw_s.append(year_df['FEPUw'].mean())
    FEPUs_s.append(year_df['FEPUs'].mean())
    
    
plt.figure(figsize=(10, 5))
plt.plot(years, FEPUw_s)
plt.plot(years, FEPUs_s)
plt.scatter(years, FEPUw_s, label='SEPUw')
plt.scatter(years, FEPUs_s, label='SEPUs')
plt.title('感知经济政策不确定性FEPU年度均值', size=12)
plt.xlabel('年份', size=13)
plt.ylabel('FEPU均值', size=13)
plt.legend()
plt.show()



五、参考文献

[1]聂辉华, 阮睿, 沈吉. 企业不确定性感知、投资决策和金融资产配置[J]. 世界经济, 2020, 43 (06): 77-98.
[2]Li, Jing, Huihua Nie, Rui Ruan, and Xinyi Shen. "Subjective perception of economic policy uncertainty and corporate social responsibility: Evidence from China." International Review of Financial Analysis 91 (2024): 103022.
[3]Huang, Yun, and Paul Luk. "Measuring economic policy uncertainty in China." China Economic Review 59 (2020): 10136



六、获取资料

内容原创不易,

- 100元 
   - mda01-23.csv.gz
   - A01-23.csv.gz 

- 100元 cntext-2.1.1-py3-none-any.whl

- 200元 
   - mda01-23.csv.gz
   - A01-23.csv.gz 
   - cntext-2.1.1-py3-none-any.whl
   - 企业感知不确定性FEPU指数

加微信 372335839, 备注「姓名-学校-专业」。



广而告之