国内外大量研究已表明，重大突发事件会对金融市场造成巨大冲击，例如，汶川地震后12个月，震中500公里以内的股票收益率显著为负，且平均为每月−3% 左右^[1]；美国“9.11”事件对标普500指数造成了永久性影响^[2]；日本福岛核泄漏事故导致核电公司股票收益率在短期内显著为负^[3]；2020年1—4月，新冠疫情造成美国股票市场价值下降11%^[4]。部分学者研究突发事件影响金融市场的作用机制，结论表明投资者情绪是影响市场波动的重要因素^[1]。而中央银行由于具有“最后贷款人”属性，因此在重大突发事件中具有消除市场恐慌、稳定金融市场的本源功能。央行沟通作为信息管理的重要政策工具，能够在重大突发事件下作为“信息枢纽”，抑制非正常声音，保障市场主体知情权，从而获取公众信任，减少噪音和市场恐慌，实现金融稳定^[5]。

关于央行沟通对股票市场影响方面的研究成果已较为丰富。由于股票市场对政策信息异常敏感，政策发布后，各种影响股票市场的信息将迅速体现在价格中，因此，央行沟通能够显著影响股票收益率，宽松性政策沟通影响为正，而紧缩性沟通影响为负^[6]，同时能够显著降低股市波动，维持资产价格稳定^[7]。此外，部分研究着眼于央行沟通作用于股票市场的传导渠道，学者们普遍认为央行沟通会通过信号渠道和协同渠道^[8]作用于资产价格，近年来媒体信息渠道^[9]、投资者关注及情绪渠道^[10]逐渐进入研究视野，且研究表明投资者会根据央行沟通内容迅速调整自身情绪^[11]。在研究方法上，张强和胡荣尚^[12]、吴国培和潘再见^[8]分别采用SVAR模型和EGARCH模型评估特定时间区间内央行沟通影响资产价格的总体政策效果，邹文理等^[6]运用事件研究法研究表明央行沟通效果与股票市场背景有关，在熊市或牛市的不同市场背景下，央行沟通对股价的影响存在非对称性。

梳理国内外相关文献，本文认为现有研究仍存在以下局限性：（1）多数文献均聚焦于重大突发事件对金融市场的冲击，而较少有文献评估突发事件下央行的政策效应，即央行所采取的政策操作能否减缓突发事件对市场的冲击。虽有个别学者从案例分析、逻辑演绎等方面说明央行沟通在此次新冠疫情爆发后较好地维护了金融市场稳定^[5]，但尚未有研究从实证角度验证这一结论的正确性。（2）一些学者在探讨央行沟通对金融市场的作用机制时，仅考虑到信息效应、预期效应等对市场参与者造成的影响，而忽略了投资者情绪这一传导渠道，虽有文献注意到央行沟通会影响投资者情绪，但尚未有研究探究其作为央行沟通与股市波动之间传导渠道的存在性。（3）在研究方法上，现有文献仅考察特定时间段内央行沟通的总体效应，从而评价整体政策效果，但实践中由于经济周期变化、货币政策转向、沟通策略调整等复杂因素影响^[13]，央行沟通不会保持一成不变而是不断进行改进、调整，因此其政策效应也会随时间变化而变化，但现有文献并未考虑到央行沟通的动态效应。

沿袭相关研究脉络，本文从央行沟通的效应评估、机理分析以及方法改进三方面对现有文献做出补充，具体贡献如下：（1）聚焦重大突发事件视角，对央行沟通这一政策工具在突发事件下平抑市场波动的效应进行评估。（2）明晰投资者情绪是央行沟通与市场波动之间的重要传导渠道。（3）运用含有时变参数的向量自回归模型考察央行沟通的动态效应。

央行沟通的作用机制是央行通过向市场发布政策信号，以减少噪音，修正公众预期，从而影响资产价格。根据Blinder等^[14]的研究框架，中长期利率受短期利率及其未来各期预期值的影响，而公众利率预期的形成又受到央行沟通所释放信息的影响，即

其中，式（1）表示长期利率由短期利率及其预期值构成， $ {R_t} $ 表示长期利率； $ {r_t} $ 表示当期利率； $ r_{t + n}^e $ 表示t时刻对t+n时刻利率预期值； $ {\alpha _n} $ 表示期限升水； $ {\varepsilon _t} $ 表示随机扰动项。式（2）为利率预期方程， $ {H_j} $ 表示公众的学习过程； $ {\theta _t} $ 表示信号向量，即央行沟通所传递的政策解读、经济形势展望等具体信号。

基于上述模型，央行沟通通过 $ {\theta _t} $ → $ r_{t + j}^e $ → $ {R_t} $ → $ {P_s} $ 这一途径发挥作用，即央行沟通所释放的政策信号 $ {\theta _t} $ 通过信号渠道和协同渠道^[8]37作用于公众短期利率预期 $ r_{t + j}^e $ ，而公众利率预期的变化会进一步影响到中长期市场利率 $ {R_t} $ ，市场利率又会影响贴现率、投资者资产配置、企业经营效益等因素，最终影响到股票价格 $ {P_s} $ 。例如，当央行释放宽松货币政策信号时，会引起公众对未来短期利率预期的下降，这种预期一方面导致现金贴现率下降，另一方面促使投资者调整自身资产组合，即公众预期银行存款等储蓄类资产的收益率下降，从而减少其配置比例，而预期股票等资产的收益率上升从而增加其配置比例，这一投资者行为会导致股票价格上涨。同时，短期利率预期的下降会引起长期资金成本的降低，从而使企业经营效益变好，股票价格上升。此外，央行沟通会降低公众对未来政策利率路径的不确定性（ $ {\alpha _n} $ 下降），从而平抑市场波动^[15]。基于上述分析，本文提出如下假设：

H1. 央行沟通能够降低股票市场波动。

此外，重大突发事件会对金融市场造成巨大冲击，但众多研究已表明，突发事件引起的焦虑、恐慌等负面情绪才是影响股票收益率的主要因素^[1]122，且突发事件引发的恐慌情绪导致金融市场的损失要远大于事件本身对实体经济造成的破坏^[16]。因此，投资者情绪应是突发事件后重点关注的指标。而央行沟通能否通过投资者情绪渠道影响股票价格，也成为本文讨论的另一重点。

研究表明，投资者在接收到货币政策信号后会基于一系列心理过程对信息进行加工处理，进而改变自身消费或投资行为，这种心理上的“告示效应”能够快速、有效传导央行货币政策意图，这一过程表现为投资者情绪，因此货币政策会影响投资者情绪^[17]。基于行为金融理论框架，本文认为，央行沟通会通过投资者关注及投资者预期两种途径影响投资者情绪，进而影响股票价格。首先，投资者注意力具有稀缺性，且获取和学习新信息面临较高的成本，因而只有在面临较大收益或损失时，投资者才会主动获取信息^[18]，而投资者主动获取信息的行为则预示着其交易行为的改变，也表征投资者情绪^[19]，当央行沟通信息被投资者关注到后，就会更新其信息集，从而稳定信心，抑制非理性情绪；其次，当投资者接收到央行沟通传递的信息时，会主动调整自身预期^[20]，而由于投资者是非理性的，因而资本市场中存在认知偏差和情绪传染等效应，投资者预期的变化会直接影响投资者情绪进而影响股票价格^[21]。基于上述分析，本文提出如图1所示央行沟通理论机制，即央行沟通会通过投资者关注和预期影响投资者情绪，进而作用于股票市场。因此，本文提出如下假设：

图 1央行沟通理论机制图

H2. 投资者情绪是央行沟通影响股票市场的重要传导渠道。

本文选取2003年1月—2020年9月为样本区间，其原因在于该时间段内包含非典、汶川地震和新冠疫情三次重大公共突发事件，能够有效对比三次事件下央行沟通平抑市场波动的政策效果。为保证沟通事件样本量充足，本文数据频率为月度数据，共213个观测值，保证了实证结果的可信度和稳健性。本文央行沟通文本通过网络爬虫技术结合手工整理从中国人民银行官方网站、人民网、新浪财经等相关网站及媒体获取，后利用文本分析法构建特定词典，并通过加权、求和计算央行沟通指数，股市波动变量、投资者情绪指标以及其他控制变量均来源于CSMAR数据库。

1.央行沟通指数

国内外已有研究中对于央行沟通的测度方式主要有以下三种：（1）人工赋值法，即根据央行所传递的货币政策倾向对变量进行赋值^[22]，若央行沟通传递释放出宽松的货币政策信号，则赋值为–1，反之，若传递紧缩性政策意图，则赋值为+1，中性意图则赋值为0，这种方法虽易实现，但主观性较强，有效性、准确性较差。（2）以货币政策时期划分为基础进行关键词词频统计，从而通过措辞提取构建沟通指数，但这种方法能够提取的关键词数量有限，难以全面概括央行沟通内容。（3）基于机器学习的文本分析法，如构建特定领域词典从而对沟通内容进行量化^[23]或通过聚类、降维等思想提取核心主题及关键词进而实现文本量化^[24]，这类方法运用文本挖掘技术实现文本信息数字化，避免了人工赋值的主观性，也克服了传统方法在处理速度和容量上的局限性，因此，本文参考林建浩等^[23]的研究，利用文本分析法来构造央行沟通指数，具体方法如下。

第一，文本收集。央行沟通的形式主要有书面沟通以及口头沟通两种。2001年起，中国人民银行首次对外发布季度货币政策执行报告，对国际国内经济金融形势、货币政策取向等相关内容进行研判分析，以引导公众形成一致性预期，增强货币政策有效性。截至2020年底，央行货币政策报告已连续、稳定发布近二十年，具有权威性、规律性、正式性等特点，因此本文选取2003年1月—2020年9月中国央行发布的共70期《货币政策执行报告》作为书面沟通样本。对于口头沟通，则选取央行行长等重要领导人在其任职期间内的讲话、答记者问、新闻发布会及评论文章等作为研究样本，具体而言，在人民网、新浪财经、搜狐网等多个媒体上以“周小川”“周小川货币政策”“易纲”“易纲货币政策”等为关键词按年月在其任职期间内进行新闻爬取，对于相同或类似信息则仅选取首次报道的新闻，同时以中国人民银行官方网站“新闻发布”“政策解读”等栏目中的信息作为补充。此外，央行领导人还经常为人民币国际化、金融体制改革、征信系统建设等方面的其他议题发声，因此，为降低无关内容对指数构建的干扰，本文将这类信息进行剔除，整理筛选后共得到453次有效沟通信息。

第二，文本预处理。对收集到的文本根据其语义进行断句，断句的依据通常为逗号、句号等标点符号，同时根据其传递的信息将句子进行分类，具体分为“货币政策”“经济形势”和“其他”三类，“货币政策”大类又分为“宽松”“稳健”和“紧缩”三个倾向，“经济形势”则分为“正面”“中性”和“负面”三个倾向。此外，由于央行沟通信息中不仅包含对下一阶段宏观经济及政策思路的前瞻性展望，也包含对过往所采取货币政策操作的评述，除包含对中国宏观经济形势的描述外，还包含对世界经济金融形势的探讨，本文将前瞻性的描述货币政策走向以及经济形势展望的句子归为“货币政策”及“经济形势”两类，而对于后顾性及无关信息则归为“其他”，表1展示了部分语句的划分结果。

为保证结果准确性，在确定划分原则后，具体分类过程由两人单独完成，若两人划分结果一致，则直接确定该句子的类别，若划分结果不一致，则交由第三人重新进行分类，探讨后得到最终划分结果，以此为原则得到基础词典。

第三，生成计算词典。基于上述基础词典，采用Python软件中的jieba分词工具对所有文本进行分词处理，去除停用词^①，加载自定义词典^②后经组合、提取，最终生成6 737个短语。

随后选取出现在各类倾向下概率大于50%的短语进入计算词典，这类短语具有明显的倾向性，能够代表沟通信息中所传递的货币政策倾向及经济走势，具体计算公式为

其中， $ {f_n} $ 表示短语n出现的总次数； $ f_n^{c,i} $ 表示短语在类别c倾向i出现的总次数； $ p_n^{c,i} $ 表示短语在该倾向下的概率。最终根据计算结果选取出940个短语组成计算词典。表2给出了部分短语的频次分布统计，报告了某一短语出现的总次数及其在每一分类、每一倾向下出现的次数，并给出了该短语的属性归类。根据式（3）计算每一短语在各类倾向下的概率，在某一倾向中出现的频率大于50% ，则该短语属性归为这一倾向。

第四，构造央行沟通指数。采用短语数量加权法对每一次沟通内容s进行分析，计算某次沟通中属于某一倾向的条件概率

其中，l=940是计算词典中的短语个数；n代表词典中的某一短语； $ P_{n,s}^{c,i} $ 为某一次沟通s中短语n出现在倾向i下的概率； $ P_{n,s}^c $ 为此次沟通s中短语n出现在类别c的概率； $ {f_{n,s}} $ 是在此次沟通s中，短语n出现的次数。

通过式（4）得到每一次沟通中各类倾向下的概率值，再取平均得到每一个月度的概率值，具体如式（5）所示。其中， $ {k_t} $ 为t月的沟通次数。

根据上述结果构造央行沟通指数，计算公式为

其中， $ I_t^{MP} $ 称为货币政策沟通指数（IMP），表示央行货币政策倾向，数值为负表示政策意图倾向于宽松，数值为正则表示货币政策倾向于紧缩； $ I_t^{EO} $ 称为经济形势沟通指数（IEO），表示央行经济形势倾向，数值为正表示经济形势较好，反之表示经济形势较差；二者统称为央行沟通指数。

基于上述方法，对中国央行2003年1月—2020年9月的沟通事件进行量化，得到中国央行沟通指数，由于本文着重分析央行货币政策沟通对市场波动的影响，故后文主要采用货币政策沟通指数作为央行沟通的代理变量进行分析。

2.股票市场波动率（VOL）

本文采用上证综指日收益率的月度标准差来衡量股票市场波动情况，计算公式为

其中， $ {r_t} $ 表示上证综指日收益率； $ \bar r $ 表示当月平均日收益率； $ T $ 表示当月实际交易天数。

3.投资者情绪指数（ISI）

参考 Baker和Wurgler^[25]的研究，采用主成分分析法构造投资者情绪指数，选取A股封闭式基金折价率（CEFDR）、IPO首日平均收益率（IPOR）、IPO个数（IPON）、新增开户数（NAC）、市场换手率（TR）以及消费者信心指数（CCI）六个指标作为代理指标，将上述指标进行标准化处理，同时，选取宏观经济景气指数（BIM）作为宏观经济的代理变量，将标准化的六个指标与标准化后的宏观经济变量分别进行回归后提取残差，以剔除宏观经济噪声，对残差序列进行主成分分析得到投资者情绪指数。

图2所示为央行货币政策沟通指数、股票市场波动率和投资者情绪指数。2003—2008年，中国经济处于经济周期的上升阶段，投资增长过快，消费需求持续趋旺，物价水平上涨严重，通货膨胀压力与经济上行风险较大，甚至出现经济过热现象，在此期间内央行货币政策倾向坚持稳健偏紧、适度从紧，以回收过度流动性，稳定通货膨胀预期，防止经济过热，央行沟通指数在高位运行。其中2003—2005年，受非典疫情等原因影响，中国股市处于熊市，投资者情绪在低位震荡，2006—2007年，宏观经济步入新一轮增长期，股市也进入大牛市，投资者情绪高涨，达到峰值，股市波动率也持续在高位震荡。2008年金融危机后，股市大幅下挫，投资者情绪持续低迷，货币政策倾向逐渐转为适度宽松，沟通指数转为负值。2010年后，受欧债危机蔓延影响，中国股市下跌整理，投资者情绪也持续低迷，此外，为遏制物价上涨、稳定通胀预期，货币政策倾向也逐渐稳健。在2015年的牛市中，投资者情绪先于市场变动，预测了牛市及股灾的到来，投资者情绪达到顶峰，股市波动变量也达到历史新高，2018年贸易摩擦的加剧及2020年新冠疫情的影响也导致股市波动的增加，而在此期间内，货币政策倾向始终保持稳健偏宽松。从上述分析可看出，本文所构建的央行沟通、股市波动以及投资者情绪指数基本符合中国实际，能够衡量出央行货币政策倾向、股市波动以及投资者情绪的变化情况，具有一定的有效性。

图 2IMP、VOL、ISI变量趋势图

本文探究两个核心问题：一是重大突发事件下央行沟通能否平抑股市波动，即假设H1，二是投资者情绪是否是央行沟通与股市波动之间的传导渠道，即假设H2。为探究上述问题，实证检验共包括以下四步：（1）利用TVP-VAR模型考察央行沟通对股市波动在重大突发事件时点下的作用效果以及不同时期下的时变关系。（2）利用中介效应模型检验投资者情绪在央行沟通与股市波动之间的中介作用。（3）对上述实证结果进行稳健性检验。（4）继续运用TVP-VAR模型来进一步探究央行沟通、投资者情绪与股市波动之间的动态关系。

1.利用TVP-VAR模型考察变量间的时变特征，模型具体设定如下

其中， ${y_t} = (\text{IMP}_t,\text{ISI}_t,\text{VOL}_t)$ ； $\text{IMP}$ 、 $\text{ISI}_t$ 及 $\text{VOL}_t$ 分别表示第t期央行沟通指数、投资者情绪以及股票市场波动率。

设定模型中所以参数均服从随机游走，即

其中， ${\beta _{_{s{\text{ + }}1}}} \sim N({\mu _{{\beta _0}}},{{\boldsymbol{\Sigma}} _{{\beta _0}}})$ ， ${\alpha _{s + 1}}\sim N({\mu _{{\alpha _0}}},{{\boldsymbol{\Sigma}}_{{\alpha _0}}})$ ， ${h_{s + 1}}\sim N({\mu _{{h_0}}},{{\boldsymbol{\Sigma}}_{{h_0}}})$ 。 ${{\boldsymbol{\Sigma}}_{{\beta _0}}}$ 、 ${{\boldsymbol{\Sigma}} _{{\alpha _0}}}$ 、 ${{\boldsymbol{\Sigma}} _{{h_0}}}$ 均为对角矩阵。本文采用马尔科夫链蒙特卡罗模拟（Markov Chain Monte Carlo，MCMC）方法对模型进行估计。对所有变量进行ADF单位根检验，发现所有变量均平稳，根据AIC、SIC等原则选择滞后阶数为三阶。

2.为检验投资者情绪的中介作用，借鉴温忠麟等^[26]的中介效应检验程序，构造如下回归模型

其中，VOL为股市波动变量；IMP为央行沟通变量；ISI为投资者情绪变量；Control为控制变量。本文认为，货币政策操作以及宏观经济环境变化是影响股市波动的重要因素，因此选取广义货币供应量（M2）以及银行年存款利率（r）作为数量型货币政策以及价格型货币政策的代表变量，而宏观经济环境方面选取宏观经济景气指数（BIM）以及居民消费价格指数（CPI）作为经济形势以及通货膨胀的代表变量。

本文主要变量的描述性统计结果如表3所示，由统计结果可知，央行沟通变量平均值为−0.065，中位数为−0.014，表明中国央行沟通所传递的货币政策倾向总体来看是稳健偏宽松的。股市波动变量极小值为0.281，极大值为3.927，投资者情绪变量极小值为−1.197，极大值为4.179，差值相对较大，说明中国股市波动程度以及投资者情绪在不同时点的表现有较大差异，具有一定的时变特征。

本文设定MCMC算法的抽样次数为10 000次，由于前期迭代具有不稳定性，因此舍弃掉初始的1 000次预测样本，最终得到9 000次有效抽样样本。模型参数回归结果如表4所示，其中参数后验均值均位于95%置信区间内，Geweke检验统计量最大值为0.874，小于1.96的临界值，且无效因子均较小，最大值仅为85.910，小于100，表明模型估计结果具有有效性。

样本自相关、路径与后验分布图如图3所示，其中自相关系数呈下降趋势并最终趋于0，样本路径较为平稳且样本分布表现出良好的收敛性，表明抽样效果较好，模型结果具有可靠性。

图 3参数估计结果图

2020年初新冠疫情大规模爆发对中国乃至全球资本市场都造成了巨大冲击，为平抑市场波动，中国人民银行联合多部门多次发声，以新闻发布会、座谈会、发表评论文章等形式解读金融抗疫政策，加强与市场的沟通互动，在很大程度上维护了金融市场稳定。因此，研究重大突发事件后央行沟通能否平抑市场波动成为本文研究重点。

选取2003年5月（t=5），2008年5月（t=65）以及2020年2月（t=206）三个时间点，分别代表中国三次重大公共突发事件，即非典、汶川地震以及新冠疫情，来研究特定时点下央行沟通平抑股市波动的政策效应。

图4显示了不同时点下央行沟通对股市波动（ ${\varepsilon _{imp}} \to \text{VOL}$ ）的冲击效应，从首期响应程度来看，2020年新冠疫情时期效应最大且为负效应，2003年非典时期次之，而2008年汶川地震时期效应最小且为正效应，说明新冠疫情和非典发生后，央行沟通均在短期内有效遏制了市场波动，从而支持了假设H1，且新冠时期央行沟通平抑市场波动的政策效果要好于非典时期，但汶川地震时期央行沟通并未起到稳定市场的作用。从趋势来看，新冠疫情时期央行沟通对股市波动的负效应在首期达到最大，但第2期以后转为正效应且在第5期以后收敛于初始值以上，说明疫情时期央行沟通在短期内起到了平抑市场波动的作用，但从中长期来看却使股市波动增加；非典时期负效应也在首期达到最大，第2期后为正，第5期后开始衰减并逐渐收敛于0值，说明非典时期央行沟通也在短期内降低了市场波动程度，但从中长期来看效应并不显著；汶川地震时期脉冲响应函数呈正向波动，于第2期达到极值后逐渐衰减，最终恢复稳定状态，这一结果表明汶川地震时期央行沟通仅引起股票市场短暂调整，但平抑市场波动的效应并不明显。

图 4IMP对VOL的时点脉冲响应图

此外，本文选取0期、3期和6期分别作为短期、中期和长期脉冲响应的时间约束，分析不同时期下央行沟通对股市波动的动态影响，以考察央行沟通平抑市场波动的一般性。

图5显示了不同时期下央行沟通对股市波动( ${\varepsilon _{imp}} \to \text{VOL}$ )的冲击效应，从时变演进角度来看，2003—2016年央行沟通对股市波动的效果主要体现在短期，且大部分时间段内负向效应较为明显，中长期表现形式基本一致但影响微弱，说明央行沟通时滞性较短，能在短期内作用于股票市场，降低市场波动，进一步支持了假设H1，但从中长期来看作用并不明显。其中，2008年起受全球金融危机影响，股市暴跌，波动率剧增，央行沟通未能完全抵消市场的剧烈波动。2011年后负向效应显著增加，说明央行沟通平抑市场波动的政策效果更好，其原因在于2010年第一季度人民银行发布《货币政策执行报告》，设置“通货膨胀预期管理”专栏，提到要“加强与公众沟通，提高货币政策透明度”“做好与公众的沟通和引导工作，增强社会公众对稳定价格的信心”，意味着央行将预期管理提到更加重要的位置，自此，沟通工具平抑市场波动的效果也大大加强。2015年后，央行沟通对股市波动在一段时期内呈现正效应，且中长期效应大于短期效应，其原因在于2015年下半年股灾后市场尚不稳定，政策不确定性较高，央行沟通意图不明朗，一定程度上增加了股市波动。2018年后，从短期效应来看，负向冲击显著增加，央行沟通稳定股票市场的效果不断增强，其原因在于2018年中共中央政治局会议提出“稳预期”并作为“六稳”政策的核心，意味着加强沟通、引导预期、降低市场波动已成为中国宏观调控中高度重视的问题，因而在此之后央行沟通效果进一步加强，稳金融能力进一步提升；但从中长期效应来看，央行沟通却在一定程度上增加了市场波动。此外，图5中零点、拐点、极值点（如2008年、2011年、2018年、2020年等）的频繁出现说明央行沟通对股票市场波动的冲击效应存在结构性突变，容易受到突发事件、政策出台等非预期因素的影响。

图 5IMP对VOL的等间隔脉冲响应图

上文研究表明，央行沟通能够平抑股市波动，这也与大多数学者的研究结论一致，但关于其背后的作用机制仍存争议。多数学者认为央行沟通会通过信号渠道和协同渠道^[8]37作用于资产价格，即央行通过向市场传递信息以减少噪音、降低信息获取成本、缓解信息不对称程度，进而修正市场预期，维护资产价格稳定。但也有学者认为，由于投资者的注意力稀缺性和非理性，投资者并不会主动获取央行沟通信息，也难以正确解读央行所释放的“政策信号”，因而央行沟通可能基于“投资者关注”及“投资者情绪”渠道作用于资产价格^{[10]33[11]441}。此外，大量研究也已表明，突发事件对股票市场造成的冲击主要来源于事件引起的投资者负面情绪，而非突发事件本身^{[1]122[16]199}，因此，厘清央行沟通、投资者情绪与股市波动之间的作用机理具有重要的现实意义。

中介效应模型的回归结果如表5所示，系数 $ {\beta _{11}} $ 、 $ {\beta _{21}} $ 、 $ {\beta _{31}} $ 和 $ {\beta _{32}} $ 均显著，说明投资者情绪在央行沟通与股市波动之间扮演了中介效应的角色，验证了投资者情绪这一传导渠道的存在性，即央行沟通能通过调节投资者情绪从而起到平抑股市波动的作用，从而验证了假设H2。

1.更换检验方法

采用Bootstrap方法对中介效应进行稳健性检验，结果显示95%置信区间为（0.004，0.198），不包含0值，同样也证明了投资者情绪是央行沟通与股市波动之间的重要传导渠道，进一步验证了H2。

2.更换股市波动率指标

上文采用上证综指日收益率的月度标准差来衡量股市波动情况，为保证实证结果的稳健性、全面性，对股市波动率指标进行更换，采用深证成份指数进行稳健性检验，指数构建方式如式（8）所示，得到深市股市波动率指标（VOLS）。对中介效应模型进行稳健性检验，模型具体形式为

检验结果如表6所示，可以看出系数 $ {\beta _{41}} $ 、 $ {\beta _{51}} $ 、 $ {\beta _{61}} $ 和 $ {\beta _{62}} $ 均显著，同时Bootstrap检验结果显示95%置信区间为（0.004，0.212），不包含0值，说明投资者情绪在央行沟通与股市波动之间具有中介效应，即投资者情绪是央行沟通与股市波动之间的传导渠道，再次验证了H2。

上文研究结论已表明，央行沟通会通过投资者情绪渠道作用于股票市场。新冠疫情爆发后，在国务院新闻办公室于2021年2月24日举行的疫情防控新闻发布会上， 央行副行长陈雨露也提及要“及时稳定市场情绪”，可见，稳定投资者情绪已成为央行政策沟通的重要目标。因此研究央行沟通对投资者情绪的影响具有重要意义，基于此，本文将继续从重大突发事件以及不同时期两个方面来研究央行沟通、投资者情绪与股市波动之间的影响效应。

图6为央行沟通对投资者情绪（ ${\varepsilon _{imp}} \to \text{ISI}$ ）的多时点脉冲响应图，从首期冲击的响应程度来看，2020年新冠疫情时期效应最大，2003年非典时期次之，2008年汶川地震效应最小，几乎为0；从趋势来看，2020年2月冲击效应在当期达到最大，随后逐渐衰减，3期后收敛于初始值以下，说明疫情期间央行沟通有效稳定了投资者情绪且这一效应具有持续性。2003年5月冲击效应在第1期达到最大，后迅速减弱，第6期后逐渐收敛于0值。2008年5月冲击在第4期达到最大效应后逐渐平息并收敛于0值。其潜在机制在于，央行通过政策沟通向市场传递信息，进而影响投资者情绪，而信息的传递需要时间，因此央行沟通会存在一定的时滞性，沟通事件发生后，投资者情绪在短期内受到较大程度影响，但随时间推移以及信息效应的减弱，投资者情绪的反应也趋于减弱。从上述分析可以看出，新冠疫情时期央行沟通稳定投资者情绪的效应最大、时滞性最短且持续性较强，效果最好。

图 6IMP对ISI的时点脉冲响应图

图7是央行沟通对投资者情绪（ ${\varepsilon _{imp}} \to \text{ISI}$ ）在不同时期下的脉冲响应图，可以看出，央行沟通对投资者情绪的冲击在三个时期的影响趋势基本相同，且大部分时间段均为负向影响，表明央行货币政策沟通能够在一定时期降低投资者情绪。从时变演进角度看，2003—2008年，中国处于经济周期的上升阶段，经济增长动力强劲，甚至出现经济过热、通货膨胀风险加大等问题，股票市场随之也经历了一轮大牛市，投资者情绪持续高涨，上证综指在2007年10月达到6124的历史最高点，在此期间央行沟通对投资者情绪的冲击呈现稳定负效应，说明央行沟通在市场过热时有效抑制了投资者的过度自信情绪。2008—2010年，央行沟通对投资者情绪的短期冲击呈现正向效应，说明在市场信心不足、国际金融危机影响不断加剧、股票指数震荡下跌的大背景下，央行沟通在短期内提振了投资者信心。2010年后负向效应呈现明显增加趋势，在2011年中达到峰值，说明央行沟通稳定投资者情绪的效果逐渐变好，与上文研究结论相一致。2013—2015年，中国经济企稳回升，股票市场逐渐回暖，上涨行情带动投资者情绪引发新一轮牛市，2015年初股票指数全面大幅上涨，在此期间内，央行沟通仍有效稳定了投资者情绪。受2015年下半年股灾影响，投资者情绪低迷，央行沟通对投资情绪的冲击效应在2016年后呈正向效应，说明股灾发生后央行沟通在很大程度上提振了投资者信心。2018年受贸易摩擦、国际股市动荡等因素影响，股票市场指数总体下跌，央行沟通对投资者情绪也呈现正向冲击。2019年起股票市场回暖，投资者信心增加，央行沟通在短期内较大程度稳定了投资者情绪，但从中长期来看这种效应趋于减弱。基于上述分析可认为央行沟通能够有效调节投资者情绪。

图 7IMP对ISI的等间隔脉冲响应图

图8为投资者情绪对股市波动（ ${\varepsilon _{isi}} \to \text{vol}$ ）在不同时点的脉冲响应图，整体而言，三个时点投资者情绪对股市波动均存在正效应，新冠疫情期间效应最大且持续时间最长，非典时期与新冠疫情时期效应相似，均在首期达到最大值后逐渐下降，但非典时期在第4期后有小幅上升，最后收敛于0值，汶川地震时期冲击效应在第2期达到最大后缓慢下降最终收敛于0值。上述结果说明投资者情绪对股市波动具有正向作用，即投资者情绪高涨会加剧股市波动。

图 8ISI对VOL的时点脉冲响应图

图9是投资者情绪对股票市场波动（ ${\varepsilon _{isi}} \to \text{vol}$ ）的冲击效应，从中长期来看，投资者情绪对股市波动的冲击曲线走势基本相同且冲击系数均为正，说明投资者情绪高涨会助推股价波动，中长期曲线中两次峰值分别出现在2008年金融危机与2015年底股灾后，说明当市场经历剧烈波动后，投资者情绪对股票市场的影响更大。从短期看，投资者情绪对股市波动的冲击呈逐渐减弱趋势，2012年达到极小值，此后股票市场回暖，该效应迅速上升，2015年出现转折点，这体现出投资者情绪对股市波动的影响效应还与宏观经济环境变化及非预期外部冲击等因素有关。

图 9ISI对VOL的等间隔脉冲响应图

基于上述实证结果可得出：三次重大突发事件中，2020年新冠疫情时期央行沟通的政策效果最好，稳定投资者情绪及平抑市场波动的效应最大、时滞性最短、持续性最强，央行沟通应对重大突发事件的能力得到较大提升。此外，央行沟通、投资者情绪与股市波动在短期、中期和长期视角下均存在着明显的动态时变特征，央行沟通能够有效调节投资者情绪，即在市场低迷时提振投资者信心，在市场高涨时稳定投资者情绪；同时央行沟通也能在短期内起到稳定股票市场波动的作用，但这种效应从中长期来看并不明显，甚至会导致市场波动加剧；此外，投资者情绪与股市波动之间存在着明显的正向效应，即投资者情绪高涨会推动股票市场波动。

随着央行独立性不断提高、货币政策框架日益完善，预期管理已成为货币政策发挥作用的重要途径，央行沟通在应对重大突发事件中的作用也受到高度重视，尤其在当前经济面临极高不确定性的“后疫情时代”，建立央行与市场的有效沟通机制，合理引导公众预期，稳定市场情绪，对完善突发事件治理机制，维护金融市场稳定具有重要意义。

本文选取2003年1月—2020年9月中国人民银行的沟通事件为研究样本，运用文本分析法构建央行沟通指数，通过评估非典、汶川地震和新冠疫情三个时点下央行沟通的政策效果，创新性地考察重大突发事件下央行沟通平抑市场波动的有效性，运用主成分分析法构建投资者情绪指数，厘清央行沟通影响股市波动的作用机理，此外，从时变演进角度下研究央行沟通、投资者情绪与股市波动三者之间的动态效应。因此，得到如下结论：（1）重大突发事件下央行沟通能在短期内平抑股市波动且2020年新冠疫情时期政策沟通有效性最强；（2）从不同时期来看，央行沟通能在短期内起到平抑市场波动的作用，但中长期效果并不明显甚至可能加剧股市波动；（3）投资者情绪是央行沟通作用于股票市场的重要传导渠道，央行沟通、投资者情绪与股市波动之间存在明显的时变特征，央行沟通能够有效调节投资者情绪，投资者情绪的高涨则会加剧股市波动。

根据上述研究结论，本文提出如下政策建议：（1）政策沟通在疫情期间效果良好，说明央行应将预期管理提到更加重要的位置，建立健全重大突发事件应急管理体系，优化政策沟通工具平抑市场波动、维护金融稳定的政策效果。（2）针对中长期沟通效果不理想这一问题，央行应更加注重前瞻性指引，提前布局，增强政策引导性、可预期性与透明性，加强对未来经济形势、政策取向的预判研判，引导市场主体按照央行政策意图进行调整。（3）央行应将稳定投资者情绪纳入预期管理政策目标，在发声时注重内容可理解性，将政策意图准确传递到金融市场，防止因对政策的扭曲及误解带来新的不稳定因素，从而降低噪声交易，稳定投资者情绪，避免市场非理性波动。

本文研究对于提升央行应急管理能力及沟通能力具有一定的借鉴意义，但仍存在一些方面的局限性。（1）仅选取非典、汶川地震以及新冠疫情三个样本点评估突发事件下央行沟通平抑市场波动的政策效果，不具有全面性，难以准确、全面考察政策沟通效果，在样本量及代表性上存在一定局限，未来可通过构建模型模拟突发事件冲击以对研究进行改进；（2）仅考虑央行沟通对投资者情绪及股市波动的影响，而事实上市场情绪及价格波动程度作为重要的市场信号，也是央行制定决策时的重要考虑因素，因此，市场信号如何影响央行沟通策略，也将成为未来进一步研究的方向。