JLN 不确定性测度框架 (Uncertainty as Conditional Volatility of Forecast Errors)
Definition. Jurado, Ludvigson & Ng (2015, AER) 给"不确定性"下的操作性定义: 不确定性 = 从经济主体视角看不可预测的那部分扰动的条件波动率。关键在两步走 —— 先用预测模型剥掉可预测成分, 再对残差估条件波动率。这与"直接对原始序列估波动率"有本质区别。
为什么"波动率 ≠ 不确定性"
一个高波动但完全可预测的序列并不使人不确定 (比如已知的季节性摆动); 一个低波动但机制不明的序列可能高度不确定。JLN 的定义把这个差别形式化:
\mathcal{U}_{i,t}(h) \equiv \sqrt{ E\!\left[ \left( y_{i,t+h} - E[y_{i,t+h} \mid \mathcal{I}_t] \right)^2 \,\middle|\, \mathcal{I}_t \right] }
减掉的是条件期望 E[y_{i,t+h} \mid \mathcal{I}_t] —— 主体信息集下能预测的部分。剩下的才计入不确定性。聚合层面再对大量序列的 \mathcal{U}_{i,t} 取 (等权或特征向量加权) 截面均值, 得到"普遍不确定性" (pervasive uncertainty)。
三步配方
flowchart LR
A["原始序列 y_i,t<br/>(宏观面板 / 因子收益 / …)"] --> B["Step 1: 预测模型<br/>剥掉 E[y | I_t]"]
B --> C["Step 2: 对残差 ε_i,t<br/>估条件波动率 σ_i,t"]
C --> D["Step 3: 截面聚合<br/>U_t = mean_i(σ_i,t)"]
三步各自都有设计自由度, 而第一步的选择决定了什么被归类为"不确定" —— 这是整个框架里最容易被忽略、后果最大的一处。
第一步的反直觉之处: 均值模型应该"弱"
直觉上预测模型越强越好, 但在这个框架里方向是反的: 一个高 R^2 的均值模型会把主体实际面对的变异当成"已预测"扣掉, 从而系统性低估真实不确定性。
Factor Uncertainty Index (FUI) (因子不确定性指数) 是这一点的干净例证。Huovinen (2026) 在 13 个因子主题上用滚动 AR(1), 样本内 R^2 中位数仅 1.32%, 并明确论证这是设定的验证而非缺陷。稳健性证据很强:
- BIC 在 13 个主题上一致选中 AR(1), ARMA(1,1) 从未被选中;
- AR(1)/AR(2)/AR(3)/BIC-optimal 四种设定构造的指数两两相关 > 0.9999;
- 连纯截距预测 (即只减去滚动均值) 的版本都与 AR(1) 版相关 0.9996。
也就是说: 当被测对象本身近乎不可预测时 (月频因子收益正是如此), 第一步的具体形式几乎不影响结果 —— 框架此时是稳健的。反过来推论: 当被测对象有实质可预测性时, 第一步的选择会成为结论的主要驱动, 必须显式论证。
与"可观测显现"型指标的对比
JLN 框架的定位是对照三类既有做法建立起来的:
| 指标 | 测什么 | 性质 |
|---|---|---|
| VIX / 已实现波动率 | 期权隐含或历史标准差 | 不确定性的可观测显现; 混入风险溢价与风险厌恶 (Bekaert-Hoerova-Lo Duca 2013 做了分解) |
| EPU (Baker-Bloom-Davis 2016) | 报纸中政策不确定性的报道强度 | 媒体叙事的代理; 与 VIX 月均高度相关 |
| JLN 宏观/金融不确定性 | 大规模宏观面板不可预测成分的共同条件波动率 | 数据驱动, 不依赖单一可观测指标 |
JLN 的设计意图是尽量不条件于任何单个可观测经济/金融变量 —— 不确定性由序列自身的不可预测成分定义, 而不是宏观状况的投影。Huovinen (2026) 明确继承了这一点: FUI 纯粹从因子收益本身构造, 不加宏观控制变量。
移植到因子空间时的三处改动
| 环节 | JLN (2015) 原版 | FUI (2026) |
|---|---|---|
| 被测面板 | 132 个宏观 + 147 个金融序列 | 13 个因子主题 (源自 153 个特征) |
| 第一步 | 因子增广的预测模型 (diffusion index) | 滚动 AR(1), 120 月窗 |
| 第二步 | 随机波动率 | 四估计器并列: EWMA / GARCH / RV12 / SV |
| 聚合 | 等权 (亦测过特征向量加权) | 等权 (未测其他加权) |
值得注意的是移植后的实证独立性: FUI 与 JLN 宏观不确定性相关仅 0.233–0.329, 且在联合预测回归中 JLN 完全不显著 (t = -1.14 \sim -1.81) 而 FUI 全程显著。同一套方法学配方、不同的被测面板, 产出的是经济上不同的量 —— 这本身就说明"面板选择"是这个框架里的一等公民设计决策。
框架的通用性与本 wiki 的可用接口
任何"某个空间有多不可预测"的问题都可以套这三步。对本 wiki 关心的方向, 直接可试的面板包括:
- A 股因子主题面板 → A 股版 FUI (需先做因子聚类, 见 Factor Themes (13 因子主题分类));
- 行业收益面板 → 行业结构不确定性;
- 个股残差收益面板 (剥掉因子暴露后) → 与 Idiosyncratic Volatility Puzzle (特质波动率之谜) 的截面关系;
- 执行成本 / 滑点序列面板 → 微观结构不确定性。
每一种的第一步都要单独论证: 被测对象是否近乎不可预测? 若不是, 均值模型的选择就成了结论的主要驱动。
局限
- 生成回归元问题: 第二步的条件波动率依赖第一步的估计残差, 指数本身是"估出来的回归元", 后续预测回归的标准误需要额外处理 (见 Predictive Regression Diagnostics (预测回归的统计陷阱))。
- 聚合掩盖异质性: 等权截面均值把分歧压平。FUI 的例子里, 四个估计器全样本相关 0.84–0.98 却在 60 月滚动窗上有 80–95% 的时间低于 0.90。
- 不区分"不确定性的来源": 框架只给一个标量, 不告诉你不确定来自现金流、贴现率还是结构变化。FUI 的因子分组分解 (value/fundamental 组独占预测力) 是事后补上这一层的做法。
See also
- Factor Uncertainty Index (FUI) (因子不确定性指数) — 这个框架在因子空间的实例
- Stochastic Volatility vs Deterministic Volatility (随机波动率 vs 确定性波动率) — 第二步的估计器选择
- Predictive Regression Diagnostics (预测回归的统计陷阱) — 生成回归元与持久预测元的统计后果
- Factor Themes (13 因子主题分类) — FUI 的被测面板
- Huovinen 2026 Measuring Equity Factor Uncertainty — 移植到因子空间的论文
Sources
- summaries/202604-measuring-equity-factor-uncertainty/202604-measuring-equity-factor-uncertainty — (2026-08-12) 摘要
- Jurado, K., Ludvigson, S. C., & Ng, S. (2015). "Measuring Uncertainty." American Economic Review 105(3), 1177–1216.
- Baker, S. R., Bloom, N., & Davis, S. J. (2016). "Measuring Economic Policy Uncertainty." QJE 131(4), 1593–1636.
- Bekaert, G., Hoerova, M., & Lo Duca, M. (2013). "Risk, Uncertainty and Monetary Policy." Journal of Monetary Economics 60(7).