Monetary policy and long‐term interest rates

作者: Gianni Amisano, Oreste Tristani
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 2/10
机构绿灯: University of Chicago（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/qe1287

---

一、领域脉络与小综述

这个方向是什么

本文研究的根本问题是：如何在一个结构化的、基于微观基础的宏观经济模型（DSGE）中，同时解释短期政策利率（货币政策工具）与长期利率（如10年期国债收益率）的联动关系，并识别出驱动长期利率中风险溢价成分的关键宏观经济冲击。 该方向的核心挑战在于，传统的宏观模型（如标准DSGE）通常能很好地拟合宏观变量（产出、通胀、利率），但难以匹配金融市场的期限结构数据（特别是长期利率的波动性和风险溢价）；而金融领域的仿射期限结构模型（affine term structure models）虽然能很好地拟合收益率曲线，但其因子往往缺乏清晰的经济学解释。因此，该方向试图弥合宏观与金融之间的鸿沟，构建一个“宏观-金融”统一的框架。当前成熟度属于方法已建立、但仍在不断扩展和细化的阶段，本文是其中一个具体的应用实例。

发展脉络（history）

根据本文的引言和参考文献，该方向的发展脉络可梳理如下：

1. 奠基工作：标准DSGE模型与仿射期限结构模型的并行发展

   • Smets & Wouters (2007)：建立了现代新凯恩斯DSGE模型的基准，能够很好地拟合美国宏观数据，但不包含金融变量，因此无法直接研究长期利率。
   • Dai & Singleton (2000) 和 Ang & Piazzesi (2003)：建立了仿射期限结构模型，将收益率曲线表示为少数几个潜在因子（如水平、斜率、曲率）的线性函数。这些模型能很好地拟合收益率曲线，但因子缺乏结构性解释，无法回答“是什么经济冲击导致了期限溢价的变化？”。

2. 主要进展：将金融摩擦或期限结构引入DSGE

   • Rudebusch & Wu (2008)：尝试将宏观因子（通胀、产出缺口）与仿射期限结构模型结合，但模型是半结构化的，缺乏完整的微观基础。
   • Bekaert, Cho & Moreno (2010)：在一个结构化DSGE模型中引入期限结构，但假设风险溢价是常数，这与数据中观察到的时变性不符。
   • De Graeve (2008) 和 Hördahl, Tristani & Vestin (2008)：是本文的直接前驱。他们构建了包含时变风险溢价的DSGE模型，并同时估计宏观和金融数据。本文作者指出，这些早期工作虽然成功，但风险溢价的变化主要来源于外生冲击的“量”（quantity）的变化，而非冲击“价格”（price）或不确定性的变化。本文试图填补这个缺口。

3. 当前Frontier与本文的位置

   • 当前的前沿是：在DSGE框架内，识别并量化驱动风险溢价时变性的具体经济机制。本文的贡献在于，它引入了一个生产率冲击条件方差（即“不确定性冲击”）的体制转换（regime switching） 机制。作者认为，这种“不确定性冲击”是驱动债券风险溢价的关键因素，而不仅仅是冲击本身的大小。这使得模型能够同时解释“美联储看跌期权”（Fed put）现象和长期通胀预期的脱锚。因此，本文将自己定位为：在结构化宏观模型中，用“不确定性”而非“冲击量”来解释金融市场价格波动的一个具体尝试。

子线索聚类

这些被引文献大致落在两条子线索上：

• 线索一：宏观-金融DSGE模型（Macro-Finance DSGE）。这一簇的工作致力于在DSGE框架内同时建模宏观变量和金融变量（如收益率曲线、股票价格）。代表工作包括：De Graeve (2008), Hördahl, Tristani & Vestin (2008), Bekaert, Cho & Moreno (2010)。它们共同的特点是：模型是结构化的，参数有经济含义，但风险溢价驱动机制相对简单。
• 线索二：仿射期限结构模型（Affine Term Structure Models）。这一簇的工作专注于用统计方法拟合收益率曲线，不强调结构性解释。代表工作包括：Dai & Singleton (2000), Ang & Piazzesi (2003)。它们的特点是：拟合效果好，但因子缺乏经济含义。本文的结果（10年期期限溢价与仿射文献估计高度相关）表明，其结构性模型在捕捉风险溢价动态方面与这些纯统计模型是一致的。

这个方向在追问的核心问题

1. 识别问题：如何从宏观和金融数据的联合动态中，识别出驱动风险溢价的具体结构性冲击（如技术冲击、货币政策冲击、风险偏好冲击）？
2. 定价机制：风险溢价是如何在一般均衡中内生决定的？是源于冲击的“量”（冲击大小），还是“不确定性”（冲击的方差），或是投资者的风险厌恶程度？
3. 模型拟合：一个结构化的DSGE模型能否在拟合宏观数据的同时，也匹配收益率曲线的关键特征（如期限溢价的水平、波动性和时变性）？
4. 政策含义：模型对货币政策传导机制（特别是长期利率渠道）和金融稳定（如“美联储看跌期权”）有何启示？

已知瓶颈：DSGE模型的似然函数通常很复杂，估计困难（需要贝叶斯MCMC）；模型设定（如效用函数、生产技术、冲击过程）对结果高度敏感；难以同时完美拟合宏观和金融数据的全部特征。

⚠️ 作者的 framing

• 作者把缺口 frame 成什么：作者认为，现有宏观-金融DSGE模型（如De Graeve, 2008）虽然能产生时变风险溢价，但其变化主要源于冲击“量”的波动。作者声称，引入“不确定性冲击”（即冲击条件方差的体制转换）是“显然的下一步”，因为它能更好地解释风险溢价的波动，并产生与“美联储看跌期权”一致的机制。作者将本文定位为对“不确定性”这一驱动因素的首次系统性结构化探索。
• 哪些竞争路线被他淡化或回避了：作者淡化了纯统计的仿射模型的贡献，尽管其核心结果（期限溢价相关性）正是与这些模型对比。作者也回避了其他类型的冲击（如货币政策冲击本身的不确定性、金融中介冲击）作为风险溢价主要驱动因素的可能性。模型中的不确定性冲击是唯一的体制转换过程，这可能是为了简化，但也可能忽略了其他重要的不确定性来源。
• 什么明显该被引 / 该存在、却没出现在 intro 里？：本文没有引用任何关于随机波动率（Stochastic Volatility, SV） 的宏观或金融文献。在DSGE中引入时变波动率（而非体制转换）是另一个活跃且更灵活的方向（如Justiniano & Primiceri, 2008; Fernández-Villaverde & Rubio-Ramírez, 2007）。作者选择用两状态的马尔可夫体制转换来建模不确定性，而非连续的SV过程。这是一个重要的建模选择，但引言中没有讨论为何选择体制转换而非SV，也没有与SV文献进行对比。这是一个值得研究者去查的问题：体制转换 vs. 随机波动率，在解释风险溢价时哪个更合适？各自的优缺点是什么？

张力

未见明显对立引用。所有被引工作都指向同一个目标：更好地理解宏观与金融市场的联系。不同工作之间的差异更多是建模选择（如风险溢价来源、冲击过程设定）的差异，而非根本性的结论矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

• 符号：

  • \( Y_t \)：可观测的宏观变量向量，包括实际GDP增长、通胀、短期政策利率（联邦基金利率）。
  • \( X_t \)：可观测的金融变量向量，包括不同期限（如1年、5年、10年）的国债收益率。
  • \( S_t \)：不可观测的状态变量向量，包括模型中的各种经济冲击（如生产率冲击、货币政策冲击、偏好冲击）和内生状态变量（如资本存量）。
  • \( \xi_t \)：不可观测的体制变量，取值为1或2，代表“低不确定性”或“高不确定性”体制。它是一个两状态的马尔可夫链。
  • \( \epsilon_t^a \)：生产率冲击（技术冲击）。其条件方差 \( \sigma_a^2(\xi_t) \) 依赖于体制 \( \xi_t \)。这是模型的核心。
  • \( \theta \)：模型的结构参数向量，包括偏好参数、生产技术参数、货币政策规则参数、冲击的持久性和方差等。
  • \( r_t^{(n)} \)：n期零息债券在t时刻的（对数）收益率。这是模型要拟合的金融变量。
  • \( tp_t^{(n)} \)：n期债券的期限溢价，即 \( r_t^{(n)} \) 中超出预期短期利率平均值的部分。

• 模型：

  • 这是一个新凯恩斯DSGE模型。其核心是：一个代表性家庭最大化效用（消费、劳动、持有债券和股票），一个代表性厂商在垄断竞争和价格粘性下生产，一个中央银行遵循泰勒规则（Taylor rule）设定短期利率。
  • 关键创新：生产率冲击 \( \epsilon_t^a \) 的条件方差 \( \sigma_a^2(\xi_t) \) 服从一个两状态的马尔可夫体制转换过程。当 \( \xi_t = 2 \) 时，\( \sigma_a^2 \) 更高，代表“高不确定性”时期。
  • 定价内核：模型通过家庭的跨期最优条件（欧拉方程）推导出随机贴现因子（Stochastic Discount Factor, SDF） \( M_{t,t+1} \)。所有资产的价格都由 \( E_t[M_{t,t+1} R_{t+1}] = 1 \) 决定，其中 \( R_{t+1} \) 是资产总回报。风险溢价正是由SDF与资产回报的协方差驱动。
  • 模型求解：模型在稳态附近对数线性化，然后通过扰动法（perturbation method）或投影法（projection method）求解，得到状态空间形式。

• 可观测数据：

  • 研究者实际能观测到的是什么：
    • 宏观时间序列 \( \{Y_t\}_{t=1}^T \)：实际GDP增长、GDP平减指数通胀、联邦基金利率。
    • 金融时间序列 \( \{X_t\}_{t=1}^T \)：1年、5年、10年期国债收益率。
  • 哪些是潜在/不可观测的：
    • 模型中的所有状态变量 \( S_t \)（如技术冲击、偏好冲击、资本存量）。
    • 体制变量 \( \xi_t \)（高/低不确定性时期）。
    • 债券的期限溢价 \( tp_t^{(n)} \)。
    • 长期通胀预期。
  • 如何识别：这些不可观测的量是通过模型的结构假设和贝叶斯估计来推断的。具体来说，模型将可观测数据 \( \{Y_t, X_t\} \) 与不可观测状态 \( \{S_t, \xi_t\} \) 通过一个状态空间模型联系起来。贝叶斯MCMC方法用于从数据的联合分布中后验推断出状态和参数。

第二步：讲最小内核

本文的核心思路可以用一个最简特例来理解：一个只有生产率冲击和体制转换的纯消费模型。

• 最简特例设定：

  • 假设经济中只有一个代表性消费者，没有资本，没有政府，没有价格粘性。消费 \( C_t \) 等于产出 \( Y_t \)。
  • 产出由生产率 \( A_t \) 决定：\( Y_t = A_t \)。
  • 生产率增长 \( \Delta \log A_t = \mu + \epsilon_t^a \)，其中 \( \epsilon_t^a \sim N(0, \sigma_a^2(\xi_t)) \)。
  • 消费者的效用函数为 \( E_0 \sum_{t=0}^\infty \beta^t \frac{C_t^{1-\gamma}}{1-\gamma} \)，其中 \( \gamma \) 是相对风险厌恶系数。
  • 消费者可以买卖一种无风险的一期债券（短期利率 \( r_t^f \)）和一种多期债券（如两期债券，其价格 \( P_t^{(2)} \)）。
  • 体制 \( \xi_t \) 是一个两状态马尔可夫链，转移概率矩阵为 \( \Pi \)。

• 在这个特例下，核心问题退化成什么？

  • 核心问题退化为：生产率冲击的不确定性（\( \sigma_a^2(\xi_t) \)）如何影响多期债券的风险溢价？
  • 在这个特例下，SDF 简化为 \( M_{t,t+1} = \beta (C_{t+1}/C_t)^{-\gamma} = \beta (A_{t+1}/A_t)^{-\gamma} \)。由于消费增长完全由生产率增长驱动，SDF 完全由生产率冲击 \( \epsilon_{t+1}^a \) 决定。
  • 两期债券的价格 \( P_t^{(2)} \) 由 \( E_t[M_{t,t+1} M_{t+1,t+2}] \) 给出。其收益率 \( r_t^{(2)} = -\log P_t^{(2)} \)。
  • 期限溢价 \( tp_t^{(2)} \) 是 \( r_t^{(2)} \) 与预期未来短期利率平均值 \( (r_t^f + E_t[r_{t+1}^f])/2 \) 之差。

• 证明怎么走？为什么成立？

  1. 短期利率：\( r_t^f = -\log E_t[M_{t,t+1}] \)。由于 \( M_{t,t+1} \) 是 \( \epsilon_{t+1}^a \) 的对数正态函数，可以解析计算出 \( r_t^f = -\log \beta + \gamma \mu - \frac{1}{2} \gamma^2 \sigma_a^2(\xi_t) \)。关键点：短期利率不仅取决于预期增长率 \( \mu \)，还取决于不确定性 \( \sigma_a^2(\xi_t) \)。高不确定性（\( \xi_t=2 \)）会降低短期利率（预防性储蓄动机）。
  2. 两期债券价格：\( P_t^{(2)} = E_t[M_{t,t+1} M_{t+1,t+2}] \)。由于 \( M_{t,t+1} \) 和 \( M_{t+1,t+2} \) 都依赖于生产率冲击，且冲击是独立同分布的（给定体制），可以计算出 \( P_t^{(2)} = \beta^2 e^{-2\gamma \mu + \frac{1}{2}\gamma^2 (\sigma_a^2(\xi_t) + E_t[\sigma_a^2(\xi_{t+1})])} \)。
  3. 期限溢价：通过计算 \( r_t^{(2)} \) 和 \( (r_t^f + E_t[r_{t+1}^f])/2 \)，可以推导出期限溢价 \( tp_t^{(2)} \) 的表达式。经过代数运算，会发现 \( tp_t^{(2)} \) 与 \( \sigma_a^2(\xi_t) \) 和 \( E_t[\sigma_a^2(\xi_{t+1})] \) 的差异有关。具体来说，如果当前不确定性高（\( \sigma_a^2(\xi_t) \) 大），但预期未来不确定性会下降（\( E_t[\sigma_a^2(\xi_{t+1})] \) 小），那么期限溢价会为正。反之亦然。
  4. 为什么成立：这个机制的核心是对冲需求。当不确定性高时，短期利率低，持有长期债券的风险（未来短期利率可能上升）也高。投资者要求一个正的期限溢价作为补偿。当不确定性从高变低时，短期利率预期会上升，这会压低长期债券价格，因此投资者在不确定性高时要求更高的溢价。本文的一般化DSGE模型，本质上就是在这个最简特例上“加壳”：加入了更多冲击（货币政策、偏好）、价格粘性、资本积累等，使得SDF和资产定价关系更复杂，但核心的“不确定性冲击通过影响SDF的方差来驱动风险溢价”这一逻辑是不变的。

三、这篇论文做了什么

三句话

1. 研究了什么问题：在一个结构化的DSGE模型中，研究生产率冲击的“不确定性”（条件方差的体制转换）是否是驱动美国债券风险溢价和期限溢价时变性的关键因素。
2. 核心工具/方法：构建了一个包含体制转换（regime switching）生产率冲击方差的DSGE模型，并使用贝叶斯MCMC方法，同时估计美国宏观数据（GDP、通胀、联邦基金利率）和收益率曲线数据（1年、5年、10年期国债收益率）。
3. 主要结论：模型估计出的10年期债券期限溢价与仿射期限结构文献的估计高度相关，但波动性更小；不确定性冲击会同时提高股权溢价，并对消费和通胀产生下行压力，导致政策利率下调，这与“美联储看跌期权”的实证证据一致；模型隐含的长期通胀预期在2000年代比基于调查的指标更不教条地锚定。

关键设定与假设

在第二节最小记号的基础上，本文的完整设定包括： * 模型结构：一个中等规模的新凯恩斯DSGE模型，包含： * 家庭：有消费习惯（habit formation）、劳动供给、持有债券和股票。 * 厂商：在垄断竞争下生产，价格调整有粘性（Calvo定价）。 * 中央银行：遵循一个包含通胀、产出缺口和利率平滑的泰勒规则。 * 冲击：包含7种结构性冲击：生产率（technology）、偏好（preference）、投资特定技术（investment-specific technology）、政府支出（government spending）、价格加成（price mark-up）、工资加成（wage mark-up）、货币政策（monetary policy）。 * 关键创新假设： * 体制转换：生产率冲击的条件方差 \( \sigma_a^2(\xi_t) \) 服从一个两状态的马尔可夫链。这是模型中唯一的体制转换过程。其他冲击的方差是常数。 * 定价：所有资产（债券、股票）的价格都由模型内生的随机贴现因子（SDF）决定。SDF由家庭的边际效用决定。 * 相比已有文献放宽或强化了哪些： * 放宽：相比Bekaert, Cho & Moreno (2010) 假设常数风险溢价，本文允许风险溢价时变。相比De Graeve (2008) 等，本文引入了冲击方差的体制转换，而不仅仅是冲击大小的变化。 * 强化：相比纯仿射模型，本文的模型是结构化的，所有参数都有经济含义，因此可以回答“是什么冲击导致了风险溢价变化”这一因果问题。但这也意味着模型设定更严格，可能无法完美拟合所有数据特征。

主要结果

本文的核心结果是理论驱动的，并通过贝叶斯估计和模型模拟来展示。

1. 核心量化结论：不确定性冲击是风险溢价的关键驱动因素

   • 结果陈述：模型估计出两个体制：一个“低不确定性”体制（方差较小，持续性强），一个“高不确定性”体制（方差较大，但持续性弱）。高不确定性体制通常与衰退期（如1970年代石油危机、2008年金融危机）相关。
   • 与baseline对比：模型产生的10年期债券期限溢价与仿射文献（如Kim & Wright, 2005）的估计高度相关（相关系数约0.7），但波动性更小。作者认为，这验证了模型的结构机制是合理的，且比纯统计模型更平滑（可能更符合经济直觉）。
   • 稳健性：作者进行了多种稳健性检验，如改变先验分布、改变体制转换的设定（如允许其他冲击也有体制转换），核心结论（不确定性冲击驱动风险溢价）基本稳健。

2. 机制解释：“美联储看跌期权”

   • 结果陈述：模型模拟显示，一个正向的不确定性冲击（即从低不确定性体制切换到高不确定性体制）会导致：①股权溢价上升；②消费和通胀下降；③政策利率下调。
   • 为什么重要：这个机制与“美联储看跌期权”的实证证据一致——当股市下跌（股权溢价上升）时，美联储会降息来支撑经济，即使其政策规则（泰勒规则）不直接对股价做出反应。本文提供了一个结构化的解释：不确定性冲击同时打击了实体经济（消费、通胀）和金融市场（股权溢价），因此央行在应对经济下行时，也间接为股市提供了支撑。

3. 长期通胀预期

   • 结果陈述：模型隐含的长期（10年）通胀预期在2000年代初期和中期，比基于调查的指标（如专业预测者调查SPF）更不教条地锚定。具体来说，模型隐含的通胀预期在2000年代初（经济疲软）更低，在2000年代中期（经济复苏）更高，而调查指标则相对稳定。
   • 含义：这表明，在模型看来，市场参与者对央行维持通胀目标的能力并非完全信任，通胀预期会随经济状况而波动。这与“通胀预期脱锚”的担忧一致。

证明路线与技术技巧（理论型必写，要具体）

• 整体路线：本文的“证明”并非数学定理的证明，而是模型构建、求解、估计和模拟的完整流程。其逻辑主干如下：

  1. 模型设定：写出所有经济主体的优化问题（家庭、厂商、央行）。
  2. 均衡条件：推导出所有一阶条件和市场出清条件，形成一个非线性差分方程组。
  3. 稳态与对数线性化：计算模型的非随机稳态，然后在稳态附近对所有变量进行对数线性化，得到一个线性状态空间模型。
  4. 引入体制转换：将生产率冲击的条件方差 \( \sigma_a^2(\xi_t) \) 设定为服从两状态马尔可夫链。这使得模型成为一个带马尔可夫转换的线性状态空间模型。
  5. 模型求解：使用扰动法（perturbation method）求解线性化后的模型，得到状态变量的转移方程和观测变量的测量方程。由于存在体制转换，求解过程需要考虑不同体制下的政策函数。
  6. 贝叶斯估计：使用贝叶斯MCMC方法（具体为Metropolis-Hastings算法）估计模型参数。这包括：
     • 设定参数的先验分布。
     • 使用卡尔曼滤波（Kalman filter）计算给定参数下的似然函数。由于存在体制转换，需要使用哈密顿滤波（Hamilton filter）或Kim滤波（Kim filter）来处理体制转换下的状态估计和似然计算。
     • 从后验分布中抽取参数样本。
  7. 结果分析：基于后验参数，模拟模型，计算隐含的期限溢价、股权溢价、通胀预期等，并与数据或文献中的估计进行比较。

• 关键跳跃点：

  • 跳跃点1：从线性模型到带体制转换的线性模型。标准DSGE模型是线性的，可以用卡尔曼滤波估计。引入体制转换后，状态空间模型变为非高斯、非线性（因为体制是离散的潜在变量）。处理这个跳跃的关键技术是Kim滤波，它结合了卡尔曼滤波和哈密顿滤波，通过近似（如对高斯混合进行矩匹配）来保持计算可行性。
  • 跳跃点2：从“冲击量”到“不确定性”的机制转换。在标准模型中，风险溢价的变化源于冲击大小的变化。本文通过让冲击的方差（而非均值）变化，改变了风险溢价的驱动机制。这个跳跃在数学上是通过在SDF中引入一个与体制相关的二阶矩项来实现的。在最小内核的例子中，这表现为短期利率公式中的 \( -\frac{1}{2} \gamma^2 \sigma_a^2(\xi_t) \) 项。

• 技术技巧点名：

  • Kim滤波 (Kim's filter)：用于估计带马尔可夫转换的线性状态空间模型。它是在卡尔曼滤波和哈密顿滤波基础上的一个近似算法，用于处理体制转换下的状态和似然计算。
  • 贝叶斯MCMC (Metropolis-Hastings)：用于从高维、非标准后验分布中抽样，估计模型参数。
  • 扰动法 (Perturbation method)：用于求解DSGE模型的近似解，通常在一阶或二阶展开。
  • 随机贴现因子 (SDF) 方法：用于对所有资产进行定价，将风险溢价与宏观经济冲击的协方差联系起来。

真实例子与应用

• 用的什么数据/场景：美国宏观经济和金融市场的时间序列数据，样本期为1960年至2007年。
  • 宏观数据：实际人均GDP增长率、GDP平减指数通胀率、联邦基金利率。
  • 金融数据：1年、5年、10年期国债收益率（来自CRSP数据库）。
• 怎么把本文方法用上去：将上述数据作为观测变量 \( \{Y_t, X_t\} \)，输入到带体制转换的DSGE模型中，通过贝叶斯MCMC方法估计模型参数和潜在状态（包括体制 \( \xi_t \)）。
• 得到什么结果：见“主要结果”部分。
• 这个例子想说明什么：这个实证应用旨在验证模型的结构机制是否与真实数据一致。具体来说，它想说明：
  1. 模型能够同时拟合宏观和金融数据，证明其结构性假设是合理的。
  2. 模型识别出的“不确定性冲击”在历史上确实对应了重要的经济事件（如衰退），增强了其经济解释力。
  3. 模型产生的期限溢价与主流文献一致，表明其风险溢价机制是有效的。
  4. 模型能产生“美联储看跌期权”和通胀预期脱锚等有趣的政策含义，展示了结构化模型在政策分析中的价值。

🔎 结论是否比证明窄

• 是。作者在引言和结论中声称“不确定性冲击是债券风险溢价的关键驱动因素”，但严格证明的是：在一个特定设定（生产率冲击方差体制转换，其他冲击方差恒定）的DSGE模型中，该机制能够产生与数据一致的期限溢价。这个结论的“宽度”受限于模型设定。
• 具体语句：作者在结论中说“Regime shifts in the conditional variance of productivity shocks, or ‘uncertainty shocks,’ are a crucial driver of bond risk premia.” 这个“crucial”的论断是基于其模型估计结果。但模型没有排除其他不确定性来源（如货币政策不确定性、财政不确定性）也是“crucial”的可能性。因此，这个结论是在模型内被证明，但在模型外是推测。作者没有声称这是唯一或最重要的驱动因素，但“crucial”一词可能暗示了排他性，而证明并未提供这种排他性证据。

四、开放问题（点到为止，扎根具体语句）

1. 其他冲击的不确定性：本文只允许生产率冲击的方差有体制转换。其他冲击（如货币政策、偏好）的不确定性是否也是风险溢价的重要驱动因素？扎根于：模型设定中“The only source of regime switching in the model is in the conditional variance of productivity shocks.” 这是一个很强的限制。一个自然的扩展是允许其他冲击的方差也发生体制转换，并比较它们对风险溢价的相对贡献。

2. 体制转换 vs. 随机波动率：本文使用两状态体制转换来建模不确定性。一个更灵活的替代方案是使用随机波动率（SV） 过程。两种建模选择对结果有何影响？哪种更符合数据？扎根于：引言中没有讨论SV文献，这是一个明显的缺口。研究者可以尝试用SV过程替换体制转换，并比较模型拟合和风险溢价估计。

3. 模型误设与稳健性：本文的DSGE模型包含许多具体假设（如消费习惯、Calvo定价）。这些假设对核心结论（不确定性驱动风险溢价）的稳健性如何？扎根于：作者在结论中承认“Our results are, of course, conditional on the specific structure of the model.” 一个开放问题是，在一个更灵活或不同的模型结构下（如包含金融中介、异质性主体），不确定性冲击是否仍然是风险溢价的关键驱动因素？

4. 因果推断的挑战：本文的模型是结构化的，因此可以进行“因果”解释（如“不确定性冲击导致期限溢价上升”）。但这种因果推断完全依赖于模型假设。如何用更稳健的因果推断方法（如工具变量、断点回归）来验证模型的核心机制？扎根于：本文属于经济理论应用，其“因果”是模型内的因果。一个开放问题是，能否在模型外，利用准实验方法，为“不确定性冲击驱动风险溢价”这一命题提供更可靠的因果证据。

---

Maintained by 陈星宇 · Homepage · Source on GitHub

评论