JFE｜天空之眼：多云和晴天，哪个对油价或股票市场影响更大？
为了衡量这种影响的显著性和测量影响的大小，作者利用了一个事实：现有的商业人造卫星对地面的观测大多是基于光学设备，因此受到多云天气的影响巨大。国内外常见的卫星服务供应商有：Orbital Insight、航天宏图等。
来自香港科技大学的Abhiroop Mukherjee, George Panayotov和Janghoon Shon于2021年7月在经济学国际顶刊《Journal of Financial Economics》发表论文“Eye in the sky: Private satellites and government macro data”，文章利用商业人造卫星捕捉晴朗和多云天气之间的差异，来刻画商业卫星服务对宏观数据公布的短期影响。
具体地，文章从两个不同的宏观经济数据分析了这种影响：一是美国的非战略原油储量数据，该数据由EIA于每周五收集、于次周三公布；二是中国的PMI数据，该数据由中国政府月度公布。
文章投稿于2019年10月，2020年4月被接收，2021年7月正式刊出。
市场历来依靠政府宏观统计指标进行决策，但这样做可能存在两个问题：
1. 宏观经济变量也会用来衡量政府的经济表现，在利益冲突下政府公布数据的可靠性值得怀疑；
2. 政府经济数据的公布频率较低且常存在滞后问题。
基于此，本文研究了最近的技术进步（如卫星图像的改进）是否正在改变市场获取宏观信息的方式。
本文比较了多云时期和晴朗时期政府公告对资产价格的影响，多云时期卫星无法检测到某些关键枢纽，因此无法提供准确的估计，晴朗时期则可以。这一方法被应用于两种不同的背景——美国原油和中国制造业。
结果表明，基于卫星的宏观估计极大地改变了市场在两种情况下对政府宏观数据的依赖。
1
衡量政府宏观信息的价值
政府并非宏观信息的唯一来源，各类市场参与者可以获得信息的不同部分，并在金融市场上交易，进而使宏观信息反映在资产价格中。
政府作为信息的聚合者，只有在其公布的宏观数据尚未反映在资产价格中时才能创造价值。根据已有的大量文献，可以通过特定政府公告对价格的影响来衡量其价值，如果公告包含有关于价值的新信息，那么它应该会对价格产生影响。
进一步地，可以通过研究政府公告对资产价格的影响在多大程度上取决于高质量卫星图像的可获得性，来衡量基于卫星的估计如何改变政府宏观信息价值。
2
枢纽和瓶颈在估计宏观指标中的作用
政府可以开展人口普查，可以要求信息披露，甚至可以直接访问信息来源，但是私营企业无法做到。事实上，对宏观数量的估计未必需要监测整个经济体，仅仅关注枢纽和瓶颈的经济活动可能已经足够。
本文使用两个不同的例子来佐证这一观点：
➤ 美国德克萨斯西部原油储存中心集中在俄克拉荷马州库欣等地
➤ 中国制造业活动集中在广东、江苏、浙江和山东四个省份。
3
利用多云作为识别的工具变量
近年已成立多家公司为各种经济变量提供基于卫星的预测。然而，人们对这种估计的准确性仍然存疑。为了消除遗漏变量和反向因果可能带来的内生性，本文基于云量的随机变化来设计识别策略。
具体而言，将特定宏观公告的价格影响与几个枢纽的云覆盖率联系起来。
晴朗时期卫星可以观察到这些关键枢纽的经济活动，市场会在政府发布公告之前了解宏观经济状况，因此公告发布对价格产生影响较小；多云时期基于卫星的估计难以事先提供精确信息，市场必须等待公告来消除不确定性，因此政府公告发布会导致更大的价格影响。
如果基于卫星的估计无效，则晴朗和多云时期政府公告的价格影响应该是相同的。反过来，如果政府公告的价格影响在两种情况下不同，则说明基于卫星的估计是有效的。
1
背景
图3绘制了美国五个PADD的分布（即国防区石油管理局）和2016年底每个PADD存储量。由于PADD2和3占总存储的80%以上，因此仅关注这两个区域，其中多个管道相交的地方即为石油储存中心。最显眼的是俄克拉荷马州的库欣，截至2016年底占美国石油库存总量的14%。库欣也是世界上交易最活跃的原油期货合约WTI的交付结算点。根据这些观察，用图3中的红色圆圈所示的十个位置来构建每周云量度量。
卫星图像技术的原理是：油通常储存在带有浮顶的罐中，以避免因油面和罐顶之间的空间蒸发而造成损失。浮顶是使用卫星数据测量阴影捕捉的主要特征，是估算储罐中存储量的关键。满罐的内部阴影l非常小，空罐内部阴影l则与外部阴影L一样宽。图4显示了如何推导出油箱的含油量，实际图像处理技术要更加复杂。
2
数据与度量
原油库存的每周数据来自EIA（美国能源信息管理局）。EIA汇总被调查公司（合计占美国石油库存总量的90%）截至周五上午7:00的库存，然后在第二周的周三上午10:30公布结果。若某周周一、周二、周三放假，则该周的公告延迟至周四或周五上午11:00。
云覆盖数据来自NOAA（国家海洋和大气管理局）提供的ISD（综合地表数据库）。本文收集了离十个存储位置最近的机场（通常有更高质量的天气数据）每小时云覆盖数据，然后对白天全天的云量数据进行平均。如果从测量日周五到第二周的周三公告之间至少有一天是晴天，比如周一是晴天，那么卫星可以清楚地看到石油库存，这会使周一的估计成为市场上最新的库存信息。
如此一来，当政府在周三公布上周五的数据时，有效市场会认为这个数据已经过时并且不会对其做出反应。然而，如果从周五到第二周的周三之间的每一天都是多云的，那么市场将不会在EIA公告之前收到任何准确的库存估计，周三EIA公布的数据将成为最新信息，市场价格会做出反应。
WTI原油期货价格数据来自汤森路透TickHistory数据库，基于卫星的每周石油库存估计的数据来自OI，原油隐含波动率OVX指数来自芝加哥期权交易所(CBOE)。
表1为描述性统计结果。石油市场回报中位数接近0，但平均值为负；OI估计的库存数字平均值为4.356亿桶，接近真实值4.347亿桶，标准差为4660万桶，略小于EIA的5760万桶。
3
回归设定
为了评估多云周与晴朗周EIA公告的价格影响差异，本文做了以下回归：
其中rett表示t时刻的原油期货回报，根据前一月的WTI期货合约计算，以百分比表示。∆Oil_lnvt是石油库存的意外变化，通过实际库存变化减去过去4周内库存变化的移动平均值得到。在t日公布，按标准差进行标准化。
如果测量日和公告日之间没有一天是晴天，即阴天最少的一天的云量都超过某个阈值，则将该周视为多云周，反之则定义为晴朗周。Cloudyt是一个虚拟变量，在多云周取值为1；Cleart等于1减去Cloudyt。如果将Cleart作为单独的回归变量加入，结果几乎相同，说明云量并不直接影响石油回报。
样本区间为2014年1月至2018年12月，因为2014年美国政府首次允许美国卫星公司向非政府客户出售高分辨率图像。
4
主要结果：围绕EIA公告的油价反应
主要结果如表2所示，所有贝塔估计都是负数，反映了供应过剩（库存增加）与油价之间的负相关关系。与晴朗周相关的𝛃clear估计值都很小（5到10个基点），并且在所有情况下都不显著，这表明EIA公告在晴朗周内对油价几乎没有影响。
相比之下，与多云周相关的𝛃cloudy估计值大5到10倍（51到55个基点），并且在1%水平上显著，表明EIA公告在多云周对油价有较大影响。此外，两者的差异也在1%水平上显著。
5
安慰剂检验
表3面板A使用的是2007年1月至2011年12月的数据，这一时期石油市场参与者还没有普遍使用卫星数据，可以看到，两个贝塔系数均负向显著，且差异在统计上不显著，表明晴朗周和多云周价格影响相同。
面板B显示，如果将表2中的回报范围向后移动两个小时，不再跨越公告，那么多云周的斜率系数估计值要小得多且在统计上不显著。
面板C显示在非公告日的结果，多云周斜率系数也是幅度更小且不显著。总结来看，安慰剂检验支持了之前的结论。
6
机制检验：来自基于卫星的石油库存估计的证据
本节检验了当卫星无法清楚地看到关键石油储存中心时，石油库存估计不太准确。自2017年2月起，OI开始向个人客户提供石油库存数据，其中包含其库存估计的抽样误差。
如果连续几天没有观察到储油罐，这种抽样误差就会增加，反过来，在储油罐可观察到的晴朗日误差会减少。
如表4所示，第一列斜率估计值为0.31，即多云日比晴朗日下OI抽样误差显著增加了72.9%（因变量平均值为0.43）。第二列直接测量了OI估计中的误差，以OI估计值与真实值（即EIA公告）之间的绝对百分比差异来衡量。EIA只公布截至周五的库存数量，因此只能计算OI估计当天的误差。
结果表明，天气从完全晴朗到完全多云使OI估计误差增加了172.0%（斜率估计为9.82，平均估计误差为5.71，均以百分比衡量）。
7
来自石油隐含波动率的证据
文章接着研究了少数枢纽的云量与美国石油市场不确定性之间的关系。石油市场不确定性以从OVX波动率指数（通过将VIX方法应用于美国石油基金的期权来构建）获得的隐含石油回报方差来衡量。
本文假设，如果市场能够“看到”某一天的库存水平，那么在该日期之前的不确定性会降低。为了检验这一假设，将特定日期的隐含石油回报方差回归在前一天测量的云量上，回归模型如（2）式所示：
表5显示，基期（2014-2018年）多云周的隐含方差平均为14.3%（年化），晴朗周为12.8%，且两者差异显著，验证了本文的假设。而用前期数据估计的结果表明，2007-2011年阴天和晴天的隐含石油回报方差差异不显著。
8
晴朗周内的油价反应
在卫星观察到石油库存后，卫星供应商通常需要几个小时来处理和共享数据，以便在第二天t发布t-1天的基于卫星的估算。
考虑到时间差，本文提出如下假设：在晴朗周内，大部分意外公告应在该周内第一个晴朗日的次日反映在油价中。回归模型如（3）式所示：
其中，FirstClearj,t是虚拟变量，如果第t周的第j天是该周第一个晴天，那么FirstClearj,t取1，反之取0；如果第t周的第j天不是该周第一个晴天，那么Otherj,t取1，反之取0。表6显示了检验结果。
可以看到，第一列中𝛃1st clear系数是𝛃other的四倍，但差异在统计上不显著。第二列剔除了公告日，结果并没有改变。第三列和第四列利用前期数据，发现系数𝛃1st clear和𝛃other都接近于零并且在统计上不显著。
总结来看，在晴朗周内，石油库存信息在EIA公告之前反映在油价中，且该信息在当周第一个晴天后的第二天反映在市场中。
9
来自石油价格跃升的证据
价格跃升通常与重要信息的低频到达有关（Merton，1976）。由于卫星更频繁地提供有关石油市场状况的信息，本文预期当石油库存变化量相同时，多云周比在晴朗周价格跃升幅度更大。回归模型如（4）式所示：
结果如表7所示，在基期（第一列和第三列），当使用5%和10%置信水平时，𝛃cloudy分别比𝛃clear高25%和29%，且在统计上显著。在前期（第二列和第四列）则没有显著差异。
因此，当石油存储中心由于多云而无法被卫星观测到时，石油市场价格更有可能出现更大的跃升，验证了之前的假设。
1
数据和方法
本文评估PMI政府月度公告对中国主要股票价格指数沪深300的影响。PMI数据来自中国物流与采购联合会(CFLP)。PMI通常在上午9:00左右公布，由于公布时尚未开市，所以衡量沪深300从前一交易日收盘到公告日上午10:00、10:30、11:00和11:30的回报。
2009年之前的公告时间不规则，因此删除了这些年份，使用2014-2018年作为基期，将2009-2013年作为前期。50是PMI的临界值，当PMI高于50时，制造业被视为扩张；低于50时被视为收缩。这里通过减去其六个月移动平均值来计算PMI的意外变化。
表8显示了PMI的描述性统计数据，平均值为50.69，表明制造业在2014年至2018年间扩张。
为了构建云覆盖变量，本文使用来自NOAA的天气数据。根据云覆盖数据质量，围绕四大制造中心，江苏选择南京和溧阳，浙江选择杭州和金华，山东选择烟台和青岛，广东选择肇庆和广州。回归模型如（5）式所示：
2
结果
如表9所示，意外高的PMI读数会导致积极的市场反应，且这种反应在多云月份比在晴朗月份大一倍。此外，它在多云月份具有统计显著性，而对于晴朗月份则不显著。
然而，𝛃clear和𝛃cloudy系数之间的差异在统计上并不显著。作者选取了PMI敏感性最高的100只股票再次进行回归，发现虽然𝛃clear和𝛃cloudy系数之间的差异在统计上仍然不显著。这可能是由于中国股票市场中卫星估计应用还不是很广泛。
表10展示了安慰剂检验结果，原理同表3，证实了之前的假设。
表11关注机制，原理同表4，验证了基于卫星的PMI估计值在多云月份更不准确。
由于采购经理人指数在每个月初公布，不确定性随着时间的推移而增加，在月底累积。如果卫星确实提供更频繁的信息，人们应该预计多云月份的价格跃升幅度比晴朗月份更大。表12原理同表7，验证了这一假设。
本文研究了基于卫星的宏观经济变量估计是否有助于在政府宣布之前减弱宏观不确定性。
首先，通过价格影响来衡量政府宏观公告的价值。其次，关注特定宏观变量估计枢纽。第三，使用这些位置的本地云覆盖作为卫星数据质量随机变化的工具，这是识别策略的关键。
根据文章的实证分析结果，云层覆盖事实上显著影响了市场的收益率变化， 因此作者的原假设——卫星测量估计数据已成为投资者获取宏观数据的一大重要途径。
基于此，投资者不仅能提前获取宏观数据的变动以减少市场的剧变，而且能消除由政府修饰过的宏观数据带来的影响。
在所考虑的两种背景下，当云覆盖量高时：
i）基于卫星的估计具有明显更高的误差；
ii) 相应的政府公告对价格的影响显著更大；
iii) 宏观不确定性的解决更不稳定，会带来更大的价格跃升。
学说观点
学术前沿速递
AIGC交流社区
未央网
毕宣
王凯
- 1
- 2
- 3
