桂文林,梁彩麗,朱豐毅,黃云英
(暨南大學(xué) 經(jīng)濟(jì)學(xué)院,廣東 廣州 500632)
2008年金融危機(jī)前,金融從業(yè)者、學(xué)術(shù)界學(xué)者和政策制定者普遍存在一個(gè)誤解,認(rèn)為宏觀經(jīng)濟(jì)穩(wěn)定自然而然會(huì)預(yù)示金融穩(wěn)定,金融穩(wěn)定是宏觀經(jīng)濟(jì)穩(wěn)定顯而易見的結(jié)果。然而,金融危機(jī)于宏觀經(jīng)濟(jì)大穩(wěn)定環(huán)境下爆發(fā)了,甚至直至今日世界上仍有大部分國(guó)家的經(jīng)濟(jì)增長(zhǎng)無(wú)法恢復(fù)到危機(jī)前水平,一些地區(qū)的家庭仍存在去杠桿化,即便實(shí)施了擴(kuò)張性貨幣政策,信貸供給增長(zhǎng)也一直緩慢。金融危機(jī)對(duì)實(shí)體經(jīng)濟(jì)產(chǎn)生深遠(yuǎn)的、持續(xù)性的影響,反過(guò)來(lái),宏觀經(jīng)濟(jì)的蕭條又會(huì)引發(fā)新的金融危機(jī)。金融危機(jī)會(huì)對(duì)實(shí)體經(jīng)濟(jì)影響之深之廣,使得“宏觀—金融聯(lián)系”這一主題獲得了政策界和學(xué)術(shù)界的廣泛關(guān)注。
值得注意的是,不是所有的危機(jī)最終都會(huì)演變成系統(tǒng)性金融危機(jī)。比如,一個(gè)銀行部門爆發(fā)的金融危機(jī)并不一定會(huì)蔓延到其他金融部門。但是,像美國(guó)次貸危機(jī)這種大規(guī)模、系統(tǒng)性的金融危機(jī),會(huì)傳遞給全部金融部門,進(jìn)而影響全部實(shí)體經(jīng)濟(jì)部門。孟浩等通過(guò)TVP-VAR模型研究了各金融市場(chǎng)之間風(fēng)險(xiǎn)傳染的網(wǎng)絡(luò)特征,發(fā)現(xiàn)中國(guó)的金融市場(chǎng)風(fēng)險(xiǎn)也存在部門間的溢出效應(yīng),并且呈現(xiàn)出不穩(wěn)定性、方向非對(duì)稱性以及隨機(jī)性[1]。鑒于不同國(guó)家金融市場(chǎng)的規(guī)模差異與環(huán)境復(fù)雜度差異,有必要對(duì)不同國(guó)家金融市場(chǎng)的關(guān)鍵部門乃至整個(gè)金融系統(tǒng)進(jìn)行監(jiān)測(cè),以便在可能的危機(jī)蔓延到實(shí)體經(jīng)濟(jì)部門之前及時(shí)調(diào)整政策或投資方向,朝著金融穩(wěn)定和宏觀經(jīng)濟(jì)穩(wěn)定雙贏邁進(jìn)。因此,建立金融部門與實(shí)體經(jīng)濟(jì)之間的聯(lián)系很重要,特別是在金融危機(jī)時(shí)期。
金融部門與實(shí)體經(jīng)濟(jì)部門之間的天然聯(lián)系使得,一旦金融不穩(wěn)定阻礙了經(jīng)濟(jì)增長(zhǎng),實(shí)體經(jīng)濟(jì)的蕭條將進(jìn)一步加劇金融系統(tǒng)性壓力,這樣金融和實(shí)體經(jīng)濟(jì)發(fā)展便進(jìn)入一個(gè)惡性循環(huán)。因此,監(jiān)視金融市場(chǎng)、建立金融部門與實(shí)體經(jīng)濟(jì)之間的聯(lián)系顯得尤為重要,特別是在金融不穩(wěn)定時(shí)期。金融狀況指數(shù)可以說(shuō)是金融部門與實(shí)體經(jīng)濟(jì)之間的一條紐帶,透過(guò)金融狀況指數(shù)可以預(yù)知未來(lái)經(jīng)濟(jì)活動(dòng)的發(fā)展趨勢(shì)。
金融狀況(Financial Conditions)是通過(guò)影響經(jīng)濟(jì)行為進(jìn)而影響當(dāng)前和未來(lái)經(jīng)濟(jì)狀況的金融市場(chǎng)的狀態(tài)??紤]到金融指標(biāo)的種類和數(shù)量差異,Hatzius等將金融狀況指數(shù)(Financial Conditions Index,FCI)定義為一個(gè)綜合指數(shù),用以反映有關(guān)經(jīng)濟(jì)活動(dòng)的未來(lái)發(fā)展?fàn)顩r,供中央銀行和市場(chǎng)參與者使用[2]。關(guān)于FCI的文獻(xiàn)可以追溯到21世紀(jì)初。Goodhart和Hofmann在貨幣狀況指數(shù)(Monetary Condition Index,MCI)的基礎(chǔ)上納入了股票和房地產(chǎn)價(jià)格變量,采用VAR脈沖響應(yīng)和總需求縮減兩種方式,加權(quán)平均得到了G7國(guó)家的FCI[3],此后便帶動(dòng)了學(xué)術(shù)界研究FCI的熱潮。本文從金融狀況指數(shù)的變量選擇、金融狀況指數(shù)的構(gòu)建模型或合成方法以及金融狀況指數(shù)的應(yīng)用三個(gè)方面進(jìn)行簡(jiǎn)要概括。
現(xiàn)有FCI文獻(xiàn)主要基于金融與實(shí)體經(jīng)濟(jì)之間的傳遞機(jī)制來(lái)選擇用于構(gòu)建FCI的金融變量。金融變量主要通過(guò)對(duì)總需求的影響來(lái)影響未來(lái)通脹。利率、匯率、貨幣供給與信貸供給作為貨幣政策工具,通過(guò)貨幣政策渠道調(diào)控宏觀經(jīng)濟(jì)的運(yùn)行。股價(jià)和房?jī)r(jià)則通過(guò)財(cái)富效應(yīng)和資產(chǎn)負(fù)債表效應(yīng)對(duì)產(chǎn)出和價(jià)格產(chǎn)生影響。因此,構(gòu)成FCI的指標(biāo)主要選自上述六個(gè)細(xì)分金融市場(chǎng)的代表性變量,詳見表1。
表1 現(xiàn)有FCI文獻(xiàn)中選取的金融市場(chǎng)變量
第一是利率類變量,它是MCI的原始構(gòu)成變量之一,是一種價(jià)格型貨幣政策工具,是貨幣政策向?qū)嶓w經(jīng)濟(jì)傳導(dǎo)的一種標(biāo)準(zhǔn)渠道,利率的調(diào)高和調(diào)低代表著宏觀調(diào)控當(dāng)局的政策立場(chǎng)變化。利率變化通過(guò)影響不同種類金融資產(chǎn)的相對(duì)價(jià)值變化,進(jìn)而影響投資、消費(fèi)和總產(chǎn)出。央行將利率下調(diào)時(shí)對(duì)應(yīng)擴(kuò)張性貨幣政策,此時(shí)企業(yè)融資成本相應(yīng)減小,投資相應(yīng)增加,進(jìn)而總產(chǎn)出增加;利率降低也會(huì)使家庭部門減少儲(chǔ)蓄,增加對(duì)黃金、房地產(chǎn)等保值類產(chǎn)品的投資,同時(shí)總消費(fèi)支出也會(huì)有所增加。也就是說(shuō),利率對(duì)個(gè)人和企業(yè)的消費(fèi)行為具有直接或間接影響。
第二是匯率類變量,這也是MCI的原始構(gòu)成變量之一,匯率的變化反映了本外幣交換價(jià)格的變化。匯率通過(guò)國(guó)際貿(mào)易、資本跨國(guó)流動(dòng)等渠道影響本國(guó)進(jìn)出口,進(jìn)而影響總產(chǎn)出和總需求。一國(guó)貨幣當(dāng)局減少本國(guó)貨幣供給時(shí),本幣名義利率上升,持本國(guó)貨幣的資產(chǎn)收益增加,進(jìn)而吸引國(guó)外資本流入本國(guó),本幣需求進(jìn)一步增加,導(dǎo)致本幣升值,進(jìn)而本國(guó)產(chǎn)品價(jià)格上升,出口減少、進(jìn)口增加,最終導(dǎo)致本國(guó)總產(chǎn)量降低、總產(chǎn)出下降。
第三是資產(chǎn)價(jià)格類變量,Hatzius等認(rèn)為影響企業(yè)和個(gè)人財(cái)富的股價(jià)和房?jī)r(jià)是FCI的自然組成部分[2]。Wacker等在關(guān)于FCI研究中考慮了財(cái)富效應(yīng)對(duì)產(chǎn)出和消費(fèi)的影響[4]。由于房產(chǎn)在私人部門財(cái)富中的比例高于股權(quán),且房?jī)r(jià)的波動(dòng)又比股價(jià)的波動(dòng)低得多,因此房?jī)r(jià)對(duì)財(cái)富的影響比股價(jià)更重要,房?jī)r(jià)對(duì)私人部門的消費(fèi)產(chǎn)生更大的影響。
房?jī)r(jià)和股價(jià)也可能通過(guò)家庭和公司的資產(chǎn)負(fù)債表來(lái)影響經(jīng)濟(jì),這就是資產(chǎn)負(fù)債表效應(yīng)。李程等研究發(fā)現(xiàn)房地產(chǎn)價(jià)格的上漲會(huì)推高企業(yè)杠桿率和居民杠桿率,形成“房地產(chǎn)價(jià)格—杠桿率—金融壓力”依次傳遞的聯(lián)動(dòng)機(jī)制[5]。資產(chǎn)負(fù)債表渠道源自信貸市場(chǎng)的信息不對(duì)稱問(wèn)題,進(jìn)一步導(dǎo)致不利的選擇和道德風(fēng)險(xiǎn)。家庭和公司的凈資產(chǎn)越低,可用于擔(dān)保貸款的抵押品越少,逆向選擇和道德風(fēng)險(xiǎn)就越嚴(yán)重。資產(chǎn)價(jià)格的上漲通過(guò)增加抵押品的價(jià)值來(lái)提高企業(yè)和家庭的借貸能力,額外的可用借貸可用于購(gòu)買商品和服務(wù),從而刺激經(jīng)濟(jì)活動(dòng)。該過(guò)程是可以自我強(qiáng)化的,因?yàn)轭~外的可用信貸也可用于購(gòu)買資產(chǎn),進(jìn)一步推高資產(chǎn)價(jià)格,而這又會(huì)增加借款人的信貸價(jià)值,因此Brave等在構(gòu)建FCI用于描述金融市場(chǎng)狀況時(shí)都考慮了股價(jià)和房?jī)r(jià)[6-7]。
第四是利差類變量,收益率利差是一種風(fēng)險(xiǎn)度量指標(biāo),可能為金融價(jià)格影響實(shí)體經(jīng)濟(jì)的渠道提供信息。透過(guò)利差數(shù)據(jù),可以將金融事件和商業(yè)周期關(guān)聯(lián)起來(lái)。固定收益率利差往往在經(jīng)濟(jì)衰退之前擴(kuò)張,又在經(jīng)濟(jì)復(fù)蘇之前收縮。Hatzius等研究認(rèn)為,FCI應(yīng)該適當(dāng)?shù)胤从辰鹑诓块T的風(fēng)險(xiǎn)[2,4]。信貸利差反映了不同市場(chǎng)參與者可接受的資金的相對(duì)價(jià)格,FCI應(yīng)反映金融市場(chǎng)的風(fēng)險(xiǎn)度量標(biāo)準(zhǔn)。在金融部門承受壓力時(shí),信貸利差可以增加金融壓力的可預(yù)測(cè)性。
第五是貨幣類和信貸類變量。貨幣供給是央行通過(guò)控制市場(chǎng)上流通的貨幣數(shù)量,直接對(duì)中國(guó)物價(jià)進(jìn)行調(diào)節(jié)的一種直接的數(shù)量型貨幣政策工具,也是中國(guó)宏觀調(diào)控的主要手段。信貸供給是央行通過(guò)調(diào)整商業(yè)銀行的存款準(zhǔn)備金率,進(jìn)而改變商業(yè)銀行的放貸標(biāo)準(zhǔn),間接對(duì)中國(guó)宏觀經(jīng)濟(jì)進(jìn)行調(diào)控。貨幣供給和信貸供給都可以影響企業(yè)融資成本和家庭投資與儲(chǔ)蓄,是金融市場(chǎng)通過(guò)信貸渠道影響實(shí)體經(jīng)濟(jì)的表現(xiàn)。
與MCI的構(gòu)建一樣,構(gòu)建FCI的方法通常分為兩大類:加權(quán)求和法和主成分或因子分析法。加權(quán)求和法就是對(duì)選取的金融變量的缺口進(jìn)行加權(quán)平均,即:
(1)
主成分或因子法則是從一組指標(biāo)中提取主成分或公共因子,以捕獲信息集中的最大變化,通過(guò)對(duì)主成分或公共因子而不是構(gòu)成變量本身進(jìn)行加權(quán)平均得到FCI?,F(xiàn)有文獻(xiàn)主要有兩種可選的主成分或因子分析方法:第一是標(biāo)準(zhǔn)主成分或因子分析,第二是時(shí)變參數(shù)因子增廣向量自回歸(time-varying parameter factor-augmented vector autoregression,TVP-FAVAR)模型或動(dòng)態(tài)因子模型。這兩種方法的主要區(qū)別在于:標(biāo)準(zhǔn)主成分或因子分析假定每對(duì)金融變量之間的關(guān)系是恒定的,而TVP-FAVAR或動(dòng)態(tài)因子模型則允許這種關(guān)系在每個(gè)時(shí)間點(diǎn)都發(fā)生變化。
1.加權(quán)求和法
第一,根據(jù)大型宏觀經(jīng)濟(jì)模型或結(jié)構(gòu)模型估計(jì)的系數(shù)進(jìn)行加權(quán)平均。Goodhart等證實(shí)了基于結(jié)構(gòu)模型得到的權(quán)重優(yōu)于其他方法估計(jì)的權(quán)重,因?yàn)樗紤]了經(jīng)濟(jì)的結(jié)構(gòu)特征以及所有宏觀經(jīng)濟(jì)指標(biāo)的相互作用[3]。王維國(guó)等利用中國(guó)數(shù)據(jù)估計(jì)了小型宏觀經(jīng)濟(jì)模型,通過(guò)模型系數(shù)加權(quán)平均測(cè)算了中國(guó)FCI,并指出FCI的走勢(shì)與中國(guó)金融環(huán)境的實(shí)際波動(dòng)有緊密的聯(lián)系[8]。但是,在一些國(guó)家特別是發(fā)展經(jīng)濟(jì)體中,大型宏觀經(jīng)濟(jì)變量的可獲取性較差,并且數(shù)據(jù)處理較為復(fù)雜,因此學(xué)者輕易不使用這種方法。
第二,根據(jù)VAR模型的脈沖響應(yīng)大小進(jìn)行加權(quán)平均。該方法可以在特定時(shí)期內(nèi)根據(jù)構(gòu)成變量對(duì)目標(biāo)宏觀經(jīng)濟(jì)變量(如產(chǎn)出增長(zhǎng)或通貨膨脹)的相對(duì)影響來(lái)加權(quán)平均得到FCI。換句話說(shuō),在VAR模型中,FCI權(quán)重是根據(jù)目標(biāo)宏觀經(jīng)濟(jì)變量對(duì)每個(gè)構(gòu)成變量的累計(jì)脈沖響應(yīng)得出的。Goodhart等基于VAR脈沖響應(yīng)構(gòu)建了G7國(guó)家、美國(guó)的FCI[3]。徐國(guó)祥等基于VAR或TVP-VAR模型的脈沖響應(yīng)函數(shù)加權(quán)平均得到了中國(guó)FCI[9-11]。但是,VAR有一個(gè)局限性,那就是每個(gè)構(gòu)成變量的權(quán)重通常是固定的。
第三,根據(jù)總需求縮減式的系數(shù)大小和顯著程度進(jìn)行加權(quán)平均。從總需求縮減式推導(dǎo)FCI的一個(gè)明顯優(yōu)勢(shì)是,可以確定每個(gè)潛在的貨幣傳導(dǎo)渠道對(duì)實(shí)體經(jīng)濟(jì)的影響。金融市場(chǎng)在轉(zhuǎn)移貨幣政策對(duì)實(shí)際經(jīng)濟(jì)活動(dòng)和通貨膨脹的影響方面起著相當(dāng)重要的作用。Goodhart等使用OLS估計(jì)了簡(jiǎn)化形式模型,然后評(píng)估了七個(gè)發(fā)達(dá)國(guó)家FCI的樣本外預(yù)測(cè)[3]。他們的結(jié)果表明,基于簡(jiǎn)化形式模型的FCI通常比基于VAR模型的性能更好。陸軍等也基于總需求縮減式構(gòu)建了中國(guó)FCI[12]。但是,使用簡(jiǎn)化形式模型估計(jì)FCI的權(quán)重時(shí),現(xiàn)有文獻(xiàn)至少有三個(gè)不足:第一,沒(méi)有考慮FCI的提純問(wèn)題;第二,參數(shù)估計(jì)的準(zhǔn)確性堪憂;第三,模型假設(shè)過(guò)于嚴(yán)格,實(shí)際應(yīng)用中難以做到。
2.主成分或因子法
主成分分析(PCA)是一種統(tǒng)計(jì)技術(shù),它試圖捕獲信息集中最大的變化。在這種技術(shù)下,FCI被視為金融系統(tǒng)多個(gè)指標(biāo)的共同變動(dòng)。Brave等分別采用PCA方法構(gòu)造了加拿大、美國(guó)、挪威和歐元區(qū)FCI[6,13]。鄧創(chuàng)等通過(guò)提取前8個(gè)主成分,并以各成分的方差貢獻(xiàn)率為權(quán)重,測(cè)算出中國(guó)的FCI,用以衡量中國(guó)金融周期的波動(dòng)狀況[14]。
然而,采用標(biāo)準(zhǔn)PCA提取FCI存在明顯的不足之處。Wacker等的研究結(jié)果表明,標(biāo)準(zhǔn)PCA假定每個(gè)金融變量在樣本期內(nèi)具有恒定的載荷,即金融變量之間的相關(guān)結(jié)構(gòu)保持不變,這并不符合真實(shí)的情況[4]。為避免固定載荷問(wèn)題,Koop等開創(chuàng)了使用帶有隨機(jī)波動(dòng)率的TVP-FAVAR模型構(gòu)建FCI的先河,允許因子載荷和VAR系數(shù)動(dòng)態(tài)演變,考慮了FCI與目標(biāo)經(jīng)濟(jì)變量的聯(lián)動(dòng)性[7]。TVP-FAVAR模型克服了標(biāo)準(zhǔn)PCA中固定載荷的假設(shè)缺陷,并在TVP-VAR中檢驗(yàn)FCI對(duì)目標(biāo)經(jīng)濟(jì)變量的預(yù)測(cè)能力,因?yàn)橐粋€(gè)優(yōu)良的FCI能夠準(zhǔn)確地預(yù)測(cè)目標(biāo)經(jīng)濟(jì)變量。陳磊等也采用TVP-FAVAR模型測(cè)算了中國(guó)的金融狀況指數(shù)[15-16]。Zhu等則在TVP-FAVAR模型的框架內(nèi)基于TVP-R-SV算法用小型金融變量集合測(cè)算了英國(guó)FCI,并強(qiáng)調(diào)單就預(yù)測(cè)經(jīng)濟(jì)發(fā)展而言,TVP-FAVAR模型是構(gòu)建FCI的最佳模型[17]。
動(dòng)態(tài)因子方法是從一系列宏觀經(jīng)濟(jì)變量中找到公共因子系列,并用公共因子衡量這些變量的共同變動(dòng)。在動(dòng)態(tài)因子模型中提取重要金融變量的潛在公共信息作為FCI,是滿足FCI的構(gòu)建需求的。因此,除了提取主成分作為FCI外,還可以基于動(dòng)態(tài)因子模型提取公共因子作為FCI。Matheson在因子法的基礎(chǔ)上考慮了模型的時(shí)變性,采用動(dòng)態(tài)因子模型構(gòu)建了美國(guó)和歐元區(qū)的FCI,表明簡(jiǎn)單的VAR加上估計(jì)的FCI對(duì)產(chǎn)出缺口、核心通脹和實(shí)際短期利率的預(yù)測(cè)性能比其他一系列模型要好[18]。肖強(qiáng)等使用動(dòng)態(tài)因子模型測(cè)度了中國(guó)FCI,尚玉皇等則結(jié)合高頻與低頻數(shù)據(jù),建立了混頻動(dòng)態(tài)因子模型測(cè)度中國(guó)FCI[19-20]。
FCI用于研究金融市場(chǎng)與實(shí)體經(jīng)濟(jì)之間的聯(lián)系、預(yù)測(cè)未來(lái)經(jīng)濟(jì)活動(dòng)的變化。Hatzius等證明了FCI是經(jīng)濟(jì)活動(dòng)的可靠預(yù)測(cè)指標(biāo)[2,7]。余輝等指出FCI與通脹存在因果關(guān)系,FCI可以作為通脹的先行指標(biāo)[21]。徐國(guó)祥等通過(guò)譜分析發(fā)現(xiàn)FCI與中國(guó)通脹和經(jīng)濟(jì)一致指數(shù)具有較強(qiáng)的相關(guān)性和領(lǐng)先性,證明FCI是宏觀經(jīng)濟(jì)的先行指標(biāo)[9]。鄧創(chuàng)等通過(guò)脈沖響應(yīng)研究了FCI波動(dòng)與宏觀經(jīng)濟(jì)的動(dòng)態(tài)互動(dòng)和非對(duì)稱效應(yīng),指出FCI波動(dòng)領(lǐng)先于中國(guó)的經(jīng)濟(jì)景氣波動(dòng),金融狀況向好的加速效應(yīng)比金融狀況惡化的負(fù)面效應(yīng)更顯著[14]。
FCI可以作為金融市場(chǎng)壓力的領(lǐng)先指標(biāo)和預(yù)警信號(hào)。一個(gè)全面的FCI可以監(jiān)控和評(píng)估整個(gè)金融市場(chǎng)的壓力水平,可以更好地描繪歷史性金融事件,如重大金融危機(jī)。蘇黎世聯(lián)邦理工學(xué)院從400多個(gè)金融變量組成的面板中提取主成分,編制KOF晴雨表以度量瑞士的商業(yè)周期。Hakkio等從11個(gè)金融指標(biāo)中提取第一個(gè)主成分構(gòu)建了堪薩斯城聯(lián)儲(chǔ)的FCI[22]。Brave等則使用動(dòng)態(tài)因子模型編制了芝加哥聯(lián)儲(chǔ)的金融狀況指數(shù)(NFCI)以及剔除宏觀經(jīng)濟(jì)成分后調(diào)整的國(guó)家金融狀況指數(shù)(ANFCI),并指出這兩個(gè)指標(biāo)都是金融壓力的主要預(yù)測(cè)指標(biāo)[6]。此外,FCI可以提高宏觀審慎預(yù)警信號(hào)模型的統(tǒng)計(jì)能力和信息內(nèi)容。
除了為金融市場(chǎng)壓力和宏觀經(jīng)濟(jì)發(fā)展提供預(yù)警信號(hào)外,FCI還可以幫助政策制定者更好地理解不同金融沖擊對(duì)實(shí)體經(jīng)濟(jì)的傳導(dǎo)路徑及其影響,以便從金融穩(wěn)定局面出發(fā),制定既能保金融穩(wěn)定又能促經(jīng)濟(jì)發(fā)展雙目標(biāo)的貨幣政策。此外,金融穩(wěn)定機(jī)構(gòu)還可以將FCI用于衡量旨在減輕金融動(dòng)蕩的政策措施的影響。
梳理文獻(xiàn)后發(fā)現(xiàn),現(xiàn)有的關(guān)于FCI的測(cè)度研究尚有改進(jìn)的余地。已有文獻(xiàn)在建構(gòu)FCI時(shí),或者未考慮金融環(huán)境和經(jīng)濟(jì)結(jié)構(gòu)的變化而采用常系數(shù)VAR模型和標(biāo)準(zhǔn)PCA,或者考慮了參數(shù)的時(shí)變性但未能實(shí)證檢驗(yàn)變量選擇的動(dòng)態(tài)性對(duì)FCI精度的影響。實(shí)際上,隨著經(jīng)濟(jì)結(jié)構(gòu)的變化,不同時(shí)點(diǎn)影響金融狀況的變量可能不同,相應(yīng)變量獲得的權(quán)重也會(huì)不同。一個(gè)典型的例子就是,次貸危機(jī)爆發(fā)前后房地產(chǎn)市場(chǎng)對(duì)金融系統(tǒng)的影響更顯著,房地產(chǎn)市場(chǎng)變量應(yīng)納入FCI構(gòu)建當(dāng)中。此外,一個(gè)良好的FCI不僅要考慮結(jié)構(gòu)突變,還要進(jìn)行“提純”,這兩點(diǎn)在選擇構(gòu)建方法時(shí)應(yīng)重點(diǎn)考慮。
為此,本文明確考慮了經(jīng)濟(jì)結(jié)構(gòu)的突變性和FCI的“純粹性”,采用Koop等提出的一種新的構(gòu)建FCI的TVP-FAVAR模型,允許不同樣本點(diǎn)選擇不同的金融變量,并且賦予各自不同的權(quán)重來(lái)合成中國(guó)FCI[7]。確切地說(shuō),采用動(dòng)態(tài)模型選擇與平均(dynamic model selection and averaging,DMS和DMA)技術(shù),以動(dòng)態(tài)方式實(shí)現(xiàn)模型的選擇與平均,提高FCI的測(cè)度精度。其中,DMS在每個(gè)樣本點(diǎn)上選取單個(gè)最佳的TVP-FAVAR模型來(lái)提取FCI,而DMA則平均所有樣本點(diǎn)的最佳模型規(guī)范,以降低FCI的測(cè)度誤差。
可見,相比于已有的研究,本文的邊際貢獻(xiàn)主要有:(1)有別于以往文獻(xiàn)考慮單一通貨膨脹率,本文在評(píng)估FCI的質(zhì)量時(shí)同時(shí)考慮了通貨膨脹率和宏觀經(jīng)濟(jì)景氣一致指數(shù),全面地覆蓋了多種評(píng)價(jià)指標(biāo);(2)在短期利率方面新增了上海銀行間7天同業(yè)拆借利率,在房地產(chǎn)價(jià)格方面新增了住宅物業(yè)價(jià)格指數(shù),指標(biāo)的范圍廣,信息充分;(3)重點(diǎn)增加了三個(gè)利差指標(biāo),在FCI的構(gòu)建中考慮了潛在金融市場(chǎng)風(fēng)險(xiǎn)對(duì)金融市場(chǎng)整體形勢(shì)的影響,囊括了更多的金融市場(chǎng)信息;(4)相比以往文獻(xiàn)構(gòu)建中國(guó)FCI之后使用簡(jiǎn)單的一元回歸模型預(yù)測(cè)通脹,而本文不僅在TVP-FAVAR模型中提取FCI,也在TVP-VAR模型中對(duì)通脹和宏觀經(jīng)濟(jì)景氣一致指數(shù)兩個(gè)變量進(jìn)行預(yù)測(cè),捕捉了FCI與兩個(gè)宏觀經(jīng)濟(jì)變量之間的動(dòng)態(tài)互動(dòng)關(guān)系,同時(shí)進(jìn)行了模型選優(yōu)。
借鑒Koop等構(gòu)建的TVP-FAVAR模型,本文令xt(t=1,2,…,T)為n×1維金融變量矩陣,yt是s×1維宏觀經(jīng)濟(jì)變量。在本文的實(shí)證研究中yt=[πt,gt]′,其中πt表示通貨膨脹率,gt表示宏觀經(jīng)濟(jì)景氣一致指數(shù)[7]。滯后P階的TVP-FAVAR模型如下:
(2)
(3)
TVP-FAVAR模型由兩個(gè)方程組成,一個(gè)方程允許從金融變量xt中提取潛在的公共因子ft(FCI),另一個(gè)方程允許對(duì)FCI與目標(biāo)宏觀經(jīng)濟(jì)變量的動(dòng)態(tài)關(guān)系進(jìn)行建模。第一,與大多數(shù)學(xué)者提取FCI后在另外回歸模型中進(jìn)行預(yù)測(cè)不同,使用包含F(xiàn)CI在內(nèi)的多元系統(tǒng)預(yù)測(cè)宏觀經(jīng)濟(jì)變量,能夠更好地表征它們的共同變動(dòng)和相互依賴性。第二,在式(2)右邊加入yt這種設(shè)定能夠從FCI中剔除宏觀經(jīng)濟(jì)成分的影響,使最終估計(jì)的FCI能純粹地反映金融市場(chǎng)的真實(shí)狀況。值得注意的是,這種方式只能剔除當(dāng)前宏觀經(jīng)濟(jì)狀況對(duì)FCI的影響,FCI仍能反映對(duì)未來(lái)宏觀經(jīng)濟(jì)的預(yù)期,FCI的本質(zhì)功能沒(méi)有改變。
在式(3)的左邊包含yt是為評(píng)估FCI提供一個(gè)度量。因?yàn)橐粋€(gè)盡可能準(zhǔn)確地預(yù)測(cè)yt的FCI才是好的FCI?;贔CI對(duì)yt的預(yù)測(cè)來(lái)不斷更新FCI是本模型的特點(diǎn)。在式(2)中包括yt并不是建立經(jīng)濟(jì)結(jié)構(gòu)模型(SVAR或DSGE等),也不具備結(jié)構(gòu)模型的經(jīng)濟(jì)含義。因此,結(jié)構(gòu)模型所引起的問(wèn)題,如結(jié)構(gòu)VAR通常涉及反映假定因果結(jié)構(gòu)的變量排序問(wèn)題在此無(wú)需解決。
λt=λt-1+vt
(4)
βt=βt-1+ηt
(5)
其中,vt~N(0,Wt),ηt~N(0,Rt)。最后,式(2)~(5)中的所有擾動(dòng)項(xiàng)彼此不相關(guān)。
通過(guò)對(duì)TVP-FAVAR模型施加約束,可轉(zhuǎn)化成其他相似模型。(1)將λt和βt約束為常數(shù)(Wt=Rt=0),則退化為FAVAR模型。(2)若提取的因子個(gè)數(shù)為零(ft=0)時(shí),則退化為TVP-VAR模型。(3)若提取的因子個(gè)數(shù)為零且λt和βt均為常數(shù),則退化成VAR模型。
為了實(shí)現(xiàn)在遞歸預(yù)測(cè)中提取FCI、減少模型估計(jì)負(fù)擔(dān)、簡(jiǎn)化FCI的估計(jì),本文借鑒Koop等的兩步估計(jì)法,將方差折現(xiàn)思想與卡爾曼濾波器相結(jié)合,以獲得狀態(tài)變量ft的后驗(yàn)分布以及時(shí)變參數(shù)θt=(λt,βt)的分析結(jié)果[23]。但是,鑒于式(2)和(3)中的潛在因子ft和載荷λt均不可觀測(cè),傳統(tǒng)卡爾曼濾波器遞歸用于狀態(tài)空間模型是不可行的。為此,本文采用了Doz等的雙重線性卡爾曼濾波算法,同時(shí)對(duì)不可觀測(cè)的狀態(tài)向量ft和時(shí)變參數(shù)θt=(λt,βt)進(jìn)行快速估計(jì)[24]。
TVP-FAVAR模型中的誤差協(xié)方差矩陣通常使用多元隨機(jī)波動(dòng)率模型來(lái)建模,但該方法計(jì)算較為繁雜。為了減少計(jì)算負(fù)擔(dān),遞歸使用方差矩陣折現(xiàn)方法來(lái)估計(jì)協(xié)方差矩陣(Vt,Qt,Wt,Rt)。對(duì)于Vt和Qt,采用指數(shù)加權(quán)移動(dòng)平均(exponential weighted moving average,EWMA)濾波器來(lái)估計(jì),EWMA依賴于延遲因子κ1和κ2。協(xié)方差矩陣Wt和Rt則采用Koop等使用的遺忘因子模型來(lái)估計(jì),遺忘因子模型依賴于遺忘因子κ3和κ4[23]。延遲因子和遺忘因子的作用相似,延遲(遺忘)因子的取值越小賦予近期觀測(cè)值的權(quán)重越大。特別地,當(dāng)κ1=κ2=1時(shí)協(xié)方差Vt和Qt退化為常數(shù);當(dāng)κ3=κ4=1時(shí),Wt=Rt=0,此時(shí)λt和βt是常數(shù)。
根據(jù)每個(gè)時(shí)點(diǎn)進(jìn)入TVP-FAVAR模型的金融變量不同,本文共需處理Mj(j=1,2,…,J)個(gè)模型。通過(guò)對(duì)時(shí)點(diǎn)t未進(jìn)入TVP-FAVAR模型的特定金融變量組合的因子載荷限制為零,或者將xt中未進(jìn)入的各列金融變量取值為零,得到特定的TVP-FAVAR模型。每種金融變量組合而成的模型Mj的形式如下:
(6)
(7)
當(dāng)涉及多個(gè)模型時(shí),貝葉斯模型選擇或貝葉斯模型平均就顯得特別有效。但是,考慮到本文所構(gòu)建的FCI的時(shí)變性,在DMS中,允許每個(gè)時(shí)點(diǎn)進(jìn)入TVP-FAVAR模型用于提取FCI的金融變量集合是動(dòng)態(tài)的;在DMA中,允許使用動(dòng)態(tài)權(quán)重來(lái)平均各個(gè)模型規(guī)范以降低風(fēng)險(xiǎn)。
本文的目標(biāo)是基于截至t-1時(shí)點(diǎn)的歷史信息估計(jì)t時(shí)點(diǎn)選擇模型j的概率πt|t-1,j。只要獲得πt|t-1,j的估計(jì)值,就可以執(zhí)行DMS和DMA。DMS負(fù)責(zé)在時(shí)點(diǎn)t都選擇πt|t-1,j最大值對(duì)應(yīng)的TVP-FAVAR模型來(lái)提取FCI。因?yàn)棣衪|t-1,j是動(dòng)態(tài)的,所以每個(gè)時(shí)點(diǎn)選擇的模型是隨時(shí)間切換的。DMA則負(fù)責(zé)在t時(shí)點(diǎn)選擇πt|t-1,j作為FCI的權(quán)重,通過(guò)加權(quán)平均降低決策風(fēng)險(xiǎn)得到FCI。
給定一個(gè)初始狀態(tài)π0|0,j,j=1,2,…,J,基于模型遺忘因子的模型預(yù)測(cè)方程和模型更新方程分別為:
(8)
(9)
其中fj,t|t-1是模型Mj的擬合優(yōu)度,本文將宏觀經(jīng)濟(jì)變量的預(yù)測(cè)可能性pj(yt|t-1)設(shè)置為擬合優(yōu)度。這里的α(0<α≤1)也是一個(gè)遺忘因子,與前文的延遲(遺忘)因子(κ1,κ2,κ3,κ4)含義相同。較低的α意味著較快的模型切換速度。特別地,當(dāng)α=1時(shí),DMS和DMA退化為普通的貝葉斯模型選擇/平均(BMS/BMA)。
初始值π0|0,j一經(jīng)確定后,卡爾曼濾波器就可以估計(jì)出時(shí)點(diǎn)t應(yīng)用模型Mj的概率πt|t,j,πt|t,j最大值所對(duì)應(yīng)的單個(gè)TVP-FAVAR模型便是用于提取當(dāng)期FCI的最佳模型,或者根據(jù)DMA加權(quán)平均后得到更穩(wěn)定的FCI。
FCI的主要目標(biāo)是衡量金融市場(chǎng)的不穩(wěn)定狀態(tài),并將各個(gè)重要細(xì)分市場(chǎng)的波動(dòng)狀態(tài)及互動(dòng)效應(yīng)匯總成一個(gè)連續(xù)的統(tǒng)計(jì)量。本文的研究目的是構(gòu)造一個(gè)能反映金融市場(chǎng)不確定性并能更準(zhǔn)確地測(cè)度宏觀經(jīng)濟(jì)變量的FCI。促進(jìn)經(jīng)濟(jì)增長(zhǎng)和穩(wěn)定物價(jià)是中國(guó)宏觀調(diào)控的兩個(gè)主要目標(biāo),GDP增長(zhǎng)率和通貨膨脹率作為典型宏觀經(jīng)濟(jì)變量,應(yīng)該作為評(píng)估FCI測(cè)度效果的首選指標(biāo)。但是,GDP只公布季度數(shù)據(jù),因此本文選取了宏觀經(jīng)濟(jì)景氣一致指數(shù)代替GDP增長(zhǎng)率。通脹率和宏觀經(jīng)濟(jì)景氣一致指數(shù)均為原始值減去100。
從已有的FCI文獻(xiàn)來(lái)看,由于構(gòu)建FCI的初衷不同、數(shù)據(jù)有效性不同、模型復(fù)雜度與估計(jì)難度不同,導(dǎo)致選取哪些金融變量并沒(méi)有一致的結(jié)論。但能確定的是,對(duì)金融狀況影響較大的典型變量幾乎存在于現(xiàn)有FCI文獻(xiàn)中。如短期利率、有效匯率、股價(jià)指數(shù)、房屋價(jià)格通過(guò)貨幣政策效應(yīng)、財(cái)富效應(yīng)和資產(chǎn)負(fù)債表效應(yīng)影響中國(guó)經(jīng)濟(jì),是FCI的重要構(gòu)成變量。貨幣供應(yīng)量和信貸供給作為中國(guó)數(shù)量型貨幣政策工具,它們的調(diào)整直接影響消費(fèi)和投資,也是中國(guó)FCI的重要組成部分。長(zhǎng)期以來(lái),收益率曲線、收益率利差一直用作衡量未來(lái)經(jīng)濟(jì)活動(dòng)的金融指標(biāo),也是FCI的常見組成部分。此外,全球經(jīng)濟(jì)一體化和金融自由化為金融風(fēng)險(xiǎn)的跨國(guó)傳播提供了可能,國(guó)際金融市場(chǎng)的風(fēng)險(xiǎn)積累也會(huì)蔓延到本國(guó)當(dāng)中,因此衡量國(guó)際金融走勢(shì)或風(fēng)險(xiǎn)的指標(biāo)在構(gòu)建FCI時(shí)應(yīng)當(dāng)予以考慮。
構(gòu)建FCI的原始指標(biāo)信息詳見表2,該表報(bào)告了每個(gè)指標(biāo)的名稱、標(biāo)識(shí)、樣本開始年月、選取依據(jù)。與陳磊、羅煜等做法不同:第一,本文在評(píng)估FCI的質(zhì)量時(shí)同時(shí)考慮了通貨膨脹率和宏觀經(jīng)濟(jì)景氣一致指數(shù)兩個(gè)宏觀經(jīng)濟(jì)變量,并非單一的通貨膨脹率,從多個(gè)角度去評(píng)估本文構(gòu)建FCI所采用方法的優(yōu)越性;第二,本文在短期利率方面新增了上海銀行間7天同業(yè)拆借利率,在房地產(chǎn)價(jià)格方面新增了住宅物業(yè)價(jià)格指數(shù),指標(biāo)的涵蓋范圍不同,提供的有用信息也會(huì)不同;第三,本文重點(diǎn)增加了三個(gè)利差指標(biāo)(泰德利差、1年與3年國(guó)債利差、3年與3個(gè)月國(guó)債利差),在FCI的構(gòu)建中考慮了潛在金融市場(chǎng)風(fēng)險(xiǎn)對(duì)金融市場(chǎng)整體形勢(shì)的影響[15-16]。
表2 構(gòu)建FCI的原始指標(biāo)信息
在構(gòu)建FCI之前,有必要對(duì)各變量進(jìn)行預(yù)處理。第一,使用X-12方法對(duì)各原始指標(biāo)進(jìn)行季節(jié)調(diào)整,剔除各原始變量的季節(jié)成分,得到序列的趨勢(shì)循環(huán)成分。第二,剔除通貨膨脹因素影響得到實(shí)際值,其中利率和收益率變量,用名義值減去同期的通貨膨脹率得到實(shí)際值,其他以人民幣標(biāo)價(jià)的變量則用名義值除以1999年為基期的中國(guó)定基CPI得到實(shí)際值。由于布倫特原油價(jià)格和倫敦黃金價(jià)格是用美元標(biāo)價(jià),因此這兩個(gè)變量的實(shí)際值是用BIS公布的以2010年為基年的美國(guó)定基CPI計(jì)算得到的。第三,對(duì)樣本期內(nèi)取正值的變量進(jìn)行對(duì)數(shù)化處理以減小異方差性。第四,通過(guò)HP濾波分離出序列的趨勢(shì)成分和循環(huán)成分,得到缺口序列,利率、收益率及利差變量則保持水平值。
為了保證各序列的平穩(wěn)性,避免“偽回歸”問(wèn)題,還需要對(duì)各缺口序列進(jìn)行單位根檢驗(yàn)。值得注意的是,預(yù)處理過(guò)程并不對(duì)缺口序列進(jìn)行標(biāo)準(zhǔn)化處理,所有標(biāo)準(zhǔn)化操作在建模過(guò)程中完成,在構(gòu)建FCI前消除各序列的量綱影響,讓所構(gòu)建的FCI在均值處上下波動(dòng),便于分析不同時(shí)期中國(guó)金融市場(chǎng)運(yùn)行狀況。所有數(shù)據(jù)預(yù)處理環(huán)節(jié)均由EVIEWS 9.0完成,預(yù)處理后各指標(biāo)的描述性統(tǒng)計(jì)詳見表3。
表3 變量描述性統(tǒng)計(jì)與單位根檢驗(yàn)結(jié)果
單位根檢驗(yàn)采用常用的ADF檢驗(yàn)。檢驗(yàn)結(jié)果顯示,除M1缺口的顯著性水平為7%,通貨膨脹率的顯著性水平為4%外,其他缺口序列的顯著性水平均低于1%。因此,通貨膨脹率、宏觀經(jīng)濟(jì)景氣一致指數(shù)和各金融變量(缺口)均滿足主成分(因子)分析及TVP-FAVAR模型的建模需求,可以直接進(jìn)入模型。
本文的樣本區(qū)間為2000M01—2020M11(即2000年1月至11月,下同),但在上文的變量選擇中,某些金融變量在初期存在缺失值(如shibor是從2006M10開始)。所有18個(gè)金融變量(缺口)中,住宅物業(yè)價(jià)格指數(shù)的缺失比例為53%,上海銀行間7天同業(yè)拆借利率的缺失比例為32%,倫敦黃金價(jià)格的缺失比例為14%,社會(huì)融資規(guī)模、國(guó)債收益率或利差的缺失比例為10%,其他變量在每個(gè)樣本點(diǎn)都有觀測(cè)值。雖然每個(gè)指標(biāo)的觀測(cè)起點(diǎn)不一致,但本文在TVP-FAVAR模型中所采取的卡爾曼濾波可以將某些不存在觀測(cè)值的指標(biāo)當(dāng)作信息缺失,在某個(gè)樣本點(diǎn)進(jìn)行卡爾曼估計(jì)更新時(shí)暫時(shí)不提供有效信息,但這并不影響最終的優(yōu)化結(jié)果。因此,在單個(gè)TVP-FAVAR模型中,在卡爾曼濾波估計(jì)更新中,少量缺失值并不影響最終估計(jì)的FCI的質(zhì)量。
但是,在DMS和DMA中,候選變量在樣本初期沒(méi)有觀測(cè)值是不允許的,因?yàn)槟硞€(gè)時(shí)點(diǎn)(如2006M10)的FCI值是在至少觀測(cè)到一個(gè)金融變量后才開始估算的,而DMS有可能僅選擇該期間都缺失的金融變量(如shibor和property)來(lái)提取FCI。在這種情況下,在指定時(shí)間段內(nèi)提取到的FCI值為零,是無(wú)效的。為了避免這種意外發(fā)生,本文借鑒Koop等的做法,選取一個(gè)或幾個(gè)金融變量始終包含在模型中,這些被固定的金融變量的觀測(cè)區(qū)間為2000M01—2020M11,橫跨了整個(gè)樣本區(qū)間[7]。本文將national、REER_gap、shangzheng_gap、house_gap以及M2_gap共5個(gè)金融變量(缺口)始終包含在模型中,這是鄧創(chuàng)等用于構(gòu)建FCI的5項(xiàng)指標(biāo)[10,11,19,26]。也就是說(shuō),每個(gè)樣本點(diǎn)的FCI值至少是基于這5個(gè)變量(缺口)提取的,僅對(duì)剩余的13個(gè)金融變量執(zhí)行DMS和DMA。因此,本文的模型空間為J=213=8 192,也就是8 192個(gè)TVP-FAVARs模型。
接下來(lái)便是設(shè)置模型的超參數(shù)與初始條件。首先設(shè)置因子ft(FCI),時(shí)變參數(shù)λt、βt和時(shí)變協(xié)方差Vt、Qt的初始值,要進(jìn)行DMS和DMA還要設(shè)定π0|0,j(j=1,2,…,J)。這些超參數(shù)的初始值為f0~N(0,4)、λ0~N(0,4×In(s+1))、β0~N(0,VMIN)、V0=1×In、Q0=1×Is+1、π0|0,j=1/J。其中VMIN是對(duì)角協(xié)方差矩陣,服從Minnesota先驗(yàn)分布,遠(yuǎn)期觀測(cè)值的權(quán)重較小。此外,Wt和Rt無(wú)需初始化,因?yàn)樗鼈兊墓烙?jì)值與從卡爾曼濾波中估計(jì)得到的協(xié)方差矩陣成比例。對(duì)于延遲因子與遺忘因子,,本文借鑒Koop等的做法,選擇κ1=κ2=0.96,κ3=κ4=0.99,模型轉(zhuǎn)換的遺忘因子α=0.99,這意味著使用相對(duì)緩慢變化的模型概率來(lái)實(shí)現(xiàn)DMS和DMA[7]。
1.單個(gè)模型測(cè)度的金融狀況指數(shù)
圖1報(bào)告了使用所有18個(gè)金融變量以TVP-FAVAR模型、FAVAR模型和標(biāo)準(zhǔn)主成分分析三種方式測(cè)算的金融狀況指數(shù)。實(shí)線是基于TVP-FAVAR模型提取的FCI,短劃線是采用FAVAR模型提取的FCI,這兩個(gè)模型均采用兩步估計(jì)法進(jìn)行快速估計(jì),唯一的區(qū)別在于TVP-FAVAR模型的參數(shù)具有時(shí)變性,而FAVAR模型的參數(shù)在樣本期內(nèi)是恒定的。圓點(diǎn)線是基于標(biāo)準(zhǔn)主成分分析,從所有18個(gè)變量(缺口)中提取第一主成分得到的FCI。可以看出,TVP-FAVAR模型、FAVAR模型與主成分分析估計(jì)得到的FCI是極為相似的,TVP-FAVAR模型估計(jì)得到的FCI僅在少數(shù)樣本點(diǎn)處與其他兩個(gè)FCI不同。這進(jìn)一步支持了以主成分估計(jì)值作為因子Ft的初始估計(jì)值是可行的,得到的估計(jì)值也是一致的、穩(wěn)定的。
圖1 所有18個(gè)變量測(cè)度的FCI
圖2報(bào)告了通貨膨脹率與基于單個(gè)TVP-FAVAR模型估計(jì)得到的FCI的對(duì)比走勢(shì)圖。由于FCI是從所有18個(gè)標(biāo)準(zhǔn)化的實(shí)際金融變量(缺口)中提取的,因而得到的FCI也是標(biāo)準(zhǔn)化的,為了更直觀地對(duì)比,用于比較的通貨膨脹率是經(jīng)過(guò)標(biāo)準(zhǔn)化處理的。可以發(fā)現(xiàn),TVP-FAVAR模型估計(jì)的FCI與中國(guó)通貨膨脹率走勢(shì)基本一致,特別是在2000—2013年間,均具有明顯的相似的周期波動(dòng)特征。還可以發(fā)現(xiàn),兩步法估計(jì)的TVP-FAVAR模型提取的FCI領(lǐng)先于通貨膨脹率大約1年,也就是說(shuō)本文所構(gòu)建的FCI包含了未來(lái)通貨膨脹的有用信息,可以作為通貨膨脹率的有用預(yù)測(cè)因子。
圖2 標(biāo)準(zhǔn)通脹與單個(gè)TVP-FAVAR模型估計(jì)的FCI
圖3報(bào)告了宏觀經(jīng)濟(jì)景氣一致指數(shù)與基于單個(gè)TVP-FAVAR模型估計(jì)的FCI的對(duì)比走勢(shì)圖。與通貨膨脹率一樣,此處的boom也是經(jīng)過(guò)標(biāo)準(zhǔn)化處理的,其取值小于零代表宏觀經(jīng)濟(jì)不景氣,反之亦然??梢园l(fā)現(xiàn),單個(gè)TVP-FAVAR模型提取的FCI與boom的走勢(shì)更吻合,并且領(lǐng)先于boom 3~6個(gè)月。還可以發(fā)現(xiàn),嚴(yán)重緊縮的FCI可以預(yù)示未來(lái)短期內(nèi)宏觀經(jīng)濟(jì)的不景氣,但二者的蕭條程度并不成正比。對(duì)于FCI來(lái)說(shuō),其在2008年金融危機(jī)期間的緊縮程度要大于2020年初“新冠肺炎疫情”期間的緊縮程度;而對(duì)于boom來(lái)說(shuō),其在“新冠肺炎疫情”期間的不景氣程度遠(yuǎn)大于國(guó)際金融危機(jī)時(shí)期。這說(shuō)明“被迫”停工停產(chǎn)對(duì)中國(guó)經(jīng)濟(jì)發(fā)展的影響是前所未有的。FCI確實(shí)包含了未來(lái)宏觀經(jīng)濟(jì)狀況的信息,可以用來(lái)預(yù)測(cè)宏觀經(jīng)濟(jì)狀況,進(jìn)而指示未來(lái)的經(jīng)濟(jì)活動(dòng)。
圖3 一致指數(shù)與單個(gè)TVP-FAVAR模型估計(jì)的FCI
2.動(dòng)態(tài)模型選擇與平均測(cè)度的金融狀況指數(shù)
圖4報(bào)告了DMS中每個(gè)變量(缺口)進(jìn)入TVP-FAVAR模型的動(dòng)態(tài)概率。若變量在樣本初期存在缺失值,則其概率為零。TED和M1_gap在2012年之前并沒(méi)有進(jìn)入模型,2012年之后的概率也很小。這并不是因?yàn)樗鼈儗?duì)金融市場(chǎng)壓力沒(méi)有貢獻(xiàn),而是因?yàn)樗鼈儾荒芴峁┡c固定在模型中的同類變量(缺口)互補(bǔ)的信息。兩個(gè)利差風(fēng)險(xiǎn)變量3y/3m spread和10/3y spread的概率在整個(gè)樣本期間保持在0.5左右,說(shuō)明這兩個(gè)變量穩(wěn)定地為金融狀況提供了有用的信息。有趣的是,shibor在2006—2012年間以極高的概率始終保持在模型中,其后概率雖然有所降低,但整個(gè)樣本期內(nèi)的概率保持在0.6以上,這說(shuō)明national并不能代替shibor,即使它們有相似的走勢(shì)(見上文的金融變量選取)。
圖4 金融變量(缺口)進(jìn)入模型的動(dòng)態(tài)概率
比較明顯的還有USER_gap,其概率走勢(shì)呈現(xiàn)拋物狀,從樣本早期的零概率逐漸上升到金融危機(jī)期間的最高點(diǎn),而后逐漸下降并于樣本后期保持在0.5左右。這也說(shuō)明USER_gap包含了REER_gap中沒(méi)有的信息,它對(duì)金融狀況的貢獻(xiàn)是不可代替的。AFRE_gap和loan_gap是兩個(gè)相似的信貸變量,AFRE_gap的概率始終在0.5處波動(dòng),而loan_gap前期概率趨近于1后逐漸下降,在2008年前后隆至最低點(diǎn)又緩慢提高,隨后在0.4趨于穩(wěn)定。最后是兩個(gè)國(guó)際金融市場(chǎng)變量,可以發(fā)現(xiàn)brent_gap進(jìn)入模型的概率較小,而gold_gap的概率保持在0.5左右,變動(dòng)不大。
綜合來(lái)看,大部分變量的概率是動(dòng)態(tài)性的,有的變量在某個(gè)時(shí)期進(jìn)入模型,又在某個(gè)時(shí)期離開了模型,反映了同一個(gè)子金融市場(chǎng)在不同時(shí)期對(duì)整體金融市場(chǎng)的不同影響。這進(jìn)一步突出了DMS和DMA技術(shù)在TVP-FAVAR模型中的優(yōu)勢(shì)。
圖5報(bào)告了每個(gè)樣本點(diǎn)對(duì)應(yīng)的模型大小,除了始終包含在模型中的五個(gè)典型變量之外,每個(gè)樣本點(diǎn)還有4~6個(gè)變量進(jìn)入模型,換句話說(shuō),整個(gè)樣本期內(nèi)用于提取FCI的金融變量缺口大約為9~11個(gè)。圖5還顯示出,樣本點(diǎn)越靠后,TVP-FAVAR模型動(dòng)態(tài)選擇進(jìn)入的金融變量數(shù)量呈現(xiàn)遞增的趨勢(shì),這說(shuō)明隨著中國(guó)金融市場(chǎng)的發(fā)展,金融市場(chǎng)各部門對(duì)中國(guó)金融狀況的影響不是一成不變的,而是動(dòng)態(tài)變動(dòng)的。還可以看出,金融危機(jī)前每點(diǎn)TVP-FAVAR模型的大小保持在9左右上下波動(dòng),達(dá)到局部穩(wěn)定的狀態(tài)。
圖5 動(dòng)態(tài)模型選擇的模型大小
圖6報(bào)告了基于單個(gè)TVP-FAVAR模型估計(jì)的FCI以及經(jīng)多個(gè)TVP-FAVAR模型動(dòng)態(tài)選擇和平均得到的DMA-FCI??梢园l(fā)現(xiàn),FCI和DMA-FCI的走勢(shì)高度一致,數(shù)值上雖時(shí)高時(shí)低,但DMA-FCI要比FCI更平滑,尤其是在每輪金融周期的峰點(diǎn)和谷點(diǎn)處。這也是DMS和DMA的優(yōu)勢(shì),每個(gè)樣本點(diǎn)依概率選擇重要的變量用于提取FCI,避免不重要的變量夸大金融狀況的緊縮或?qū)捤沙潭取?/p>
圖6 FCI與DMA-FCI的走勢(shì)
以“峰—峰”作為一輪周期的判定標(biāo)準(zhǔn),圖6報(bào)告的中國(guó)金融狀況指數(shù)經(jīng)歷了六輪完整的周期。中國(guó)金融狀況指數(shù)的周期長(zhǎng)度穩(wěn)定在3~4年之間,這與鄧創(chuàng)等利用主成分分析法測(cè)度得到的結(jié)論相一致[14]。各金融領(lǐng)域波動(dòng)相互疊加,終將反映到FCI的波動(dòng)上來(lái)。本文以識(shí)別2000年以來(lái)中國(guó)重大金融事件為標(biāo)準(zhǔn)來(lái)判斷DMA-FCI的合理性。
2000年7月以來(lái),中國(guó)M1增速?gòu)木植扛叻?2.6%逐漸下探至2002年1月的9.5%,緊縮的貨幣政策下金融市場(chǎng)狀況也跟著收緊,表現(xiàn)為DMA-FCI從2000年4月的0.54降為2001年7月的0.41,金融狀況從寬松走向了緊縮。2001年中國(guó)加入世界貿(mào)易組織前后,對(duì)未來(lái)金融市場(chǎng)發(fā)展持不確定性觀點(diǎn)使中國(guó)金融狀況保持在較低狀態(tài)。2002—2004年,DMA-FCI從零附近開始緩慢上升而后又逐漸下降,在此期間,中國(guó)M1和M2增速均保持在15%~20%的高速增長(zhǎng)階段,DMA-FCI與貨幣供應(yīng)量呈現(xiàn)出相似的周期趨勢(shì),中國(guó)貨幣政策由穩(wěn)健到適度寬松再回歸穩(wěn)健,對(duì)應(yīng)的物價(jià)水平也是溫和的、波動(dòng)幅度小于2%。
2005年中國(guó)啟動(dòng)了股權(quán)分置改革,推動(dòng)中國(guó)金融市場(chǎng)向好向上發(fā)展,金融狀況指數(shù)逐漸上升。2007年左右,隨著股權(quán)分置改革的完成,大批企業(yè)完成了上市,加之住房?jī)r(jià)格飆升、房地產(chǎn)投資熱潮涌動(dòng),以及人民幣一路升值帶來(lái)大量外部資金涌入國(guó)內(nèi),中國(guó)金融市場(chǎng)處于繁榮狀態(tài),此時(shí)的金融狀況指數(shù)到達(dá)局部峰值狀態(tài)。與此同時(shí),全球資本市場(chǎng)流動(dòng)強(qiáng)盛,不同金融部門驅(qū)動(dòng)作用的相互疊加使得中國(guó)物價(jià)水平上漲,進(jìn)入嚴(yán)重的通脹期。2008年雷曼兄弟倒閉、資產(chǎn)泡沫迅速破滅,中國(guó)金融狀況也急劇惡化,DMA-FCI于2008年6月下探至谷點(diǎn)-1.29,這也是2000年以來(lái)的歷史最低點(diǎn)。金融危機(jī)還導(dǎo)致中國(guó)GDP增速明顯放緩,物價(jià)水平急劇下跌,通脹率在2009年7月下探至-2.07%,進(jìn)入了短暫的通縮期。
2008年下半年開始,為降低國(guó)際金融危機(jī)的破壞性影響,中國(guó)宏觀調(diào)控當(dāng)局迅速采取了適度寬松的貨幣政策和積極的財(cái)政政策,極力復(fù)蘇中國(guó)經(jīng)濟(jì),防止經(jīng)濟(jì)增速過(guò)快下滑。具體應(yīng)對(duì)措施為“一攬子計(jì)劃”,最重要的一項(xiàng)便是加大政府財(cái)政支出的同時(shí)減少稅收,減輕企業(yè)負(fù)擔(dān)?!?萬(wàn)億計(jì)劃”安撫了人心,成效凸顯。具體表現(xiàn)為:中國(guó)貨幣供應(yīng)量和信貸量增速加快,進(jìn)而金融市場(chǎng)壓力逐漸減小,DMA-FCI逐漸回升并于2009年8月達(dá)到2000年以來(lái)的最高點(diǎn)。此后,中國(guó)DMA-FCI又逐漸回落、緩慢向均值零靠攏,而后又受歐元貶值、人民幣升值的影響在2011年9月下降至-0.61的局部谷點(diǎn)。2012年以來(lái),中國(guó)經(jīng)濟(jì)發(fā)展進(jìn)入“新常態(tài)”,金融狀況指數(shù)在零附近上下波動(dòng),波幅較小,直到2015年中,中國(guó)金融市場(chǎng)受“股災(zāi)”的影響,金融狀況指數(shù)保持在-0.21左右的局部谷點(diǎn)狀態(tài)。2020開年以來(lái)受“新冠肺炎疫情”的影響,停工停產(chǎn)的大環(huán)境下中國(guó)經(jīng)濟(jì)景氣狀態(tài)達(dá)到2000年以來(lái)的歷史最低,不景氣程度甚于國(guó)際金融危機(jī)期間,進(jìn)而金融狀況也進(jìn)一步惡化,DMA-FCI下探至2012年以來(lái)的局部低谷-0.35。
由此可見,本文構(gòu)建的DMA-FCI可以識(shí)別出21世紀(jì)以來(lái)中國(guó)金融市場(chǎng)的重大風(fēng)險(xiǎn)事件,六輪周期中的谷點(diǎn)分別對(duì)應(yīng)2001年加入世貿(mào)組織、2005年股權(quán)分置改革、2008年國(guó)際金融危機(jī)、2011年歐洲債務(wù)危機(jī)、2015年“股災(zāi)”與2020年“新冠肺炎疫情”。因此,動(dòng)態(tài)模型平均測(cè)度的DMA-FCI可以描述樣本期間中國(guó)金融市場(chǎng)環(huán)境的變化趨勢(shì),刻畫了中國(guó)2000年以來(lái)的金融形勢(shì),是一個(gè)具有風(fēng)險(xiǎn)識(shí)別能力的FCI。
下面通過(guò)遞歸預(yù)測(cè)來(lái)評(píng)估FCI對(duì)目標(biāo)宏觀經(jīng)濟(jì)變量的預(yù)測(cè)能力,預(yù)測(cè)評(píng)估期為2010M01—2020M11,預(yù)測(cè)步長(zhǎng)為h=1,2,3,4,也就是向前預(yù)測(cè)1~4個(gè)月。通過(guò)計(jì)算均方預(yù)測(cè)誤差(MSFE)來(lái)評(píng)估各模型的預(yù)測(cè)能力,將MSFE除以基準(zhǔn)模型產(chǎn)生的相應(yīng)值來(lái)對(duì)結(jié)果進(jìn)行歸一化,以便比較各模型的預(yù)測(cè)準(zhǔn)確程度。
本文將不含F(xiàn)CI的VAR模型作為基準(zhǔn)模型,基準(zhǔn)模型記錄的MSFE為真實(shí)值,而其他模型的MSFE則是與基準(zhǔn)模型的相對(duì)值。TVP-FAVAR表示應(yīng)用所有18個(gè)變量提取的FCI,TVP-FAVAR-DMS(DMA)表示在剩余13個(gè)變量中應(yīng)用DMS和DMA提取的FCI。緊跟模型名稱后面的參數(shù)c1和c2分別代表模型的延遲因子和遺忘因子,即κ1=κ2=c1且κ3=κ4=c2。除VAR模型是不包含F(xiàn)CI的二元模型外,其他模型是包含不同F(xiàn)CI的三元增強(qiáng)VAR模型。
表4報(bào)告了VAR類和FAVAR類模型對(duì)通脹和宏觀經(jīng)濟(jì)景氣一致指數(shù)的均方預(yù)測(cè)誤差。對(duì)通脹來(lái)說(shuō),TVP-VAR、FAVAR及TVP-FAVAR模型的預(yù)測(cè)效果優(yōu)于基準(zhǔn)模型;而對(duì)宏觀經(jīng)濟(jì)景氣一致指數(shù)來(lái)說(shuō),只有包含F(xiàn)CI的FAVAR類和TVP-FAVAR類模型的預(yù)測(cè)效果要優(yōu)于基準(zhǔn)VAR模型。這說(shuō)明,允許預(yù)測(cè)模型的參數(shù)隨時(shí)間變化以及加入金融狀況信息確實(shí)提高了對(duì)目標(biāo)宏觀經(jīng)濟(jì)變量的預(yù)測(cè)能力,因?yàn)榻?jīng)濟(jì)結(jié)構(gòu)具有不穩(wěn)定性,況且FCI包含了有關(guān)經(jīng)濟(jì)活動(dòng)的預(yù)期信息。此外,當(dāng)向前預(yù)測(cè)2~4個(gè)月時(shí),DMA和BMA模型分別是通脹和宏觀經(jīng)濟(jì)景氣一致指數(shù)的最佳預(yù)測(cè)模型。也就是,模型平均確實(shí)降低了風(fēng)險(xiǎn),使預(yù)測(cè)結(jié)果趨于穩(wěn)定,DMA-FCI能提高目標(biāo)經(jīng)濟(jì)變量的預(yù)測(cè)能力。
表4 均方預(yù)測(cè)誤差(MSFE)
因此,在TVP-FAVAR模型采用DMA技術(shù)估計(jì)的FCI要比單個(gè)TVP-FAVAR模型估計(jì)的FCI的預(yù)測(cè)能力強(qiáng)。也就是說(shuō),DMA-FCI是本文測(cè)度結(jié)果中最佳的金融狀況指數(shù),因?yàn)樗念A(yù)測(cè)能力最強(qiáng),在TVP-FAVAR模型中執(zhí)行DMA提取的FCI能顯著提高宏觀經(jīng)濟(jì)變量的預(yù)測(cè)能力。
本文的目標(biāo)是構(gòu)建一個(gè)盡可能準(zhǔn)確地預(yù)測(cè)通脹和經(jīng)濟(jì)狀況的金融狀況指數(shù)。為此,本文通過(guò)查閱大量國(guó)內(nèi)外有關(guān)FCI的文獻(xiàn),并從FCI的變量選擇、模型或方法的構(gòu)建以及應(yīng)用三方面進(jìn)行歸納與總結(jié),通過(guò)在TVP-FAVAR模型中始終固定5個(gè)典型的FCI的構(gòu)成變量,并且對(duì)剩余的13個(gè)金融變量(缺口)執(zhí)行動(dòng)態(tài)模型選擇和動(dòng)態(tài)模型平均,最后構(gòu)建了中國(guó)2000年1月至2020年11月期間的FCI。研究結(jié)果如下:
第一,金融狀況指數(shù)(FCI)的測(cè)度結(jié)果表明,使用所有18個(gè)實(shí)際金融變量(缺口)在單個(gè)TVP-FAVAR模型中提取的FCI、基于動(dòng)態(tài)因子模型提取的FCI以及采用主成分分析提取第一主成分得到的FCI是極其相似的。在多個(gè)TVP-FAVAR模型中執(zhí)行動(dòng)態(tài)模型平均測(cè)度的FCI雖與單個(gè)TVP-FAVAR模型提取的FCI很相似,但動(dòng)態(tài)模型平均構(gòu)造的FCI在峰點(diǎn)和谷點(diǎn)較為平滑。動(dòng)態(tài)模型平均構(gòu)造的FCI與中國(guó)通脹率和宏觀經(jīng)濟(jì)景氣一致指數(shù)的走勢(shì)大體吻合,并且領(lǐng)先于通貨膨脹率大約1年,領(lǐng)先于宏觀經(jīng)濟(jì)景氣一致指數(shù)大約3~6個(gè)月,并且其走勢(shì)也與中國(guó)樣本期內(nèi)的金融形勢(shì)變化大體一致,不管是周期特征,亦或是識(shí)別重大金融風(fēng)險(xiǎn)事件的能力,都有一定的合理性。
第二,金融狀況指數(shù)(FCI)對(duì)目標(biāo)宏觀經(jīng)濟(jì)變量的預(yù)測(cè)結(jié)果表明,FCI對(duì)通貨膨脹率和宏觀經(jīng)濟(jì)景氣一致指數(shù)的預(yù)測(cè)是有用的,FCI能提高宏觀經(jīng)濟(jì)變量的預(yù)測(cè)性能。對(duì)于通脹來(lái)說(shuō),在向前1~4個(gè)月的預(yù)測(cè)中,所有模型的表現(xiàn)均優(yōu)于基準(zhǔn)VAR模型,但加入FCI的FAVAR或TVP-FAVAR模型表現(xiàn)更佳,特別是執(zhí)行動(dòng)態(tài)模型平均構(gòu)造的FCI,其表現(xiàn)是最魯棒的。對(duì)于宏觀經(jīng)濟(jì)景氣一致指數(shù)來(lái)說(shuō),TVP-VAR并沒(méi)有基準(zhǔn)VAR表現(xiàn)得好,反而是加入FCI后的FAVAR類和TVP-FAVAR類模型能改善宏觀經(jīng)濟(jì)景氣一致指數(shù)的預(yù)測(cè)性能;同樣地,執(zhí)行動(dòng)態(tài)模型平均構(gòu)造的FCI對(duì)宏觀經(jīng)濟(jì)景氣一致指數(shù)的預(yù)測(cè)能力是最強(qiáng)的。因此,在TVP-FAVAR模型中執(zhí)行動(dòng)態(tài)模型選擇和動(dòng)態(tài)模型平均可以改善對(duì)宏觀變量的預(yù)測(cè)能力,該方法所構(gòu)建的FCI是一個(gè)反映中國(guó)物價(jià)水平未來(lái)變化的晴雨表。