中国金融状况指数构建及其在通胀中的应用

(1.安徽大学 经济学院,安徽 合肥 230601; 2.安徽财经大学 金融学院,安徽 蚌埠 233030；3.安徽财经大学 国际经济贸易学院,安徽 蚌埠 233030)

一、引言

长期以来，货币政策制定目标往往追逐经济增长和物价稳定等总量型指标，却未必能考量金融系统运行情况，造成资产价格非理性波动以及物价水平与资产价格非同步现象的出现。譬如，央行运用一系列政策工具增加货币投放来刺激经济，若新增的货币没有进入实体经济，短期内容易造成低通胀和高金融资产并存的现象[1]。特别是经济面临衰退时，资产价格由原先上涨趋势变为直接快速下降，迫使持有相应资产的金融机构确认大幅减值 损失。这种金融系统的顺周期性使整个经济体系极易面临风险，给实体经济发展造成巨大威胁。因此，寻求描述金融系统真实运行状况的指标，并纳入货币政策框架，意味着将金融稳定、物价稳定共同参与货币政策制定和执行框架中，有助于更好贯彻党的十九大精神，提高金融服务实体经济能力，以防范系统性金融风险。

金融状况指数(Financial Condition Index，FCI)本身作为反映一国金融状况松紧程度的综合性指标，可以看做金融市场健康的晴雨表，并可以被用来衡量和预测实体经济发展水平。最初学者们通过一系列金融指标变量综合构造出了货币条件指数(Monetary Condition Index，MCI)，

随后进一步演化为FCI。由于具有将包含很多经济信息的多维指标综合为单一指标的优势，可以作为重要的政策指示器。从2008年美国次贷危机及随后的金融危机爆发后，伴随着房地产市场泡沫和经济严重衰退，这场危机考察了金融部门的“温度”。很多外国央行(美联储、加拿大银行、德意志银行和OECD等)和金融机构(高盛、彭博社等)都开始密切监控金融形势指数FCI。具体而言，代表性的金融状态指数有圣路易斯联储金融压力指数(STLFSI)，芝加哥联储国家金融状况指数(CNFCI)，彭博金融状况指数(BFCI)，堪萨斯城金融压力指数(KCFSI)，高盛财务状况指数(GSFCI)和芝加哥期权交易所CBOE波动率指数(VIX)。各国央行通过汇总短期国债利率、长期国债利率、信用利差、美元外汇价值和股票价格等指标构造FCI指数，希望通过其数据衡量金融压力和预测经济。面对2013年6月我国出现的银行钱荒现象，中国人民银行着手探索基于日度数据编制了中国的实时FCI指数。然而，这仅仅是探索阶段，数据尚未完全公开。FCI本身就是个相对指标，不同的机构和学者因采取不同指标和不同方法构造出的结果往往是不同的。国内外大多数学者选择包含利率、汇率、房地产价格、股价等资产价格的变量构成FCI指数，变量选择上相对单一。可以肯定的是，FCI指数构建过程中，变量选择上应注重宏观指标变量选择的广泛性和代表性，构建方法上应满足不同时间段选择不同指标变量的特殊需要。

鉴于我国没有官方公布FCI数据，本文试图在已有文献研究的基础上，解决如下两个问题：第一，如何增强FCI对基本宏观面的信息囊括能力，提炼和估计FCI模型的系数及权重，从而有效构建的FCI指数使得客观描述金融系统运行状况。第二，自2015年以来，经过一系列市场波动的阵痛后，中国金融市场伴随着结构性变化。这种结构性变化是否导致FCI预测通胀的影响表现出时变和动态特征？解决上述两个问题对我国宏观经济形势、物价水平做出前瞻性预测具有重要理论与实践意义。基于以上考虑，本文选择2003年1月至2017年10月的20个宏观经济变量数据构建的FCI指标，利用动态模型平均方法(DMA)构建含有时变系数和随机波动率的因子増广向量自回归模型(TVP-FAVAR)，计算出我国FCI指数，克服传统方法存在的经济信息含量少、固定权重和缺乏经济结构性变化等限制，从而增强了FCI的时效性。利用新的FCI指数有助于对宏观经济形势、物价水平作出前瞻性预测，提高金融服务实体经济能力，变被动监测为主动防范化解系统性金融风险。

二、文献综述

最早金融状况指数是起源于19世纪90年代，加拿大银行用再融资利率和汇率构造出货币状况指数(MCI)，进行长期监测。MCI在加拿大银行的成功运用促使瑞典、新西兰和澳大利亚等央行相继效仿，将MCI作为货币政策操作目标之一。国际货币资金组织(IMF)在1996年公布了美国、英国、法国、德国、意大利、日本共6个国家的MCI。但MCI选取指标过少，将其作为货币政策操作目标的做法存在一定的缺陷，因此，对MCI指数的进一步推广和改进，通过选取更多更广的指标范围的FCI得以演化而来。Mayes和Viren(2001)[2]总结了高盛等机构关于FCI应用的实际经验，建议对FCI进行监测预测经济发展水平。在此之后，有关FCI的研究主要沿着两个维度进行展开：(1)FCI具体指标选取。国内外学者大多基于样本国家的实际情况，根据FCI理论构造基础以及目的的不同，选择相对有限的经济指标来测算FCI。Goodhart和Holfmann(2001)[3]最早采用短期利率、房地产价格、股票价格和实际汇率四个变量作为指标，利用总需求方程分别计算西方七国的FCI，并指出FCI在样本内对通胀率有良好的预测效果。卜永祥、周晴(2004)[4]拓展了MCI定义，将货币信贷增速的指标信息引入MCI的测算。Boivin等(2009)[5]从货币传递机制角度将指标分为新古典和非新古典两大类，综合选择利率、股票价格、收益率以及借贷者风险等金融变量指标加权构造出FCI。巴曙松、韩明睿(2011)[6]考虑到银行信贷控制在我国货币政策中的重要作用，因此将信贷总量放进FCI指数的构建中，研究结果表明包含信贷总量的FCI对通胀的预测更佳。(2)FCI构建的计量方法。计量方法很多，最终合成方法大多采用对少数金融变量的简单加权平均值而获得，权重选取方法依据基于每个变量对实际GDP的影响大小进行估值。常用方法有三类，一是基于向量自回归模型(VAR)、VECM、SVAR计算得到的脉冲响应值为权重。Swiston(2008)[7]利用VAR脉冲响应分析得到美国的FCI指数，并证明其对产出具有半年的预测效果。Beaton、Lalonde和Luu(2009)[8]选用了商业票据利率、商业贷款利差、消费贷款标准和金融资产，通过结构VECM模型产生的脉冲响应值为权重计算出FCI。二是基于总需求方程缩减式为主的单方程系数和显著程度来确定权重。Mayes和Virén(2001)[9]利用IS曲线的总需求方程缩减式，结合了房地产价格和股票价格等资产价格的日频数据计算FCI，结果显示构造出的新的FCI能够更好的预测通胀情况。Montagnoli和Napolitano(2004)[10]利用状态空间模型及卡尔曼滤波算法构造具有动态权重的FCI数据。卞志村、孙慧智和曹媛媛(2012)[11]则利用状态空间模型对中国数据构建了时变的金融状态指数，并得出FCI对未来产出和通胀具有良好的预测能力。三是利用降维思想进行因子分析或者主成份分析获得权重系数。为了吸收更多的金融变量参与FCI构建，除了传统的向量自回归模型，学者们利用降维思想，采用因子分析和主成分方法对高维经济变量提取公共因子和主要成分作为FCI的构造指标，其权重则由原变量在共性因子或者主要成分中的比重所决定。English、Tsatsaronis和Zoli(2005)[12]选取了利率、汇率和金融资产价格等共50个金融变量指标，利用主成分方法构建了FCI。Hatzius等(2010)[13]选择了45个金融指标，如利率、商品价格指数和市场波动率等金融变量季度数据进行简单的主成分分析构建FCI来反映未来经济信息。

随着FCI研究的不断深入，国内外学者通过对不同国家的FCI数据预测未来经济形势，特别是关注物价水平的预测。针对FCI预测通胀的方法上，主要集中与建立循环方程式、随机游走模型为基础的预测模型。Goodhart和Holfmann(2001)[3]利用总需求缩减式对12个国家的FCI和通胀方程式进行比较，发现房价比股票价格更能够预测通胀。Tkacz和Wilkins(2006)[14]利用加拿大的数据，得出的房价指标参与的FCI相比股价参与的FCI更容易预测未来产出和通胀水平。Thompson等(2015)[15]采用主成分分析法和卡尔曼滤波法两种方法建立了南非的FCI指数，成功预测出南非未来经济的增速减缓。封北麟、王贵民(2006)[16]根据我国实际经济情况，选择实际房地产价格指数、实际股票价格指数以及实际货币供应量等指标，利用VAR脉冲响应系数来确定各指标的权重构建FCI指数。结果发现，包含上述指标的FCI对通货膨胀具有更好的预测能力。封思贤等(2012)[1]利用广义脉冲响应函数计算我国FCI指数，实证分析得到FCI具有对通胀未来趋势的预测能力。并对不同状态下的通胀预测效果进行比较。许涤龙，欧阳胜银(2014)[17]构建可变参数特征的状态空间模型，得出FCI波动特征能够协调样本期内宏观经济金融的整体平稳形势。

总体看来，国内外学者构建和应用FCI存在以下三点不足：第一，FCI模型变量选择上，一般包含反应利率、汇率、资产价格的少数变量，这样容易弱化FCI对基本宏观面的信息囊括能力，不利于对宏观经济形势、物价水平作出前瞻性预测。第二，FCI模型的系数及权重基本采用静态或者简单动态形式，而事实上FCI需要依赖于宏观经济变量真实数据而提炼出来，因此系数和权重应该由数据本身估计出来的，而不是人为假定。第三，不同时期的经济结构有所差异，考虑到我国经济仍然处于结构性变化调整过关期，FCI作为金融市场健康的晴雨表，应当表现出领先通胀的非线性时变预期能力。有鉴于此，本文参考了Koop和Korobilis(2013)[18]的处理方法，抽取大量宏观经济指信息，利用动态平均方法(DMA)结合时变模型来构造FCI。时变模型增强了对宏观经济变量的信息囊括能力，体现了系数和负载矩阵不同时期的随机性。结合DMA方法对时变模型进行优化处理，允许不同时间段选择不同指标变量，从而保证了FCI时效性。随后，本文采用马尔科夫区制转移向量自回归模型(MSVAR)分析新的FCI指数和未来期的通胀之间的两区制效应，验证新FCI指数短期内具有明显领先通胀的非线性时变预期能力。此结论将有助于准确反应通胀预期，有效降低通胀风险，提高货币政策实施效果。

三、FCI指数预测通胀的机理分析

Goodhart和Hofmann(2001)[3]最早利用利率、汇率和股价等金融信息构建FCI指数，用于刻画金融市场的健康状况以及预测未来通胀水平。从理论上分析，FCI指数主要通过利率、信贷、资产价格和汇率等途径综合影响通胀趋势，体现了金融体系向实体经济传导路径。

根据凯恩斯理论，在金融市场完善条件下，货币当局通过利率渠道影响通胀水平。假设央行实施降低名义利率的扩展性货币政策，从而降低短期的实际利率。根据利率期限结构理论，长期利率是未来短期利率预期的平均，降低短期利率会影响到长期真实利率变化。通过长期利率降低进而造成企业投资成本减少，投资需求增加，最终会导致通胀水平增长。同时，通过长期利率降低也会造成居民储蓄减少，个人投资和消费支出的增加，最终也会导致通胀水平的提高。传统利率渠道能够发挥作用的前提是金融市场完善条件下，各种金融资产可以进行相互替代。因此，利率对通胀的调控效果在市场化程度较高的发达国家相对明显。根据利率传导过程可以看出，利率在整个经济运行过程中赋予重要中介传递作用，是影响通胀水平的重要金融变量。

然而，事实上不存在金融市场是完善的，信息不对称会导致逆向选择和道德风险的出现。因此，根据Stiglitz和Weiss(1981)[19]提出信贷传导渠道理论，货币政策可以通过信贷传导影响通胀水平。央行运用法定存款准备金、再贴现及公开市场操作等货币政策工具调节货币总量，改变金融机构的信贷规模，造成依赖于银行贷款的企业投资和个人耐用品消费等需求的变化，从而促使通胀水平产生变化。根据信贷传导渠道可以看出，货币供应量是影响通胀水平的重要金融变量。

除了利率和信贷传统渠道影响通胀水平外，货币政策还可以通过对不同资产价格渠道影响通胀水平。这里仅以股市和房地产市场为例展开分析。理论上，基于股市的传导机制主要表现以下几个方面：(1)根据托宾Q理论，股价与投资支出存在内在联系。当股价上涨，使得企业市值与资本重置成本的比值(Q值)增高，刺激更多企业增加投资支出从而带动社会总需求扩张和价格水平上涨。(2)基于信贷观点的资产负债表效应，当股价上涨，企业净市值随之增加，使得企业面临的道德风险减少，从而促使金融机构放贷数量增多和企业投资支出的增加，最终也会影响通胀水平。(3)从资产流动性角度考虑居民资产负债情况，股价上升时，居民拥有的流动性强的金融资产价值也随之上涨。居民预期未来不确定性的概率减小，从而通过其消费意愿促使耐用品的消费支出增多，最终促进价格水平上涨。(4)从居民的财富效应分析，当股票价格上涨，居民的金融财富价值上升，从而增加了居民的终身财富，并促使消费者的消费需求上升和物价水平上涨。范小云等(2011)[20]认为，股票价格波动所引起的估值效应会直接造成外部财富和通胀水平的变化。同样，基于房地产市场的传导机制主要表现为两方面，这里以房价上涨为例进行分析：(1)当房价上涨，房地产价格与其重置成本比值Q值增加，从而刺激房地产企业投资支出，最终表现为物价上涨。(2)当房价上涨，消费者拥有的房屋价值提高，从而使消费者的终身财富和消费支出增加，最终也表现为物价水平上涨。邓健、张玉新(2011)[21]通过研究房价波动对居民消费的影响机制得出房产的价格波动会直接影响居民消费水平。根据资产价格传导渠道可以看出，股票价格和房地产价格等资产价格是影响通胀水平的重要金融变量。

随着我国进一步推行完善汇率制度的举措，基于汇率效应影响通胀的渠道也表现为多方面，产生的结果也有所不同。这里以人民币升值为例进行分析，表现为：(1)人民币升值会降低进口成品和中间品价格，基于行业类的竞争和成本原因造成了国内同类商品价格下跌。(2)满足马歇尔—勒纳条件下，人民币升值会削弱出口，一定程度会缩小我国现有的贸易顺差。净出口下降造成社会总需求减少，会负面影响物价水平，同时引起居民的收入和消费需求降低，物价水平也随之下降。(3)人民币升值会吸引境外资本流入，导致国内货币供应量增加，从而促使社会总需求增加和物价上涨。傅强等(2011)[22]分析了汇率对国内进口价格、生产者价格和消费者价格的传递效应，提出汇率变动通过直接、间接渠道影响我国的通胀水平。因此，根据汇率传导渠道看，汇率是影响通胀水平的重要变量。

从上述FCI指数影响通胀水平的传导途径看，FCI指数构建依赖于利率、信贷、资产价格及汇率等因素的金融指标。然而这些指标并非单一，往往一个指标涉及很多变量。比如大宗商品的期货价格作为其中一类资产价格，本身就具有发现未来价格的功能，有必要纳入到FCI指数的构建中。高维度的金融变量参与FCI构建，有助于增强其对基本宏观面的信息囊括能力，使得FCI对通胀的预测效果更好。值得注意的是，FCI变化对通胀水平的影响往往不是即期的，是通过一系列的传导路径引起通胀水平的变化，即FCI指数对通胀水平存在一定时滞效应。FCI影响和预测通胀的传递机理为我国推进实时监测FCI提供有力的理论支撑，进一步确保了FCI用于通胀预期的可行性和有效性。

四、FCI指数的构建

(一)时变模型构建

本文选择20个动态指标，涉及资产价格变量、货币供应量指标以及融资规模等宏观经济信息作为金融变量集xt进入FCI构造中，由于xt由20×1维宏观经济变量构成，因此可以对经济变量集构造出J=220-1种组合形式参与FCI构建，得到模型个模型Mj，j=1,2,…,J。当固定j时，单一的模型是由量测方程和状态方程两部分展开

1. TVP-FAVAR模型的量测方程

(1)

2. TVP-FAVAR模型的p阶滞后状态方程

(2)

λt=λt-1+vt，βt=βt-1+ηt

且vt～N(0,Wt)，ηt～N(0,Rt)。

为了估计上述多变量时间序列模型中误差协方差矩阵(Ht,Ωt,Wt,R)以及参数λt、βt，通常使用多变量随机波动率模型。本文参照Cogley和Sargent(2005)[23]做法，使用指数加权移动平均的递归估计算法(EWMA)，并定义了衰减因子κ1，κ2和遗忘算子κ3，κ4。衰减因子和遗忘因子有着相同的解释，比如衰减因子κ1，κ2值较低时表明与过去观测值相比，近期t-1期估计得到的Ht和Ωt残差平方占有较大权重。遗忘算子κ3，κ4则针对估计Wt和Rt。有关估计误差协方差矩阵(Ht,Ωt,Wt,Rt)和参数的方法步骤如下：

首先，利用卡尔曼滤波方法对参数进行递归估计

其次，引入衰减因子κ1，κ2，采用指数加权移动平均(EWMA)方法更新估计参数Ht，Ωt

Ht=κ1Ht-1+(1-κ1)etet′，

Ωt=κ2Ht-1+(1-κ2)u1ut′

最后，对于给定的Ht和Ωt，利用t时期信息和卡尔曼滤波方法，更新后得到最终参数λt、βt估计

利用上述条件分布，最终得到提前一步的预测值

(3)

(二)基于DMA方法的多模型选择

上述是针对单一的模型Mj推导TVP-FAVAR模型构建，由于选用固定经济变量构造模型在一定程度上不能反映实际经济突变的状况，因此下文引入边际似然函数πt|t-1，j来表示已知t-1期信息条件下，在t期选择模型Mj的概率。动态模型平均方法(DMA)就是利用边际似然函数为权重，对所有可能的模型的预测值进行加权平均。由于取值具有时变特征，根据上述假设总共有J个模型，假定每个模型对应边际概率的初始值π0|0,j(j=1,2,…，J)，Raftery等(2010)[24]运用类似卡尔曼滤波的递归算法，引入遗忘因子α(0<α≤1)，得到模型的预测方程和更新方程

(4)

(5)

(三)模型参数的先验分布选择

参考Koop和Korobilis(2013)[18]的做法，需要设置上述模型中的因子参数ft，状态方程中的时变参数λt、βt和时变协方差矩阵Ht，Ωt的初始值f0，λ0，β0，H0和Ω0。同时需给定DMA方法中处理模型间互换而产生边际概率初始值π0|0，j(j=1,2，…，J)。为此，这些初始条件分别为

f0～N(0，4)，λ0～N(0，4×In(s+1))，β0～N(0,VMIN)

其中，VMIN是明尼苏达先验分布(Minnesota prior)构造的对角协方差矩阵。

对于Wt，Rt可以通过卡尔曼滤波器获得各个状态协方差矩阵估计，因而不需要初始化这两类矩阵。最后对EWMA和DMA方法中涉及一些因子参数做初始化规定。根据Cogley和Sargent(2005)[23]提出的随机波动率模型可知，一般认为衰减因子κ∈(0.94，0.98)来控制协方差矩阵变化，本文选择κ1=κ2=0.96。同时采用Cogley和Sargent(2005)[23]做法，定义遗忘算子κ3=κ4=0.99实现模型的随机游走的缓慢变化过程。遗忘因子α决定了模型切换速度，本文赋值为0.99意味着实现了具有相对缓慢变化的动态模型平均(DMA)。

(四)指标成分选择和变量处理

依据上文分析得到FCI指数对通胀预期传导机制，并对照Koop和Korobilis(2013)[18],张依茹等(2011)[25]和戴金平(2016)[26]的做法，本文构建模型时选取如下三大类共计20个经济指标变量作为模型中宏观经济变量集：第一，利率和汇率变量xt，包括利率、汇率变量共计7个指标。其中，利率指标选取了各期银行间同业拆借的月度加权平均利率，期限涉及到7天、30天和90天。汇率选择了美元、欧元和日元兑人民币中间价的月度平均数据以及人民币实际有效汇率指数；第二，货币、信贷指标，包括货币供应量、信贷和国家储备资产共计7个指标变量。其中，货币供应量选取M0、M1和M2货币量月同比数据来表示，这些指标是央行通过信贷调节消费和投资需求的重要工具，也是调节物价的主要手段，体现了经济体下货币流动性。信贷收支方面选择了社会融资规模增量、金融机构人民币存贷款比来表示；外汇储备、黄金储备代表了国家储备资产情况。第三，资产价格变量，包括股票价格、房地产价格和期货价格变量共计6个指标。股票价格主要选取了上证综合指数、深证成分指数和深交所月末平均市盈率，房地产价格指标是以国房景气指数为代理变量。考虑到期货市场具有发现价格的功能，其价格包含了对未来宏观经济的预期信息，因此有必要将期货价格信息纳入FCI指数的构建中。本文选择全国期货市场月成交金额和WTI原油期货结算价作为商品期货价格的代理变量。

考虑到产出对宏观经济具有明显的指示作用，通货膨胀率的控制对金融稳定起了重要作用，两者皆是央行实施货币政策的主要目标。同时，参考易晓溦等(2015)[27]文献，从汇率风险角度考查货币错配水平。大规模的货币错配对国家的金融稳定、货币政策的有效性以及产出等宏观指标都造成很大冲击，也是多数新兴国家经济危机的直接原因。综上考虑，本文选择了产出、通货膨胀率以及货币错配三个指标作为模型中可观测的宏观变量。由于数据一律采用月度数据，因而产出水平选取了规模以上工业增加值的同比数据代替原先规定的GDP数据。通货膨胀率则是用居民消费价格指数CPI月度同比增长率表示。货币错配率由净外币资产占总资产的比重决定，因而采用广义货币供应量M2与外汇储备比值加工后得到。综合考虑我国的经济情况以及数据可得性，所有数据的样本区间来自2003年1月到2017年10月。以上相关数据均来源于Wind数据库。

首先，数据进行预处理。其中，利用X-12方法对xt涉及到的20个指标数据消除季节性影响因素，并将获得调整后的数据进行ADF平稳性检验。对非平稳的数据采用不同方式如一阶差分、二阶差分、对数一阶差分等获得最终平稳数据。这里构造变量tcode表示转换代码，赋值1，2，3，4，5分别代表水平值，一阶差分，二阶差分，对数值和对数一阶差分，具体结果如表1所示。最后，所有平稳处理后的变量都进行了标准化处理，变成均值为0，方差为1的时序列，以消除数据量纲不同造成的影响。

表1 涉及20个宏观变量选择和处理

(五)FCI指数构建及分析

由TVP-FAVAR-DMA模型构建可知，FCI数值以零为界限，大于零的时期表明金融形势宽松，金融状况整体发展良好；小于零则表示金融形势趋紧，金融状况存在下行压力。使用MATLAB软件编程，经卡尔曼滤波器得到了中国2003年1月至2017年10月的FCI指数，如图1所示。根据图1可知，从2003年1月开始，FCI处于负值但明显表现为上扬趋势，并在同年9月转负为正。这与当时美元持续两年下跌导致人民币升值，促进经济发展的环境相一致，表明当时金融形势良好。随后2004年初FCI出现了转折，数值一路下跌，直到2006年3月才从波谷中反弹。结合当时情况，2004年国家宏观调控对“经济过热”采取“有保有压”政策，造成了金融形势相对趋紧。伴随2006年下半年开始，中国股市迎来了期盼已久的牛市，FCI数值也随及上扬，表示当时我国金融形势宽松，环境良好。然而，随着2008年美国次贷危机进一步蔓延，我国FCI值也由正转为负值。中国政府审时度势，立即采取了一系列扩张性的货币政策和财政政策，实施“四万亿”等计划措施刺激经济。因此，FCI随即又开始上升态势，金融形势得到了明显好转，直到2009年12月FCI数值开始大于零。2012年达到小高峰后，有所波动回落，到2014年后的FCI数值持续表现为负值，这与目前中国经济出现“新常态”，经济增长速度放缓的现象一致。

观察FCI走势发现，利用“峰—峰”划分思想对FCI周期进行划分。同时为避免过于频繁的短周期，这里规定波峰与波谷的时间间隔(经济上行或经济下行)一般不少于6个月，波峰与波峰或波谷与波谷间的时间间隔(一个完整的经济周期)一般不少于15个月，即景气分析框架常用的B-B转折点测定方法[28]。为此2003年1月至2017年10月中国金融周期大致可分为5阶段，分别为2003年年初至2007年中旬、2007年下半年至2011年中旬、2011年下半年至2013年年底、2014年年初至2015年年底、2016年以后。目前中国正处于第5阶段金融景气循环的缓慢复苏区间，金融状况相比2016年上年同期水平出现渐进回暖的态势。

图1 TVP-FAVAR-DMA模型计算出的FCI值

为了进一步研究FCI的周期波动，特别是分析目前新常态时期金融状况波动，利用MATLAB软件，采用带通滤波方法(band-pass filter)将FCI时间序列中波动周期在18至96个月之间的循环部分分离出来，剔除了其他高频噪音成分和低频趋势部分。图1显示2017年的FCI数值出现了持续下滑趋势，直观表现是目前金融形势趋紧，然而对比图2发现，2017年金融形势循环虽仍在趋势线下方波动，但明显出现上升趋势，说明了我国初步形成了“货币政策+宏观审慎政策”双支柱的金融政策调控产生了一定效果。而且观察图2发现，趋势线最大负向偏离(波谷)集中出在2008年中旬和2015年初两个时点上，这就意味金融危机以及经济“新常态”均造成了金融形势的趋紧。对比两个时期FCI周期波动到达“谷底”的深度值，发现前期的波动幅度大于后期，进一步验证了相对与金融危机而言，增长速度放缓、结构调整、经济下行压力较大等多种问题叠加的“新常态”时期的中国经济整体金融形势仍较为宽松。

(六)FCI指数的稳健性检验

从FCI计算方法得知，实时t1期的FCI数值依赖于0～t1期的全样本数据。随着时间推移，实时t2期的FCI数值依赖于0～t2期的全样本数据，此刻t1期的FCI也应当基于0～t2期的全样本数据计算得到(t2>t1)。这就造成t1期的FCI数值计算结果可能会不同。因此，基于不同样本区间数据，检验FCI计算结果是否一致是评价FCI稳健性的一种方法。遵循这一思路，本文使用递归时间样本，起点为2003年1月，样本截止期分别为2015年4月、2015年10月、2016年4月、2016年10月、2017年4月和2017年10月共6期的FCI指数实时序列，如图3所示，其中递归数据间隔为6个月。随着新数据加入，FCI计算结果存在小幅度的修正，但总体而言，前5期的FCI与完整区间样本计算得到的FCI(FCI201710)总体走势一致，而且较为接近，表明本文所采用的TVP-FAVAR-DMA模型构建的FCI指数具有较好的稳健性。

图2 基于BP滤波的FCI周期波动图

图3 FCI指数实时序列

为了更精确刻画不同样本区间计算结果的差异性，假设以完整样本区间(2003年1月至2017年10月)计算FCI序列为真实值，可以计算出其他5期构建的FCI的平均绝对误差(MAE)、均方根误差(RMSE)和平均绝对百分比误差(MAPE)，如表2所示。5期对应的MAE和MAPE数值都很小，意味着模型估计精度很高，再次说明FCI指数构建具有较好的稳健性。

表2 样本截止期变化下的FCI指数估计效果

五、FCI指数对通胀的预期效应

从上述模型构建看出，FCI实际上是通过一系列经济变量包括利率、汇率、资产价格(股价、房价和期货价格)、货币供应量、融资规模等信贷指标共同参与模拟提取出来的。

(一)FCI指数的通胀预期效应直观分析

图3给出FCI指数与通货膨胀率的线性比较图，由图可以看出FCI指数和通胀率运行趋势基本一致，多数情况下FCI变动领先于CPI的变动。这种先行趋势在2008年美国次贷危机时表现得非常明显，可以认为为金融形势好坏能较好预测未来通胀走势。从图中出现的波峰和波谷对比看出，FCI显著领先通胀率CPI大约半年时间并发生同方向趋势变化。

图4 FCI与CPI的走势图

根据上文模型可知，本文的FCI指数包含了一系列宏观经济指标，并随着不同阶段经济情况，利用DMA方法进行筛选指标重新构造，以进一步提升了传统的FCI指数对基本宏观面的信息囊括能力。因此，该指数一定可以包含未来的经济信息，包括通胀预期的信息。为了更直观看出两者关系是否稳定，图4给出FCI与CPI的短期动态相关系数图(期限为一年)。通过下图可以看出，金融状态指数与未来期的通货膨胀率之间显著正相关，而且相关系数随着未来期数的增加先增大后变小，这种强的相关性持续7个月后才有所减弱(两者相关系数均大于0.6)。一年期内的相关性数值一直为正值说明了金融状态指数对通胀的短期预测具有较强的稳定性。这与卞志村(2015)[29]、高洁超、孟士清(2014)[30]的结论一致，而且对比相关数值，新方法构建FCI的相关系数值更大，因此可以认为采用DMA方法进行筛选指标重新构造的FCI指数，它对通胀预期的能力比常规方法构造的FCI指数的效果更好。

图5 当期FCI与未来CPI的动态相关图

(二)基于MSVAR模型下FCI对通胀预期的检验

(1)模型的构建

由于CPI的周期性较强，通过FCI指数预测通胀信息，需要考虑是否受体制转换的影响。金融形势的不同状况下(宽松或者趋紧)，金融状况的变动对通胀风险的影响可能会有所不同。因此，下面将构建包含FCI指数以及通胀的测度指标CPI的MS—VAR模型，来进一步分析FCI对通胀的预测效果。

由于MS—VAR模型涉及变量仅有两个，因此令yt=(FCI,CPI)，带截距项的滞后p阶的VAR模型表示为

yt=α+β1yt-1+β2yt-2+…+βpyt-p+μt

其中，α为维常数项向量，β为维系数矩阵，μt为2×1维随机误差向量，E(μt)=0，E(μt,μt′)。VAR方法自Sims(1972)[31]提出以来，被认为较好解释系统变量间的互动关系。然而，通胀预期的影响因素非常复杂，而且金融状态指数对其的影响和反应也不一致，固定参数的VAR是不恰当的。Hamilton(1989)[32]提出的MS模型是解决这类问题的一个方法，利用系统向量yt的参数得到不可观测的区制变量st。

本文将金融状况存在宽松趋势还是趋紧趋势视为不可观测的区制变量st。假设存在两种区制st={1,2}。当st=1时，金融状况处于宽松趋势；当st=2时，金融状况处于趋紧趋势。那么，状态i转换到j的概率为pij=Pr(st+1=j|st=i)。本

文所涉及的两种区制的转移概率矩阵为

其中，p11+p12=p21+p22=1。

本文考察两类MS-VAR模型，一是均值调整的MSM-VAR模型，另一种是区制依赖的截距MSI-VAR模型。两类模型表达形式是不同的，前者均值μ(st)依赖于区制使得系统变量yt直接跳跃到新的水平；后者截距项v(st)表示了区制转移均值平滑地使系统变量到达新的水平。两种模型具体表现形式如下

yt-μ(st)=A1(s1)(yt-1-μ(st-1))+…+Ap(sp)(yt-p-μ(st-p))+μt

(6)

yt=v(st)+A1(st)yt-1+…+Ap(sp)yt-p+μt

(7)

其中，μt～NID(0,Σ(st))。

(2)数据处理及模型选择

建立MSVAR模型前，首先需要对数据的平稳性进行检验。ADF检验结果如表3所示，结果表明：在10%的显著性水平下，各变量的时间序列水平数据均为一阶平稳序列。这为MSVAR检验的有效性提供了保证。

表3 数据的ADF检验结果(1999年1季度至2016年3季度)

注：其中检验形式(C,T,K)表示单位根检验方程包括截距、趋势和滞后项阶数。

表4 模型选择依据

根据上述模型的理论推导，这里利用Ox的MSVAR包对FCI和CPI数据进行模型估计，分别建立MSI—VAR、MSIH—VAR、MSM—VAR和MSMH—VAR等共七种模型，按照AIC、HQ、SC最小准则以及得到极大似然估计、LR的结果，经过多次尝试发现MSIH(2)-VAR(2)模型优于其他模型，能够较好反映FCI与通胀CPI之间关系的波动情况。

MSIH(2)—VAR(2)模型估计结果如表4所示。根据结果显示，该模型拟合效果好，卡方统计量以及Davies检验的概率均为0，显著性拒绝模型为线性的原假设。而且，表5显示了两种区制下截距项和扰动项的标准差是不同的，这与模型的原先设定也一致。

表5 模型估计系数及扰动项的标准差

图6 两区制的概率估计图

(3)金融形势不同趋势下的区制转移效果分析

图5给出了金融状态不同区制下滤波概率、平滑概率和预测概率，结合前面数据分析，可以看出：区制1中平滑概率大于0.5的时间段表现出金融形势的宽松状态，是稳定宏观经济状态的拟合。区制2中平滑概率小于0.5的时间段则表现为金融形势处于趋紧状态，是宏观经济不稳定的状态的拟合，具体时期在2008年美国次贷危机引发的全球金融危机和2015年我国经济的“新常态”阶段。当期我国虽仍处于经济新常态时期，但依据区制概率图显示，目前我国金融状况已走出趋紧状态，呈现出稳定的宏观经济状态拟合。这与文章前半部分提到利用BP滤波分解出FCI周期波动部分，得出的结论一致。

表6和表7给出了金融形势不同状态下的转移概率和特征描述，在样本期间，我国存在70.19%(观测个数除以样本总数)时间的稳定金融形势，持续时间为29.03个月，并且在金融形势宽松状态下的概率达到0.965 6。金融形势趋紧状态的持续时间为12.33个月，保持该状态的概率为0.918 9。各区制自身转移概率都接近于1，表明FCI指数和通胀率CPI两变量构成的两区制划分效果较好。

表6 区制转移概率

表7 金融状态指数大小的性质

表8 不同金融状态指数的区制划分

结合实际情况，从2003年开始我国经济已摆脱了亚洲金融危机的影响，经济复苏并呈现高增长状态，经济增长率持续上升(区制1)，然而美国次贷危机引发全球金融危机直接影响到了中国，2007年我国经济出现了拐点，使得2007年4月至2009年9月期间金融形势趋紧(区制2)。2009年我国政府推出“四万亿投资计划”后通胀得到控制，经济有了复苏和增长(区制1)。但2014年后的这几年中国经济出现“新常态”，经济增速由高速转为中高速增长，同时资产价格特别是房地产价格不断上扬，使得中国经济的各类风险性将进一步凸显。房地产泡沫破灭和地方债务危机容易造成金融形势趋紧，不稳定的风险逐步增大，直到2017年3月后才有所好转(区制2)。具体不同金融状态指数FCI的区制划分见表8所示。

为了分析FCI指数与通胀率CPI之间的动态关系，本文分析两个区制下两个指标之间相互的脉冲响应图形。图6表示CPI对FCI冲击的脉冲响应图，在金融形势指数FCI一个标准差的正向冲击下，通胀率CPI表现为正向响应，并持续上升，在第1期后达到最大正向响应。对比发现，很明显区制2下的响应效果更为明显，这就意味着金融形势趋紧及不稳定状态下，通胀率更容易受到影响和变动。图7表示FCI对CPI冲击的脉冲响应图，在通胀率CPI一个标准差的正向冲击下，FCI表现为正向效应，并在第3期后达到最高响应值，随后缓慢下降，直到一年后响应值仍然存在。对比发现，区制2的效果仍然高于区制1。这说明了，金融形势不稳定状态下，通胀水平会使其不稳定性形势加剧。然而，两种区制下的脉冲图形趋势基本一致，基本可以认为，FCI在影响宏观经济方面具有较好的稳健性，因此利用FCI指数可以预测通胀率和经济走势。

图7 CPI对FCI冲击的脉冲响应图

图8 FCI对CPI冲击的脉冲响应图

六、结论和政策建议

本文针对中国经济资产价格非理性波动以及物价水平与资产价格动态走势出现较大差别的现实情况，基于Koop和Korobilis(2013)[18]的处理方法，利用具有时变系数和随机波动率的因子増广向量自回归模型(TVP-FAVAR)，研究FCI指数的构建及其对通胀预期的动态效应。本文得出的主要结论。

第一，在FCI指数构建方面，本文依据FCI指数预测通胀的机理分析，抽取20维宏观经济信息集包括利率、汇率、资产价格(股价、房价和期货价格)、货币供应量、融资规模等信贷指标，通过时变系数的状态空间模型提取潜在不可观测的FCI指数，利用指数加权移动平均(EWMA)方法和卡尔曼滤波方法进行参数估计和权重更新，满足了模型系数和负载矩阵的随机性特征。随后，采用包含遗忘算子的动态平均方法(DMA)对模型进行优化处理。根据不同时期经济状况，依赖宏观经济变量真实数据灵活选择不同经济指标，适当调整当期宏观经济变量参与模型计算FCI的切换速度，一定程度上刻画了我国金融市场的结构性变化特征。

第二，在预测通胀的应用方面，通过趋势判断和跨期相关系数验证表明，本文构建的FCI指数对未来7个月内的通胀表现出持续稳定的预测能力。运用马尔科夫区制转移向量自回归模型(MSVAR)分析进一步显示，FCI指数和通胀水平之间存在两区制的非线性效应。

第三，在FCI指数应用的科学性和合理性方面，本文构建的FCI指数克服传统方法中存在的经济信息含量少、固定权重和缺乏经济结构性变化等限制，从而增强了FCI的时效性。另外，区制转移概率和脉冲响应结果显示，本文构建的FCI指数和通胀率CPI两变量构成的两区制划分效果较好，FCI指数短期内具有明显领先通胀的非线性时变预期能力，而且金融状态宽松时期对通胀预期效果比趋紧状态时更显著。这意味着，金融宽松状态作为稳定的宏观经济状态拟合，会减少通胀水平的不稳定性因素的发生。

从以上结论不难看出，基于TVP-FAVAR-DMA模型构建的FCI指数能够较好预测短期通胀趋势，对我国货币政策的制定、执行具有很强的指导意义。为了更好发挥FCI指数对宏观经济预警作用，有效降低通胀风险，本文对当前经济提出以下政策建议。

第一，通过对FCI指数实时监测，加强流动性预判，适时调节银行体系流动性。FCI指数具有市场流动性指示器和时效性功能，从而有助于市场了解流动性的实际状况。中国人民银行应该灵活运用货币政策工具，采取不同期限的逆回购、中期借贷便利(MLF)，以及存款准备金的考核基数调整等多项结构性货币政策工具保证流动性合理充裕，适时为符合宏观审慎要求的金融机构提供流动性支持[33]。

第二，定期公布FCI指数，增加货币政策透明度和实施效果。鉴于FCI指数对宏观经济存在有效先行趋势，我国官方应加大对FCI指数研究力度，指定相关部门编制和跟踪测算FCI指数[34]。通过定期公开FCI指数的方式释放有效信息，真实反映我国金融状况的松紧程度，减少因经济形势的不确定性造成对社会、公众带来的经济损失。同时，定期公布指数也有助于提高政策的透明度，加强货币政策“预期传导机制”效应的发挥[35]，将金融稳定、物价稳定共同参与货币政策指定和执行框架中，提高货币政策实施效果。

第三，鉴于当前FCI指数显示的金融趋紧状态持续时间较长，央行需进一步形成和完善了“货币政策+宏观审慎政策”双支柱的金融政策调控框架，以适应经济新常态。为了防止资金“以钱炒钱”以及不合理的加杠杆行为，央行必须实施好稳健中性货币政策的同时，逐步探索将更多的金融活动和金融市场纳入宏观审慎管理[36]。通过采取有效措施防控化解金融风险，引导资金流向实体经济，保持货币金融环境的稳健，从而实现货币信贷和社会融资规模适度增长，将金融稳定、物价稳定共同参与政策指定和执行框架中，以提高政策实施效果。

[1]封思贤, 蒋伏心, 谢启超,等. 金融状况指数预测通胀趋势的机理与实证——基于中国1999—2011年月度数据的分析[J]. 中国工业经济, 2012,89(4):18-30.

[2]Mayes, David G, Viren, Matti. Financial Conditions Indexes[J]. Social Science Electronic Publishing, 2001,232(19):145-178.

[3]Goodhart C, Hofmann B. Asset Prices, Financial Conditions, and the Transmission of Monetary Policy[J]. Proceedings, 2001, 114(2):198-230.

[4]卜永祥, 周晴. 中国货币状况指数及其在货币政策操作中的运用[J]. 金融研究, 2004,23(1):30-42.

[5]Boivin J, Giannoni M P, Mojon B. How Has the Euro Changed the Monetary Transmission Mechanism?[J]. Nber Macroeconomics Annual, 2009, 23(1):77-126.

[6]巴曙松, 韩明睿. 基于SVAR模型的金融形势指数[J]. 宏观经济研究, 2011,64(4):26-31.

[7]Swiston A J. A U.S. Financial Conditions Index: Putting Credit Where Credit is Due[J]. Social Science Electronic Publishing, 2008(8):1-35.

[8]Beaton K, Lalonde R, Luu C. A Financial Conditions Index for the United States[J]. Discussion Papers, 2009, 46(7):167-195.

[9]Mayes D, Virén M. Helsinki 2001Financial conditions indexes Bank of Finland Discussion Papers [C].Bulletin of the American Astronomical Society, 2001:452-471.

[10]Montagnoli A, Napolitano O. Financial Condition Index and Interest Rate Settings: A Comparative Analysis[J]. Money Macro and Finance, 2004,144(34):67-94.

[11]卞志村, 孙慧智, 曹媛媛. 金融形势指数与货币政策反应函数在中国的实证检验[J]. 金融研究, 2012,76(8):44-55.

[12]English W, Tsatsaronis K, Zoli E. Assessing the Predictive Power of Measures of Financial Conditions for Macroeconomic Variables[M]. Bank for International Settlements, 2009.

[13]Hatzius J, Hooper P, Mishkin F S, et al. Financial Conditions Indexes: A Fresh Look after the Financial Crisis[J]. Nber Working Papers, 2010,16(9):165-189.

[14]Tkacz G, Wilkins C. Linear and threshold forecasts of output and inflation using stock and housing prices[J]. Journal of Forecasting, 2010, 27(2):131-151.

[15]Thompson K, Eyden R V, Gupta R. Identifying an index of financial conditions for South Africa[J]. Studies in Economics & Finance, 2015, 32(2):256-275.

[16]封北麟, 王贵民. 金融状况指数FCI与货币政策反应函数经验研究[J]. 财经研究, 2006, 32(12):53-64.

[17]许涤龙, 欧阳胜银. 基于可变参数的FCI构建与实证研究[J]. 统计与信息论坛, 2014, 29(3):29-35.

[18]Gary Koop, Dimitris Korobilis. Forecasting inflation using dynamic model averaging[J].International Economic Review, 2013, 53(3):867-886.

[19]Stiglitz J E, Weiss A. Credit Rationing in Markets with Imperfect Information[J]. American Economic Review, 1981, 71(3):393-410.

[20]范小云, 肖立晟, 方斯琦. 从贸易调整渠道到金融调整渠道——国际金融外部调整理论的新发展[J]. 金融研究, 2011(2):194-206.

[21]邓健, 张玉新. 房价波动对居民消费的影响机制[J]. 管理世界, 2011(4):171-172.

[22]傅强, 吴卯会. 人民币汇率的价格传递效应研究[J]. 世界经济研究, 2011(7):17-22.

[23]Cogley T, Sargent T J. The conquest of US inflation: Learning and robustness to model uncertainty[J]. Review of Economic Dynamics, 2005, 8(2):528-563.

[25]张依茹, 熊启跃. 我国货币政策信贷渠道的时变效应研究[J]. 华中师范大学学报(自科版), 2011, 45(4):637-641.

[26]戴金平, 刘东坡. 中国货币政策的动态有效性研究——基于TVP-SV-FAVAR模型的实证分析[J]. 世界经济研究, 2016,48(12):12-24.

[27]易晓溦, 陈守东, 刘洋. 美国非常规货币政策冲击下中国利率期限结构动态响应研究[J]. 国际金融研究, 2015, 339(1):25-36.

[28]孙彦林, 陈守东, 刘洋. 中国金融周期成分与随机冲击[J]. 金融论坛, 2017,65(2):35-45.

[29]卞志村. 公众学习、通胀预期形成与最优货币政策研究[M]. 人民出版社, 2015.

[30]高洁超, 孟士清. FCI可以作为货币政策的良好指示器吗——基于信息预测检验与工具变量选择的分析[J]. 金融监管研究, 2014,78(11):61-77.

[31]Sims C A. Money, Income, and Causality[J]. American Economic Review, 1972, 62(4):540-552.

[32]Hamilton J D. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle[J]. Econometrica, 1989, 57(2):357-384.

[33]张晓慧.货币政策回顾与展望[J].中国金融, 2017,85(3):12-15.

[34]周德才, 冯婷, 邓姝妹. 我国灵活动态金融状况指数构建与应用研究——基于MI-TVP-SV-VAR模型的经验分析[J]. 数量经济技术经济研究, 2015(5):114-130.

[35]徐亚平.通货膨胀预期形成的模型刻画及其与货币政策的关联性[J].金融研究,2010,59(9):17-30.

[36]王亮亮, 苗永旺. 货币政策、宏观审慎政策与资产价格[J]. 国际金融, 2013(2):66-70.