中国金融周期的再测度——基于动态因子法的分析

刘 璐，王晋斌

(1.对外经济贸易大学 国际经济研究院，北京 100029；2.中国人民大学 经济学院，北京 100872)

一、问题的提出

2008年金融危机以来，政策制定者和学术研究者更加重视金融因素尤其是金融周期在经济中的作用。

政策制定层面。近年来，各国央行都开始认识到区别于经济周期的金融周期的重要性。中国人民银行在《2017年第三季度中国货币政策执行报告》(1)参见《2017年第四季度中国货币政策执行报告》，人民银行网站。中首次提出“金融周期”一词，并指出：“国际金融危机促使国际社会更加关注金融周期变化，需引入宏观审慎政策加以应对。”

金融周期的提出在货币政策制定层面对监管者提出了新的要求，也展现了监管水平的进一步提高：从之前只关注通胀而忽略资产价格和金融规模，到通过货币状况指数(MCI)和金融状况指数(FCI)(2)货币状况指数(Monetary Condition Index，MCI)反映短期实际利率与有效实际汇率短期内相对于基期的变化情况；金融状况指数(Financial Condition Index，FCI)在MCI的基础上加入了房价、股价等资产价格，以反映未来的通胀压力(陆军和梁静瑜，2007[2]；郭晔和杨娇，2012[3])。监控资产价格，再到通过金融周期将资产价格、金融规模等因素都考虑在内。中国的结构性去杠杆、稳杠杆实践和金融供给侧改革实践都不能忽视金融周期因素的重要作用。

学术层面。金融周期受到越来越多的关注和讨论。关于金融周期的概念，学术界并没有达成一致。Borio等(2014)[1]将其定义如下：金融周期是一种自我加强的、价值和风险之间以及风险态度和融资约束之间的互动，表现为繁荣和衰退。这些互动会放大经济波动，也可能导致严重的金融抑制和经济混乱。

二、研究综述

国外关于金融周期的研究成果较多，针对不同国家得到的研究结论非常丰富。Claessens 等(2011)[4]采用转折点分析法测度了21个OECD国家的金融周期，发现衰退期通常会出现急剧下降，而繁荣期则持续时间较长；股价和房价周期比信贷周期更长；当房价下降并伴随金融危机时，衰退经历的时间会更长，损失也会更大。当各国之间协同出现金融周期的衰退期时，衰退也会经历更长时间，衰退程度也会更深。Drehmann 等(2012)[5]和Borio等(2014)[1]采用滤波分析法和转折点分析法以及1960q1—2011q4的信贷、信贷/GDP、房地产价格指标，提取7个发达国家的金融周期，发现按照传统方法衡量，经济周期一般是8年，而1960s以来7个样本工业化国家的金融周期是16年，并且金融周期的波峰一般伴随着金融危机。当经济周期的低谷期和金融周期的低谷期重合时，经济会遭受更严重的衰退。Claessens 等(2012)[6]使用转折点分析法以及信贷、房价、股价指标测度了44个国家1960q1—2010q4 的金融周期，发现在经济周期和金融周期的不同阶段，二者都有非常强的关系。具体而言，伴随金融崩溃(股价和房价泡沫破裂)的经济衰退往往持续时间更长，衰退程度也更严重；伴随着资产价格下降的复苏往往更弱，而伴随着高信贷增速的经济复苏往往更强劲。Stremmel(2015)[7]使用滤波分析方法，以及信贷/GDP、信贷增长率、房价等指标测度了11个欧盟国家1980q1—2012q4的金融周期，发现金融周期比经济周期持续时间长，经济周期的波动的幅度更大，金融周期的波峰通常预示着危机的到来，并且与经济周期波峰不一致。Schüler 等(2015)[8]采用多变量谱分析和时变的加总分析法测度了13个欧盟成员国1970—2013年的金融周期，发现信贷和资产价格相关性较大，可以用来形成金融周期；金融周期比经济周期持续时间长，在繁荣期尤其如此；金融周期只在2/3的时间里与经济周期的波动一致；各国金融周期呈现出一定的协同性。Krznar和Matheson(2017)[9]研究了巴西金融周期与经济周期之间的联系。对金融周期的刻画使用了两种方法：一是金融状况指数(FCI)，既使用了单变量指标信贷通过滤波方法得到的周期，也使用了多变量货币市场溢价、股价和房价、信贷总量、汇率和EMBI通过主成分分析得到的周期；二是使用半结构模型，其中使用信贷周期代表金融周期。研究发现，巴西处于金融周期的衰退期，脆弱性增强；信贷增速放缓有碍于经济增长；用公共部门的信贷增长弥补私人部门的信贷增长会引致巨大的成本和低效率，并且很难逆转。Filardo 等(2018)[10]基于Burns和Mitchell(1946)[11]的方法，采用美国1880—2017年的实际信贷、信贷/GDP、实际房价(稳健性检验中还使用了信贷、房价、股价)数据提取美国的金融周期，将金融周期的每个扩张期和衰退期都压缩成相同长度的时间单位，再与金融周期的日历时间作比较，以期发现各周期有何共同点。研究发现，当长期实际利率越低、通胀波动越小、宏观金融环境风险(用公司债券溢价和NVIX指标衡量)越小时，通常是金融周期持续时间更长的时候。Rünstler等(2018)[12]利用17个欧盟成员国1988Q1—2015Q4的房价、信贷、股价、名义利率、期限溢价数据，通过滤波分析法、小波分析法(wavelet analysis)和结构模型方法提取金融周期，该研究有6个重要发现：信贷周期和房价周期关系紧密(股价和长期利率的相关性则比较弱)；经济周期与信贷周期和房价周期有密切联系；17个欧盟成员国信贷周期和房价周期联系的紧密程度小于其与GDP联系的紧密程度；各国信贷周期和房价周期都有各自显著不同的特点；以实际时间估计的信贷周期和房价周期容易受到不确定性的影响；现存的DSGE模型可以模拟房价和股价波动的幅度，但是却不能模拟其持续的时间。

国内研究也使用了丰富的指标和多种方法对中国金融周期进行提取。马勇和张航(2017)[13]采用1990—2016年中国省级面板数据和动态分析方法研究金融周期对全要素生产率的影响，发现在金融周期的繁荣阶段，金融不稳定对TFP的负面效应会增强，金融发展会放大金融不稳定对TFP的冲击；在金融周期的衰退阶段，金融不稳定对TFP的负面效应会减弱，金融发展会吸收一部分金融不稳定对TFP的冲击。陈雨露等(2016)[14]通过跨国面板数据研究发现，当金融周期处于繁荣期或衰退期时，经济增长率都较低，只有当金融周期处于正常期时，经济增长率才较高；不论金融周期处于何种时期，金融波动的增大都会对经济产生负面影响。因此，无论是在政策制定层面还是在学术研究层面，金融周期都具有重要意义。朱太辉和黄海晶(2018)[15]使用中国1998Q1—2018Q1的广义信贷、广义信贷/GDP和房价数据，采用BP滤波方法和转折点分析法提取中国金融周期短周期和中周期，发现中国金融周期短周期与调控政策密切相关，中周期长度和波幅均小于西方发达国家。范小云等(2017)[16]使用中国1996Q1—2015Q4的信贷、信贷/GDP、房价和股指数据，采用BP滤波和主成分分析相结合的方法提取低频范围的中国金融周期，并解释了其与中国经济周期的关系。王博和李昊然(2018)[17]使用信贷、信贷/GDP、房价和股价数据，采用不可观测成分时间序列模型和相移分析方法，以状态空间模型(卡尔曼滤波)进行估计，提取了包括中国在内的10个国家的金融周期，并进行比较分析。苗文龙等(2018)[18]使用马尔可夫区制转移模型提取中国金融周期以及12类行业技术投入周期，分析不同金融变量形成的金融周期对不同行业技术投入周期的不同影响。崔建军和张冬阳(2019)[19]利用中国货币、信贷、资本、房地产市场的15个指标，使用主成分分析方法测算中国金融周期，并使用TVP-SV-VAR方法分析2003—2017年中国货币政策、金融周期等变量之间的关系。张宗新等(2020)[20]则使用信贷总量、信贷/GDP以及房价数据，采用BP滤波方法测度中国金融周期。

从以上关于金融周期的研究中可以看出：第一，关于中国金融周期所使用的指标，大多使用信贷、信贷/GDP、房价和股价4种指标。第二，目前关于金融周期的提取方法，大致有以下几种：转折点分析法(turning point)、带通滤波法(band-pass filter，BP)、主成分分析法(PCA)、状态空间模型(卡尔曼滤波)、马尔可夫区制转移方法。以上方法得到的中国金融周期指标多为单一指标，并未形成包括一系列各有所侧重的子指标的指标体系。第三，在研究金融周期与经济周期的关系时，多采用描述性方法，并未使用科学的估计方法从时变角度进行研究。

在以上研究的基础上，本文采用BP滤波法、单因子动态因子法、双因子动态因子法，使用信贷、信贷/GDP、房价和股价4种指标提取中国金融周期，在验证现有研究结论的基础上对其进行拓展，形成总体中国金融周期指标、主要代表信贷的中国金融周期指标和主要代表房价的中国金融周期指标，通过这一指标体系而非单一指标反映中国金融系统的总体情况。并使用变系数向量自回归方法(TVP-VAR)探究不同时点上各中国金融周期指标对中国经济周期的影响。

本文的安排如下：第一部分为问题的提出；第二部分为研究综述；第三部分为数据处理及变量选择；第四部分为中国金融周期的提取；第五部分为中国金融周期对中国经济周期的影响；第六部分为结论和建议。

三、数据处理及变量选择

本文在现有研究的基础上进行了数据构建和数据处理。数据处理过程及数据来源如表1所示。如上所述，目前国内外关于提取金融周期的指标没有统一意见，因此主要使用信贷、信贷/GDP、房价和股价4种指标提取中国金融周期。

表1 数据处理及数据来源

表1(续)

四、中国金融周期的提取

使用两种方法提取中国金融周期：一是按照朱太辉和黄海晶(2018)[15]使用BP滤波的方法；二是使用动态因子模型(Dynamic Factor Model)方法(包括单因子和双因子)。

(一)使用带通(BP)滤波方法提取中国金融周期

按照朱太辉和黄海晶(2018)[15]的做法，使用BP滤波分析方法(其中的BK带通滤波法)，分别提取信贷、信贷/GDP、房价3个变量的短周期和中周期(1)按照朱太辉和黄海晶(2018)[15]的做法，短周期的参数设置为5-24个季度或15-72个月；中周期的参数设置为24～样本上限季度数或72～样本上限月度数。，并使用这3个变量各自的短周期与中周期的均值作为中国金融周期的短周期和中周期。

BP滤波方法是一种比较传统的提取经济周期或金融周期的方法。对于时间序列，一直存在两种分析方法：一是时域分析法，经常使用自相关函数和差分方程；二是频域分析(谱分析)法，将时间序列看成互不相关的、具有不同周期(频率)的波的叠加。BP滤波法是频域分析法中的一种重要方法，它能够根据人为设定的参数分离出时间序列里中间频率的成分，去掉高频的季节因素和随机扰动成分以及低频的增长趋势成分(高铁梅等，2015)[21]。

本文的研究区别于朱太辉和黄海晶(2018)[15]的研究在于，朱太辉和黄海晶(2018)[15]的数据时段为1999Q1—2017Q4，而本文将中国金融周期的时间向前扩展至1996Q1，向后扩展至2018Q4(2)采用BP滤波法提取金融周期时，开始和结尾部分都会消耗掉一部分数据，所以先使用ARIMA模型进行数据预测。，信息更加充分。中国金融短周期和中周期如图1所示。本文得到的金融周期与朱太辉和黄海晶(2018)[15]的研究结果基本一致(3)本文的金融周期最早从1996年开始，包括了1997年亚洲金融危机发生时段，所以图形上看起来与朱太辉和黄海晶(2018)[15]的研究结果有部分差异。。

图1 BP滤波法下的中国金融短周期和中周期

从图1可以看到中国金融周期的总体情况，与中国的现实情况基本吻合。由于中国金融短周期呈现的信息更多，所以着重对其进行分析。具体而言，可以分为以下五个阶段。

第一阶段：1996Q1—2000Q2

1996Q1开始，央行连续降息，使房地产和信贷规模激增(梁云芳等，2006)[23]。1997年爆发亚洲金融危机，受此影响，中国金融短周期处于下行期。1998年7月国务院发布《国务院关于进一步深化城镇住宅制度改革 加快住房建设的通知》，开始实施住房货币化改革，信贷规模有所扩张，从而中国金融短周期出现小幅上行趋势。为了应对不良贷款规模持续攀升问题，1999年四大资产管理公司和银监会成立(王博和李昊然，2018)[17]。2000年6月初，中国人民银行和国家经贸委联合下发了《关于对淘汰的落后生产能力、工艺、产品和重复建设项目限制或禁止贷款的通知》，要求商业银行对贷款企业进行清理分类、区别对待，严格按照国家产业政策要求发放贷款。此时国企坏账问题已经非常严重，为了应对高企的银行不良贷款率，各国有商业银行“惜贷”问题进一步严重(钱小安，2000；许立新等，2001)[24～25]。

第二阶段：2000Q3—2004Q4

2001年中国加入WTO，信贷政策略宽松，受此影响，中国金融短周期处于上行期。2002年之后地方政府以地套现现象增多(范小云等，2017)[16]，信贷规模随之攀升。2003年受国际景气周期的影响，中国金融短周期进一步上行。2004年之后信贷紧缩(梁云芳等，2006[23]；王博和李昊然，2018[17])，当年中国实际存款利率为负(陆军和梁静瑜，2007)[2]，中国金融短周期陷入谷底。

第三阶段：2005Q1—2008Q2

2004年之后中国房价出现快速上涨，信贷规模也出现扩张(郭晔和杨娇，2012)[3]，2005年放开金融机构同业存款利率，金融市场化程度进一步提高(范小云等，2017)[16]，直至2006年中国金融短周期都处于上行期。然而，2007年受全球金融危机的影响，中国金融短周期开始下行。2008Q1为应对通胀，央行采取了加息、提高准备金率以及紧缩信贷等措施(黄益平等，2010)[26]，中国金融短周期进一步下行，在2008Q2到达谷底。

第四阶段：2008Q3—2011Q3

为了应对全球金融危机，中国政府2008年11月出台了“四万亿”经济刺激计划，受此影响，2009Q1中国金融短周期出现非常显著的峰值。而到2010年底，面对高企的房价和投资过度趋向，央行开始实行紧缩的货币政策，从而在2010年底甚至直到2011Q3，中国金融短周期都处于低谷阶段。

第五阶段：2011Q4—2018Q4

央行自2011Q4开始下调存款准备金率，2012年、2014年和2015年继续多次下调存款准备金率。在此影响下，信贷规模有所扩大，2015年底和2016年4—9月房价也呈现出上涨趋势(刘晓星和石广平，2018)[27]，因而此时中国金融短周期出现局部高峰。2016年下半年以来，央行逐渐提升利率水平；2016年9月30日北京推出调控房价的“京八条”，此后抑制房价上涨的调控政策不断出台，房价过快上涨得到一定程度的控制，此时中国金融短周期进入下行期。2017年7月全国金融工作会议强调“防止发生系统性金融风险是金融工作的永恒主题，要把主动防范化解系统性金融风险放在更加重要的位置”，同年12月中央经济工作会议更进一步把防范化解重大风险放在未来3年三大攻坚战之首。在上述背景下，2017年4月初银监会开启“监管风暴”，11月央行发布资管新规征求意见稿，2017年全年利率水平持续上升，因此到2017年底中国金融短周期陷入局部谷底。2018年以来，央行5次降低存款准备金率，信贷规模有了一定增长，所以中国金融短周期呈现上行趋势。

使用BP滤波方法提取中国金融周期具有简单、直观的优点，然而该方法也存在一些不足：首先，简单地使用3种子指标的算术平均值计算中国金融周期，人为地让每种指标权重相等，使得结果更偏向于本身绝对值较大的指标。其次，BP滤波方法需要人为设定参数，主观性较强。鉴于此，本文使用另一种更加客观的方法，即动态因子法提取中国金融周期。

(二)使用动态因子法提取中国金融周期

使用动态因子法提取信贷、信贷/GDP、房价、股价4个变量的共同因子，代表中国金融周期。具体而言，先将以上经过处理的各变量数据进行标准化，再将4个变量带入动态因子模型(采用2阶滞后)。按照Koop和Korobilis(2010)[28]的做法，设定如下动态因子模型：

yt=ΛFt+ξt

(1)

Ft=Φ1Ft-1+…+ΦpFt-p+εt

(2)

ξit=øi1ξit-1+…+øiqξit-q+μit

(3)

式(1)中，yt是4×T(T=88)的向量，包含平稳的、标准化后的信贷、信贷/GDP、房价、股价数据，即yt=[Creditt,Credit/GDPratiot,HousePricet,StockPricet]′。yt由两个相互独立的部分组成：一是信贷、信贷/GDP、房价、股价共同的部分Ft(但对于4个变量来说，其Ft之前的系数各不相同)，Ft是r×T的向量，被称为共同因子(commonfactor)，Λ为4×r的系数矩阵，被称为因子载荷矩阵；二是各变量的异质性冲击部分ξt，向量ξt包含信贷、信贷/GDP、房价、股价各自异于彼此的部分以及测量误差。估计式(1)时假设无截距项。假设共同因子部分和异质性冲击部分都服从零均值过程。如式(2)所示，共同因子Ft具有p阶自回归结构，p=2，εt～i.i.d.N(0,Q)。如式(3)所示，异质性冲击部分ξt中的每一个因子都具有q阶自回归结构，假设øi1=øi2=…=øiq=0，μit～i.i.d.N(0,σit)，E(μit,εt)=0,E(μit,μjt)=0(i≠j)。

通过最大似然法估计动态因子模型，分别估计了共同因子仅为一个(r=1)的单因子动态因子模型和共同因子为两个(r=2)的双因子动态因子模型(4)根据Bai和Ng(2002)[30]的BIC信息准则，BIC(1)= 570.98，BIC(2)= 452.48。由于样本量有限，无法估计出具有3个共同因子的模型。。

1.单因子的动态因子模型及结果

单因子的动态因子模型回归结果如表2所示。因子载荷是共同因子之前的系数矩阵，其中每个系数表示共同因子与变量的协方差，例如:cov(信贷,FC)=0.192，cov(信贷/GDP,FC)=0.238，cov(房价,FC)=0.117，cov(股价,FC)=-0.070。由于所有数据均经过了标准化处理，均值为0，方差为1，所以该系数可以表示相关变量和共同因子的相关系数(高铁梅等，2015)[21]。从表2的因子载荷中可以看出，单因子动态因子模型所提取的中国金融周期与信贷/GDP和信贷的关系最为密切，与房价的关系比较密切，但与股价的关系并不紧密，甚至呈轻微的负相关关系。这表明使用该方法得到的中国金融周期主要反映的是信贷总量及单位GDP占用信贷资源的周期变化。

表2 单因子的动态因子模型回归结果

注:***p<0.01,*p<0.1；括号内数值为标准差；R2为共同因子对各个变量的解释力。

分别使用单因子的动态因子模型和BP滤波方法提取的中国金融周期指标如图2所示。由图2可知，通过单因子的动态因子模型提取的中国金融周期(FC)与通过BP滤波法提取的中国金融周期短周期(FC_BP)非常相似，这在很大程度上验证了本文所提取的中国金融周期指标的稳健性。

图2 动态因子法下的中国金融周期(单因子)与BP滤波法下的中国金融周期

2.双因子的动态因子模型及结果

双因子的动态因子模型回归结果如表3所示。正如上文所述，共同因子载荷是共同因子之前的系数矩阵，其中每个系数表示共同因子与变量的协方差，又由于所有数据均经过了标准化处理，所以该系数可以表示相关变量和共同因子的相关系数。共同因子f1与信贷、信贷/GDP、房价和股价的相关系数分别为0.130、0.140、0.084和0.326，共同因子f2与信贷、信贷/GDP、房价和股价的相关系数分别为0.145、0.186、0.086和-0.169。不难看出，第一个共同因子(f1)与股价的协方差达到0.326，可以说该因子主要反映的是股市的波动；第二个共同因子(f2)与信贷/GDP及信贷的协方差较大，分别为0.186和0.145，可以说该因子主要反映的是信贷的波动。

同样按照Davis等(2019)[29]的做法，计算双因子动态因子模型的R2，如表3第(3)列所示。表3中两个共同因子能够解释信贷波动的24.6%，能够解释信贷/GDP波动的35.2%，能够解释房价波动的8.8%，能够解释股价波动的78.8%。与仅有一个共同因子的情况相比，解释力有所提升，尤其是对股价的解释力大幅提升。

表3 双因子的动态因子模型回归结果

通过估计双因子的动态因子模型得到的两种中国金融周期(即主要代表股市波动的金融周期(f1)和主要代表信贷波动的金融周期(f2))和通过估计单因子的动态因子模型得到的中国金融周期(FC)如图3所示。

图3 动态因子法下的中国金融周期(单共同因子与双共同因子)

由图3可知，大多数时期，f1、f2与FC具有同步性。这一方面说明本文提取的中国金融周期指标具有稳健性；另一方面说明在大多数时期，中国信贷和股价的波动比较一致，宏观经济政策对银行系统和资本市场的影响具有统一性。

需要注意的是，在两个特殊时期，三者的变动出现了非常明显的分化：一是2007—2008年金融危机前夕及危机发生时期，其中在2007Q4，f1和f2各自达到了峰值和谷底；二是2014Q3至今，但是2018年以来三者又有趋向一致的趋势。

(1)2007—2008年。在2007Q1—2007Q4，主要代表股市波动的中国金融周期f1呈现上行趋势，出现短暂繁荣；而主要代表信贷波动的中国金融周期f2呈现急剧下行趋势，出现大幅衰退；FC在这一时期则出现小幅下跌。2008年f1和f2各自向反方向调整。一是股市方面。中国上证综合指数数据显示，中国在2007年确实经历了牛市行情。2003—2007年中国GDP一直保持着两位数的高增长(范小云等，2017)[16]，这是2007年牛市行情出现的重要宏观基本面基础，但是从2008年开始股市行情连续下跌。二是信贷方面。2007年我国信贷收紧程度非常大，为应对信贷扩张压力和通胀压力(2007年CPI上涨4.8%)，货币政策逐步从“稳健”转为“从紧”，央行10次上调存款准备金率，6次上调金融机构人民币存贷款基准利率(5)《2007年第四季度中国货币政策执行报告》，人民银行网站。。受此影响，f2在2007年底到达谷底。2008Q1，为了应对通胀(2008Q1CPI上涨8%)，央行继续执行从紧的货币政策，4次上调存款准备金率共2个百分点(6)《2008年第一季度中国货币政策执行报告》，人民银行网站。。2008Q2，央行继续回收金融系统多余的流动性，3次上调存款准备金率(7)《2008年第二季度中国货币政策执行报告》，人民银行网站。。2008Q3，通胀压力减小(CPI同比上涨5.3%)，同时为了应对全球金融危机的不良影响，央行连续2次下调金融机构人民币存款准备金率，3次下调存贷款基准利率，引导商业银行扩大贷款总量(8)《2008年第三季度中国货币政策执行报告》，人民银行网站。。因此信贷规模增速缓慢回升，f2也缓慢回升。

(2)2014年底至今。从2014年底开始，同样出现了主要代表股市波动的中国金融周期f1上行、主要代表信贷波动的中国金融周期f2下行的情况，但二者在2018年开始趋向一致。这主要是因为2014年下半年至2015年上半年，中国股市再次出现牛市行情(刘晓星和石广平，2018)[27]，但是2015年下半年发生“股灾”，股价暴跌，f1也随之迅速下滑。而这一时期货币政策稳健，央行综合运用定向降准等多种货币政策工具，优化信贷资源的结构配置，而不是盲目扩大总体信贷规模。这样，f1和f2出现了背离。

另外，在大多数时期，FC处于f1和f2之间，基本上是二者的均值(但更接近于f2，因为FC与信贷的关系更加密切)，这说明单因子的动态因子模型所估计的中国金融周期(从而通过BP滤波方法得到中国金融周期)不能全面反映股市和信贷各自的波动情况，只能反映二者的平均情况，这就遗漏了重要信息。

五、中国金融周期对中国经济周期的影响

(一)数据及平稳性检验

为了保持与现有研究的可比性，上文中的中国金融周期指标均使用季度数据进行展示，但是后文中需要使用TVP-VAR模型进行分析，而且该模型要求的数据量较大，因此后文使用月度数据。图4展示了使用月度数据的、经单因子和双因子动态因子模型提取的中国金融周期情况，可以看出，在趋势上图4和图3所展示的情况非常相似，这从一定程度上再次表明本文的研究结果具有稳健性。图5则展示了使用BP滤波法提取的中国经济周期指标(9)本文使用月度实际GDP数据，通过Baxter和King(1999)[33]提供的BP滤波法得到中国经济周期，按照范小云等(2017)[16]的做法，将经济周期滤波的取值范围限定在12q—32q(或36个月至96个月)，下限3年是为了滤掉噪音，上限8年是RBC理论习惯上认定的经济周期的长度。。

各变量的平稳性检验如表4所示。第(1)列为不带常数项的ADF检验，第(2)列为带常数项的ADF检验，第(3)列为带常数项和时间趋势的ADF检验。按照惯例，3种检验中只要有一种显著即可认为序列具有平稳性，本文所使用的时间序列数据至少在两种方法下平稳，因此可以保证本文数据平稳的可靠性。根据Schwert(2002)[31]的建议，最大滞后阶数为[12×(T/100)1/4]，即pmax=15(本文T=266)，并使用由大到小的序贯t规则，将ADF检验最后一阶系数显著时的阶数确定为合适的滞后阶数(陈强，2014)[32]。

图4 中国金融周期指标(月度)

图5 中国经济周期

表4 各变量的ADF检验

(二)TVP-VAR模型及结果

由于中国各个时期的经济状况不同，所采取的各种宏观调控政策也不相同，因此反映中国经济周期和中国金融周期之间关系的回归系数可能随时间变化而变化，反映二者波幅的方差变量也可能随时间变化而变化。为了能够更细致地讨论不同时点上二者之间的脉冲响应关系，使用变系数向量自回归(TVP-VAR)方法进行分析。按照Primiceri(2005)[34]的方法，采用贝叶斯方法估计如下TVP-VAR模型：

yt=Γ0,t+Γ1,tyt-1+…+Γp,tyt-p+εt(t=1,…,T)

(4)

其中，yt为可观察到的内生变量的T×M向量，T=234为时期数(1998年1月至2017年6月)，M=3为变量数。yt=[FinancialCyclet,Rt,BCt]，FinancialCyclet表示中国金融周期，包括3个指标，即中国总体金融周期FC、中国股价金融周期f1、中国信贷金融周期f2；Rt表示7天银行同业拆借利率；BCt表示中国经济周期。p=2为滞后阶数。Γ0,t为不随时间变化的成分前的时变系数，Γi,t(i=1,…,p)为时变的系数矩阵。εt为不可观察到的异质性冲击。通过上述模型估计的结果如图6所示。

图6 经济周期和金融周期不同时点的脉冲响应关系

首先，由图6(a)可以看出，中国总体金融周期对中国经济周期具有正向影响。各个时期均呈现出这种关系，即中国总体金融的扩张有助于促进经济增长。这与长期以来总体上中国金融资源支持实体经济增长的现实相符。

其次，由图6(b)可以看出，中国股价金融周期对中国经济周期也有正向影响，但是各个时期拉动作用的程度不尽相同。2007年5—10月(冲击产生后的第6期)，为实体经济提供直接融资的资本市场对实体经济的正向作用较大，这可能是因为这一时期股价和GDP增长率都呈上升态势。中国股市规模远远小于信贷融资规模(也远远小于房地产市场规模)，要想让资本市场更好地发挥服务实体、促进经济发展的作用，就需要更加注重发展和完善中国资本市场，同时需要注意控制股市泡沫。

最后，由图6(c)可以看出，中国信贷金融周期先是对中国经济周期产生负向影响，尤其是在2008年2月至2012年6月(冲击发生后的2期)，之后才对中国经济周期产生正向影响。这说明信贷大规模扩张在最初会对实体经济产生挤出效应(崔建军和张冬阳，2019)[19]，对实体经济产生不利影响，信贷扩张对实体经济的拉动作用要经过一段时间才能显现(TVP-VAR的结果显示要经历8-10个月)。关于信贷规模扩张对实体经济的挤出效应，已有不少研究文献，例如：刘晓光等(2018)[35]使用1960—2015年179个国家或地区的相关数据证明，杠杆率对经济增长和衰退的影响是非线性的，当杠杆率超过触发紧缩机制的临界值时，杠杆率增长对经济增长的影响就会由正转负。这是因为当杠杆率适应经济发展需要时，会通过增加资金供给方式促进经济增长，但是当杠杆率过高时，企业还贷能力不足，此时就容易引发经济衰退。

六、结论和建议

第一，所提取的中国金融周期合理。使用BP滤波法和单因子的动态因子模型所提取的中国金融周期与朱太辉和黄海晶(2018)[15]的研究结果基本一致，并且所提取的中国金融周期能够比较准确地反映金融系统的总体实际状况和央行各项政策措施的效果。具体来说，中国金融周期可以分为以下几个阶段：1996Q1—2000Q2、2000Q3—2004Q4、2005Q1—2008Q2、2008Q3—2011Q3、2011Q4—2018Q4。中国金融周期与货币、信贷等宏观调控政策具有紧密关系。

第二，双因子的动态因子模型所得到的两种中国金融周期，即主要反映股票价格变动的金融周期f1和主要反映信贷规模变动的金融周期f2，能够更加全面地反映中国金融系统的情况。现有研究大多只包含主要反映信贷市场情况的中国金融周期，这在一定程度上遗漏了资本市场的变动信息。随着中国股票市场的进一步发展，其在中国整个金融系统中的作用必将越来越大，中国金融周期这种反映整个金融市场状况的宏观变量不应该忽视股票市场。但是由于股价波动频率远远高于信贷、信贷/GDP以及房价，使用其他传统方法一般难以捕捉到股价信息，因此使用双因子的动态因子模型所提取的中国金融周期指标更加全面，反映出的信息更多。

第三，不同中国金融周期指标对中国经济周期的影响不同。中国金融周期总体指标对中国经济周期具有正向影响，在所有时期的影响幅度相差不大；中国股价金融周期对中国经济周期也有正向影响，在2007年5—10月，这种正向作用更大；中国信贷金融周期先是对中国经济周期产生负向影响，尤其是在2008年2月至2012年6月，这种负向影响最为明显，之后才对中国经济周期产生正向影响。

针对研究结论，提出如下建议：

第一，建立关于中国金融周期的指标体系。通过单因子和双因子动态因子模型所提取的中国金融周期指标可以形成指标系列，各指标可以相互配合，综合反映银行系统和资本市场总体的金融状况。

第二，鉴于不同中国金融周期指标所侧重的含义不同，对中国经济周期的影响也不相同，因此在使用中国金融周期指标分析经济整体运行情况以及在应用宏观审慎政策时，应当注意区分不同情境、不同金融周期的指标，以便最全面地反映整个宏观经济的总体发展情况。