中国动态FCI构建及预测能力测度

肖 强,胡世文

(兰州财经大学 a.统计学院;b.甘肃经济发展数量分析研究中心,甘肃 兰州 730020)

一、引言及文献综述

随着中国改革开放和经济进一步发展,金融市场在中国特色社会主义市场经济中所扮演的角色越来越重要。伴随着金融市场不断发展和逐步深化,金融市场深刻影响着实体经济运行。苏建军等通过构建产业结构、金融发展和经济增长之间的多方程模型和向量误差修正模型分析了三者之间的关系,并指出从金融规模来看,金融发展是推动经济增长的重要因素,但从金融效率看,其严重制约了金融发展和经济增长之间的正效应发挥[1]。葛奇从金融稳定目标和央行货币政策目标之间的关系入手,陈述了在不影响货币政策既定目标下金融稳定目标在央行货币政策框架的纳入及其影响,并指出金融危机之后,金融稳定是否应该纳入央行货币政策目标已不再是讨论的焦点,重点在于金融稳定应该如何纳入央行货币政策目标并量化其影响。在分别陈述了金融稳定与宏观审慎政策之间的互补和替代关系观点后,葛奇指出无论金融稳定和宏观审慎政策之间关系如何,目前对央行提出的挑战是一致的,即央行必须具备识别和衡量金融稳定风险的能力[2]。因此,寻求测度金融发展状况的指标,并将其纳入货币政策框架,即将金融发展状况纳入货币政策制定和执行框架范围内,将有助于央行提高宏观调控效率,理顺货币政策传导中介。邓创等指出要探索经济和金融双重稳定的货币政策调控模式则需要从两个方面入手,一方面是科学合理地测度整体金融形势的波动态势,并将其纳入央行货币政策目标;另一方面则是构建兼顾经济和金融双重稳定的货币政策调控框架[3]。在科学合理地测度整体金融状况方面,由利率、汇率、货币供给、社会融资规模以及各类资产价格等多维金融指标构建的金融状况指数FCI(Financial Condition Index)能更真实地反映中国金融市场的实际。

金融状况指数(FCI)最早是由Goodhart和Hofmann提出,它是在货币状况指数的基础上拓展得来。他们通过对货币传导机制和资产负债表的理论分析以及对G7国家的财富效应观察,认为股价和房价等金融资产价格应该加入到MCI的编制中并得出FCI,以此反映由过量需求导致的通胀压力并指导货币政策的制定。FCI编制赋权方法主要可以分为:(1)大型宏观经济计量模型;(2)总需求缩减方程式;(3)由VAR(Vector Autoregressive Model)模型得出的脉冲响应函数方程。大型宏观经济计量模型主要是通过计算各经济变量之间的相互关系进行赋权,一般来说赋权结果较为准确。大型机构(如高盛)和部分国家央行就采用这种方法编制FCI[4]。相比大型宏观经济计量模型,总需求缩减方程式和VAR模型在FCI编制中则更为常见,但是前者要求经济变量之间严格的外生性,后者可以部分解决外生性假定不充分的条件下,又会有VAR模型本身的变量识别和参数估计等问题。尤其是在引入资产价格的情况下,其本身在货币传导机制中的具体情况尚不明确,因而识别问题又会使建模过程变得比较复杂。国内外诸多学者已经对FCI的构建作出相关的拓展研究,有研究在经典模型的基础上引入因子模型提取多个金融变量的信息,再利用经典模型构建金融状况指数。周德才等通过贝叶斯动态因子增广向量自回归构建了贝叶斯动态因子金融状况指数,在指数构建的基础上分别检验了同通货膨胀之间的关联关系以及评估了其对通货膨胀的非对称影响[5]。肖强和司颖华通过动态因子模型对11个金融变量确定了共同金融因子,在此基础上通过VAR模型构建了FCI,在构建FCI的基础上建立了包含价格和产出的因子扩展的logistic平滑转移向量自回归模型,分析了在不同金融状况下,金融市场对产出和价格冲击的非对称性[6]。有的研究在经典模型的基础上扩大构建金融状况指数的涵盖金融变量范围并拓展到时变参数估计形式。刘金全和张龙在拓展VAR模型基础上纳入了信贷变量,并测度了同频和混频情形下FCI对宏观经济的冲击效果和预测能力[7]。李程等测度了金融市场对实体经济的影响[8]。Guichard和Turner在利率、汇率及金融资产价格的基础上引入了信贷标准变量并通过总需求缩减方程式和VAR分别构建了美国1990年至2008年的FCI,具体测算了货币危机发生前和发生时的货币状况松紧程度[9]。还有一些研究是在动态因子模型基础上,直接通过动态因子模型构建金融状况指数。Angelopoulou等通过对欧元区核心国家和非核心国家的一系列金融和非金融变量进行主成分分析,利用加权因子载荷构建了FCI,并分析了金融危机前后和具体货币政策下对欧元区核心国家和非核心国家的不对称冲击[10]。

综上所述,已有文献对金融状况指数的构建及其应用已经进行了较为深入的研究。考虑到基于贝叶斯方法的中心化状态空间模型,可以筛选变量时变或者非时变参数,且双伽马先验通过强烈的收缩保证非时变参数不会被错误估计为时变参数。因此,在已有研究的基础上,本文从金融状况指数的动态权重估计入手,对金融变量权数的确定采用双伽马先验下的中心化参数的状态空间模型方法。在经典的FCI预测能力评价基础上,还采用了谱分析方法,测度了FCI对宏观经济变量的预测能力。

本文的创新之处在于:第一,利用基于双伽马先验的贝叶斯方法所估计的状态空间模型,构建了中国动态金融状况指数;第二,基于所构建金融状况指数的变动趋势,识别出中国货币政策的传导渠道主要为数量型;第三,利用谱分析和滚动式外推方法,测度了所构建金融状况指数对产出和价格的预测能力。

二、基于动态权重的金融状况指数理论模型

首先利用状态空间模型估算总需求缩减方程式中的动态权重,并利用引入双伽马先验的贝叶斯方法估计模型对应参数。双伽马先验可以缩减待估计的系数,也能够发现真正的“非时变”参数。参考余辉等人的思路,构建后视型经济模型,用菲利普斯曲线和IS曲线描述[11]:

(1)

(2)

其中,π为通货膨胀率,y为产出缺口,ri为实际利率缺口,re为实际汇率缺口,rh为实际房价缺口,rs为实际股价缺口,rm2为实际货币供应量缺口。IS曲线参数为时变的。论文借鉴Bitto、Frühwirth-Schnatter等中心化参数的模型,计算公式如下[12-13]:

(3)

(4)

(5)

(6)

其中P0=Diag(P0,11,P0,22,…,P0,dd)为对角阵,对于尺度参数P0,jj,设定先验过程为P0,jj～G-1(vp,(vp-1)cp),即逆伽马分布,其中cp=1,vp=20。另外,对量测方程中的方差做时变设定,且其变化来自Jacquier等的设定[14]:

(7)

其中:

(8)

潜在波动过程h=(h0,h1,…,hT)不可观测,其初值h0设定平稳分布的自回归过程,即:

(9)

(10)

其中的参数分别遵循下述设定:

(11)

(12)

(13)

就相当于具有双伽马先验形式,即:

(14)

这样设定的好处在于引入了全局参数κ2和局部参数aξ,前者控制先验分布在0处的概率分布质量,且随着κ2增大,θj的方差变小。后者控制整体分布的峰度,aξ变小,整体先验分布在0处的峰度提升,与此同时尾部变厚,保留局部并不强烈为0的参数。对全局参数κ2设定为具有固定参数的伽马分布:

κ2～G(d1,d2)

(15)

对局部参数aξ,参照Griffin和Brown的指数分布[16]:

aξ～Exp(bξ)

(16)

其中bξ≥1。这样,便构成了完整的先验设定。对βj也做同样的先验收缩设定,即:

(17)

且式(17)中相关超参数设定为:

λ2～G(e1,e2)aτ～Exp(bτ)

(18)

其中e1,e2为固定参数,且bτ≥1。权重的计算公式为:

(19)

其中βxi,t为金融变量xi在时期t的参数,那么t时期的FCI就等于时期t的权重向量和时期t的真实金融价格变量减去真实金融价格变量长期趋势的向量内积,即:

(20)

三、中国动态金融状况指数的构建

(一)指数构建及权重分析

在具体的指标选择上,类似于余辉和余剑的变量选择,而且在周德才等通过贝叶斯动态因子构建金融状况指数的过程中,虽然由于其构建方法的特殊性,选择的代表变量较多,但是其股价、利率、汇率和货币供应代理指标均含有论文选择的代理变量[5-11]。另外房地产价格的代理指标则选取综合反映房地产运行情况的国房景气指数[6]。

基于国内外已有文献,本文从利率、汇率、房地产价格、股票价格和货币供应量等指标中选取相应的金融变量,尝试构建可以反映中国未来通胀压力和金融市场变化的FCI。在选择基准利率时,选择7天上海银行同业拆借加权平均利率,因为其在当前中国金融市场中利率市场化程度较高。汇率选择国际清算银行公布的人民币名义有效汇率(Real Nominal Exchange Rate,REER)。在资产价格中,房地产价格方面选择国家统计局公布的国房景气指数。股票价格方面选择中国上海证券综合指数月末收盘价。货币供应量选择广义货币供给量即M2。产出变量选择GDP作为代理变量。上述数据如无特别说明,均来自中经网数据库。中国于1998年底开始住房市场化改革,取消福利分房制度。从1999年开始正式实施《证券法》,这表明房地产价格和股票价格逐渐正规化、市场化,自此逐渐包含通胀信息。再加上汇率具体指标起始日期为2002年,因此,样本区间选择2002年1月至2020年12月各个变量的月度数据。

首先对国房景气指数中的缺失数据进行12个月的平均插值,利用线性插值方法由季度GDP得到月度GDP。然后以2001年1月为100的定基CPI将所有名义变量转换成实际变量,接着对上述真实变量数据使用X-11-ARIMA去除基于乘法模型的季节因素[18]。选择环比CPI作为通货膨胀的代理指标,因其不考虑物价跨年度的变化,且能及时反映物价在短期内的波动情况,并对环比CPI取对数。用lambda=129 600的HP滤波得到除CPI外各个变量的长期趋势值,再用原变量值减去趋势值得到各变量的缺口值,然后对得到的缺口值变量均做一般标准化处理,分别用M2_gap,house_gap,exchang_gap,interest_gap,stock_gap,y_gap代替[8,19]。在对变量建模之前应该保证变量的平稳性,对各变量做ADF单位根检验,结果见表1。

由表1可知,绝大多数变量在1%的显著性水平上拒绝了序列非平稳的原假设,这表示所有变量是平稳的。本文利用双伽马先验下的贝叶斯估计时变参数状态空间模型估算了中国2002年1月到2020年12月的金融状况指数。图1显示了2002年到2020年的各金融变量动态权重,分别是实际的利率缺口、汇率缺口、房价缺口、股价缺口和货币供给缺口的权重变化。可以看出,货币供应量是影响FCI的主要因素,其平均影响力为62.94%。房价是影响FCI的次要因素,其平均影响力为21.64%。

表1 各变量平稳性ADF检验

图1 FCI中各变量的动态权重图

由图1可知,从动态权重的时间变化轨迹看,利率、汇率、房价和股价呈现几乎相同的波动态势,而货币供给则呈现相反的波动态势。即当货币供给对金融状况的影响力减弱时,金融产品价格和资产价格对金融状况的影响力便开始迅速上升,当然在不同时期,不同变量的影响力变化程度不尽相同。

第一个比较明显的波动出现在2003年6月,房价权重的增长程度最大,接下来依次是利率、汇率和股市。与此同时,货币供给的权重迎来了较大程度的下降。在2003年上半年全国的信贷总量已超2002年全年,银行信贷投放过热,并带动了汇市和债市集体过热,与此同时房地产行业超过半数以上的资金则来自于信贷市场,房地产信贷余额已占商业银行总贷款的近五分之一。中国经济呈现出局部过热的特点,金融环境整体较为宽松。2003年7月,央行及时上调存款准备金率,通过主要国有银行保持较高的超额准备金情况下的窗口指导等方式进行,此举导致预期利率趋升,对于金融市场形成了一定的冲击,进而导致房市、汇市、股市及债市集体收缩,货币供给马上又占据了主动。所构建的金融状况指数则较为精确地识别了这一次持续时间较短的金融冲击。与此同时,中国银行监督管理委员会正式成立,标志着全面金融风险监控系统的正式建立。农村信用社改革全面铺开、债券市场的进一步改革和货币市场的改革与发展等都在进一步细化中国金融市场的改革方向。可以看出,2003年以来,货币供给在金融状况指数中的权重在稳步下降,而其他金融资产价格变量权重在稳步上升。

第二个较大的变化是2008年前后,房价权重自2003年以后缓慢增长,在2008年时突然迎来了迅速增长,而且利率、汇率和股市大致都遵循这一特点。货币供给权重则与之相反,自2003年年中以后一直缓慢下降,在临近2008年时突然急速下降。2008年以后,各变量权重先呈现了一定的维持态势随后便发生急剧变化。金融资产价格类变量权重都出现了较大幅度的下降,而数量型变量权重则出现了较大程度增长。2008年正值全球流动性过剩和资产价格大幅度上涨,而全球流动性过剩导致中国房地产价格迅速大幅度攀升,房价上涨导致其对金融状况影响急剧增大。利率、汇率和股价也同时小幅度上涨,均对金融状况有不同程度影响。与此相反的是,货币供给的权重不断降低。紧接着发生了由美国信贷危机主导的全球性金融危机,随后中国政府实施了一系列强有力的措施提振市场信心,可见2008—2009年全球金融危机时期各变量的权重的变化范围并不大,各资产价格变量在短时间内基本保持不变,甚至略有上涨。2009—2010年后价格型变量权重均开始不同程度的下降,而货币供给权重则随着四万亿经济刺激计划的实施和“适度宽松”货币政策的实施开始一路攀升。金融状况指数就权重而言,各金融变量权重短期内变化不明显,长期则分别显现出各自对金融危机的反应,和中国面临金融危机实际情况基本相符。在此之后,中国进一步加强金融业抗风险能力,着重防范系统性金融风险并进一步深化金融改革。

第三个比较明显的变化是在2011年以后,金融变量的权重开始出现平均两年一次比较显著的变化过程,权重变化反映了中国进入金融改革深水期后金融状况不断变化、不断调整的趋势。

2013年6月,货币供给权重止住下滑势头开始迅速攀升,而其余金融价格变量权重均开始迅速降低。2013年前半年债务规模急速上升,M2前五个月月均增速近16%。与此同时,银行同业业务扩张明显,金融市场整体杠杆率较高。央行通过“窗口指导”、公开市场操作等手段坚决去杠杆信心,自2013年6月至12月,债务规模整体增速大规模放缓。就权重而言,比较准确地刻画了代表流动性的货币权重快速上升占据主导地位的情况。经过这一轮调整,央行公开市场操作手段进一步丰富。

2015年初,货币供给权重在小幅度下滑后连续下降,与此同时各金融变量权重均开始不同层次上涨。可以看出股市和汇市的影响程度上升是最为明显的,房市和利率市场次之。连续的降息和降准以及互联网信用交易的爆发式增长向市场释放了大量的流动性,但是这些资金并没有流入到实体企业,主要是由于实体企业规模巨大的债务造成信用缺失,货币传导机制被扭曲。这些资金迅速地进入了股市、房市和汇市,造成了股市等市场异乎寻常的增长趋势。紧接着证监会出台了强有力的去杠杆措施,使股市的杠杆率快速地恢复到正常水平。受2015年人民币加入SDR刺激,汇率权重则保持了稍长时间的高位态势,其余价格变量则同样保持稍长时间的高位态势后开始迅速下降。与2003年情况类似,本文所构建的金融状况指数也识别到了这一次持续时间较短的金融风险。在本轮调整以后,金融监管进一步加强,另外随着存款保险制度和利率市场化的稳步推进等,中国金融市场改革进一步得到深化。

2016年以后,利率和房价权重呈现出起伏式回落的特点,起伏波动基本一致。汇率和股价则呈现了较为一致的波动,也是呈现出起伏式回落的特点。货币供给的权重则呈现出波动式上升的特点。2016年初,中国人民银行将2011年以来实施的差别准备金动态调整机制升级为宏观审慎评估体系(MPA)。互联网金融监管进一步加强,首先是在上海建立了中国互联网金融协会,紧接着17个部门联合开展了相应的互联网金融专项整治活动。与此同时,本年度内银监会、基金业协会、证监会、期货业协会及保监会共发文16份全面加强金融监管环境。金融状况指数权重变化反映出本轮的金融调整属于在一年范围内逐步的阶段式的调整,中国的金融风险防范和处置能力都得到了进一步加强。

2017年以后,货币供给权重开始快速下降,与此同时价格型变量权重均开始不同程度的增长,其中房价权重增长最快。但是这种状况持续到2018年年初便停止,之后货币供给权重开始持续性的增长,价格型变量权重则开始不同程度逐步降低。金融去杠杆措施进一步加强,一方面通过加强对宏观审慎评估体系(MPA)相关指标的监管,另一方面频频出台监管文件加强对金融机构的现场检查。另外,中国人民银行通过公开市场操作调控利率,不断挤压金融机构针对中短期金融产品的错配杠杆等操作的套利空间。一方面加强了金融行业对实体经济的服务功能的表达,另一方面也释放了一定的金融风险。与此同时,房地产去库存政策在2017年已基本达到预期目标,房地产市场投资增长则较为明显。2018年,金融环境在4月27日颁布资管新规后瞬间收紧,使得金融市场直接相关变量瞬间受挫,影响力开始大幅度降低。与此同时,中国人民银行在一年中四次定向降准,向实体经济释放了大量的流动性,货币供给开始逐步恢复对金融环境的影响力。2018年下半年,货币政策和财政政策同时出手“稳”杠杆,各金融变量影响力均出现了暂时的停滞。随后各金融变量以缓慢速度回到各变量平均值附近。该时段金融权重变化则较为直接,价格型变量权重变化经历高位后缓慢降低,而数量型变量权重则正好相反。走势反映政策调整快速,效果则较为平滑,可以看出中国金融风险防范能力进一步加强,改革进一步深化。

需要说明的是,余辉和余剑指出给更大变化的自变量赋于更高的权重,可以让计算出的FCI更充分地反映经济金融形势的变化[11]。另外还说到了使用时变状态空间模型相对于其他固定权重模型的优势。在此基础上进一步使用了中心参数化的状态空间模型和双伽马先验下的强力贝叶斯收缩先验估计,使得时变参数的变化更为平滑,但同时又能保证可以识别显著的变量影响变化带来的权重变化,这一点也从图1中得到验证。

金融状况指数中汇率和利率的权重占比比较小,一方面是中国货币政策传导机制长期依赖数量型渠道,此外由于其他变量的相对变化程度较大,导致利率和汇率本身的影响程度在一定程度上被弱化。中国利率和汇率长期受体制政策和国内外特殊环境等诸多因素影响,自身波动有限。另一方面,自住房市场化改革以来,住房货币化趋势呈波动上升,房价总体呈现短期波动和长期增长;股市相较房市波动性较大,增长性稍低,因此其权重占比低于房价权重占比。与前两者相比,货币供应量的波动则比较大,这是因为中国主要采取数量型渠道货币政策调控金融市场,一旦出现变化,货币供给会成为首先大幅度波动的变量。与之相比,汇率和利率的变化则比较小,因此其权重占比也就比较低。比较各金融变量动态权重可以发现,相比于21世纪初的各金融变量权重,非货币供给权重均有不同程度的上升。可以预见,随着中国金融改革进一步深化,对外开放程度提升,利率和汇率在未来时期FCI的动态权重占比将会大幅度提升。

(二)金融状况指数波动态势分析

图2 中国动态金融状况指数图

通过以上模型的构建,得到了中国动态金融状况指数。特别说明的是,本文也采用了和余辉等对利率缺口变量一样的处理,主要是因为利率缺口变量和货币政策状态的正负指标代表的情况正好相反,所以在最终计算FCI时对利率取负值进行计算。所构建FCI的趋势如图2所示[11]。在图2中,FCI越大意味着金融状况越好,反之则越差。FCI的变动趋势可以看出:首先是三个较为明显的剧烈波动,且一般而言“谷峰”和“谷底”呈现一前一后紧随出现的特征。其次是FCI的绝对变化幅度绝大部分时间都处在[-1,+1]之间。最后就样本区间而言,FCI数值小于和大于的时间基本上则是持平的。

首先来看三个较为明显的波动。第一次剧烈波动出现在2008年前后,整体金融环境持续趋紧,而且可以看出指数迅速下滑是从2007年初开始的。2006—2007年,世界范围内的流动性泛滥,全球资产价格开始大幅度上扬,中国人民银行一年内多次调整存款准备金率和存贷款基准利率,连续的回收流动性,表明了央行坚决遏制经济过热的决心,此举也为后续央行的宽松货币政策预留了操作空间。在2008年美国信贷危机席卷全球后,中国人民银行放松对房地产企业信贷限制,下调存款准备金率及存贷款基准利率,实行持续宽松的货币政策。另外,四万亿经济刺激计划进一步导致国内金融环境的宽松,2012年初,金融环境的宽松状况达到顶点。自此之后,一方面中央政府和中国人民银行经历了大型金融危机的考验,应对危机的经验和手段都进一步丰富和增多;另一方面适逢中国金融改革进入深水期,在中国政府和中国人民银行的指导下,金融环境持续稳中向好,金融风险被逐步化解。第二次较小的波动则出现在2016年,2015年以来,国内出现局部的非理性“投资热”,资本市场动荡持续加剧,外汇市场同样波动加剧,进一步增加了金融风险,FCI始终在低位运行。2016年以后,金融状况指数便回到0附近运行。伴随着房地产去库存和棚改货币化安置政策,2017年开始则出现了以房屋权重为代表快速上涨而带来的FCI快速上涨,伴随着二三线房地产市场库存基本消化和央行的调控措施,金融状况指数也开始快速回落。这次较小的波动情况就整体而言,相较第一次剧烈波动持续时间更短,波动范围更小,调整时间更快。反映出中国金融机构应对金融风险的能力进一步加强。第三次剧烈波动则出现在2019年下半年,尽管全球货币宽松潮带来一定的流动性,但是中美贸易摩擦、地缘政治风险等依然挑动着全球资本市场的信心。与此同时,中国人民银行开展了一系列公开市场业务交易、加息等紧缩性货币政策,力图遏制2019年上半年金融市场部分过热现象。初步来看较为有效地控制了金融风险的进一步扩大。但随之而来的新冠肺炎疫情则金融状况指数在2020年初达到谷底,随着党中央和中国政府强有力的疫情防控措施,加之央行的多项货币政策工具(降准、降息、再贷款、离岸央票)与财政政策的配合,在4月份金融状况便回到附近,而且在随后几个月内金融刺激达到峰值,探顶后开始迅速滑落。从波动范围看,经济刺激保持在合理范围内。相较之前一大一小的波动而言,这次波动是正常的控制金融风险扩大和突然的外在冲击相互叠加形成的金融市场的大范围趋紧,随后的反弹则较为快速和理性,保持在适度的扩张范围之内。

其次是FCI的绝对变化幅度绝大部分时间都处在[-1,+1]之间,超出该范围且持续一定时间的时间段分别是2008年中和2010年初还有2020年初这三个时间段,剩余的几次短暂的超出该范围的时间段持续时间均不足3个月。此外,比较这三个较大程度的波动时间段特征则不难发现,前两次调整速度慢,恢复时间长。第三次波动则调整速度快,恢复时间短,反应较迅速。前两个波动时间段分别对应2008年金融危机和危机后恢复繁荣时期,后一个波动时间段则对应着中美贸易摩擦、地缘政治风险等并存的全球资本市场和外部冲击新冠肺炎疫情。与前两次波动相比,后一次波动面临的情况则更加复杂和多变,但是在调整速度和恢复时间上都相较于前者有了较为长足的进步。经历了较大范围的金融冲击和较长时间的金融改革,无疑中国的金融风险防范和化解能力都有了非常大的进步。除了这三个较大波动之外,FCI的波动则较为平缓,甚至基本上都在[-0.5,+0.5]之间波动,反映了中国对金融市场整体波动的控制能力。

最后就样本区间而言,金融市场状况上行和下行时间基本相等,但总体而言,扩张时间还是稍多于收缩时间。上行和下行时间段基本呈现交替状对称出现。整个样本区间内呈现出升降交替的特征,升降调整时间则基本相同,可以看出金融市场本身的活力及国家主体对金融市场的正向引导在相互作用和此消彼长的态势。

四、中国动态权重FCI有效性检验和预测能力测度

本文在估算过程中就假定了金融变量通过产出渠道对通货膨胀产生影响,货币政策的目标之一就是控制通货膨胀。因此,验证FCI的有效性,就需要检验它和通货膨胀之间的关系。另外,FCI的主要作用还在于预测未来通货膨胀情况,为货币政策制定提供决策依据,故对FCI做以下检验和分析,分别是:FCI与通货膨胀的Granger因果检验、动态相关性分析和预测能力分析。另外,所有通货膨胀均指月度同比CPI。

(一)Granger因果性检验

FCI与通货膨胀之间的Granger因果检验结果如表2所示。在5%显著性水平下,FCI是通货膨胀变化的Granger因,因此其可以用作预测通货膨胀率。同时,通货膨胀率也是FCI变动的Granger因。

表2 动态FCI与通货膨胀的Granger因果检验结果

(二)预测能力分析

Gauthier和Graham等使用滞后FCI作为解释变量并以通货膨胀和产出缺口作为被解释变量构建回归方程以验证FCI的预测能力,本文借鉴该回归方程对构建的FCI相对于通货膨胀的短期预测能力进行分析[20]。

CPIt=α+βFCIt-k+εt

(22)

其中,CPIt代表通货膨胀,FCIt-k代表提前k期的金融状况指数,k的取值范围为0到6。对领先到6期的金融状况指数相对通货膨胀构建回归方程,结果如表3所示:

表3 不同领先期动态金融状况指数对通货膨胀的预测能力

由表3可知,在5%的显著性水平下,滞后4期以内的金融状况指数都对CPI有负向影响,而且显著性水平随着领先期越小变得越高,即距离CPI更近的FCI可以更有效地影响CPI,其直接反映了金融状况指数可以对通货膨胀指数进行短期预测,且相差时间越短,预测能力越强;间接反映了货币政策是短期效应政策,对金融市场的影响一般在半年内。在上述预测的基础上论文根据样本期内的数据,在式(22)的基础上针对样本外6期(即2021年1月至2021年6月)进行了循环式外推预测,结果显示所有的RMSE均小于1.9,同封思贤等的预测结果相比,本文构建的FCI在样本外6期的整体预测RMSE同其最好结果即5、6期的结果1.861和1.852相比较为接近,进一步证明了构建的FCI短期预测能力的有效性[21]。另外,要显示不同领先期的动态金融状况指数和CPI的相关性程度,计算了它们的动态相关系数,如表4所示:

表4 不同领先期动态FCI与通货膨胀的动态相关指数

由表4的动态相关系数进一步证明,FCI可以对通货膨胀进行预测,且得出两者呈负相关的结论,且相关性随着领先期的增加而减弱。构建的FCI是由包含反映未来经济和通货膨胀信息的金融变量加权得到,因此可以作为先行指标预测其他宏观经济指标的未来状况。在格兰杰因果检验、跨期相关系数及预测能力分析基础上,借鉴徐国祥等的做法,在趋势图分析的基础上引入谱分析方法,分析FCI对其他宏观经济指标的预测能力[19]。

在同比CPI的基础上引入宏观经济景气指数中的一致指数(Consistent Index,CI),将其作为中国宏观经济状况的代理指标,以上数据均来自中经网数据库,样本区间同样为2002年1月至2020年12月。因为FCI、CI、CPIT是非平稳数据,首先基于各自的趋势图显示FCI对三个宏观经济指标的预测能力。由图3和图4直观地来看,FCI的波动趋势大幅度领先于CI和CPIT,说明本文构建的FCI对上述宏观经济变量具有较好的预测能力。对FCI相对其他宏观经济指标的预测能力做谱分析,首先采用X-11-ARIMA方法对序列进行季节调整,然后对季节调整后的序列利用lambda=14 400的HP滤波得到三个序列的周期项序列。并对三个周期项序列分别做平稳性检验,检验结果如表5所示。

图3 FCI与CI的趋势图

图4 FCI与CPIT的趋势图

表5 各变量平稳性ADF检验

由表5可知,以上三个周期项序列均为平稳变量。接着,对各个变量进行中心化,随后对其进行单变量谱分析,结果如图5和图6所示:

图5 FCIcycle与CIcycle的谱密度图

图6 FCIcycle与CPITcycle的谱密度图

由图5和图6可知,从单变量谱分析的结果来看,FCI、CI及CPIT的周期项对应的主周期长度分别是48、40和40个月,且其谱峰对应的谱密度分别是4.84、5.06和13.61,即中国金融状况指数相较于宏观经济景气指数中的一致指数和同比CPI的主周期长度略长。紧接着,对FCI分别和CI及CPIT进行双变量交叉谱分析,结果如表6所示:

表6 交叉谱分析结果

由表6可知,在耦合震荡周期为45.6个月时,三者周期项的振幅同时达到最大,值依次为25.484 6和32.740 4,且对应的一致性统计量的值均为0.999 9,均非常接近1,说明在耦合震荡周期内FCI与CI和CPIT存在非常强的相关性。另外,在耦合震荡期内FCI的周期波动分别领先CI与CPIT的周期波动近10和20个月(时差=相位谱÷2π×周期长度),说明了构建的FCI对选取的宏观经济指标CI和CPI具有一定的长期预测作用。

五、结论和建议

本文基于中心化参数的时变状态空间模型,采用基于双伽马先验的贝叶斯估计,估算了中国动态权重的金融状况指数。首先解释了相关金融变量对金融状况的影响时变特征,然后测度了所构建时变金融状况指数对宏观经济变量的预测能力。研究结论如下:

第一,双伽马先验下的中心化参数的状态空间模型,在估计后视型经济模型参数时可以较好地识别时变参数和非时变参数。具体表现为:中国FCI中各变量的动态权重整体变化较为平滑,但是与此同时,模型也捕捉到动态权重局部变化剧烈的时间段。针对动态权重的分析指出,局部剧烈变化的时间段往往是对应金融变量或金融市场整体出现了较大的变化。

第二,不同金融变量对中国金融状况指数的动态影响存在较大的差异性。货币供应量和房地产价格对金融状况指数的影响相对较大,而股票价格、利率和汇率对金融状况指数的影响权重相差不大,其中股票价格对金融状况指数的影响权重波动大于利率和汇率,间接指出股市相较利率和汇率市场整体上存在较大的不确定性。汇率和利率因素在FCI中的权重在波动中逐步提升,一方面说明中国金融改革进入深水期后政策调整的周期渐短;另一方面也说明中国汇率制度改革和利率市场化进程对各自金融要素在金融市场中的影响趋深。

第三,从金融状况指数构成因素的变动趋势看,货币供给变量和其他价格型金融变量产生了一种明显的“对抗”效应,两者之间呈现此消彼长的态势。虽然目前货币供给变量权重仍然占据了绝对优势,但是其他价格型变量权重占比均显著高于21世纪初各价格型变量权重占比。这表明虽然中国目前是典型的数量型货币政策传导模式占主导,但是在不断的改革和试错中这种情形有所弱化,价格型货币政策传导模式逐渐在传导机制过程中占据一定份额,而这也表明了中国金融改革的成效。整体而言,虽然中国货币政策仍然主要依赖数量型传导渠道,但是相比21世纪初,中国货币政策对价格型传导渠道的依赖有所上升,反映出近年来的金融改革是有成效的。

第四,测度了所构建金融状况指数对宏观经济变量的预测能力。其一,就构建的动态金融状况指数的短期预测能力而言,FCI一般领先通货膨胀4～5个月,短期预测能力较好。其二,回滚式方程的外推预测结果也显示构建指数的短期预测能力较好。其三,基于谱分析结果可知,所构建的金融状况指数对宏观指标具有较好的预测能力,金融状况指数和宏观经济呈现出45.6个月的耦合震荡周期,且在周期内金融状况指数变动领先其他变量。金融状况指数可作为宏观经济变量的先行指数。

在以上实证结论的基础上,提出如下的政策建议:第一,建议中国央行构建并公布中国时变金融状况指数。鉴于所构建的动态金融状况指数能更有效地反映金融变量对金融状况的影响程度,因此,中国央行可以通过选取恰当的金融变量,基于更有效的前沿计量模型,编制并公布中国的金融状况指数。第二,建议中国央行基于FCI调控金融市场的变动。比如,2012年以来中国金融状况指数一直处于松紧程度适中区间,尽管在2020年1月出现的新冠肺炎疫情造成了金融状况大幅度收紧,但是仅4个月就恢复到了一般水平,且央行调控力度保持在理智范围内。这表明中国近年来金融体系建设和金融改革的巨大进步,也表明了当前的金融环境可以作为经济新常态背景下经济结构调整和优化以及金融改革创新的有力支撑。第三,建议中国央行将FCI作为货币政策的“指示器”。就货币政策的制定而言,FCI可以作为货币政策的“指示器”,作为反映通货膨胀和经济变化的先导性指标,可以有效指导货币政策制定。第四,建议中国央行将金融状况指数作为宏观经济的先行指数。实证结果表明,所构建的金融状况指数无论是在短期的预测能力,还是在同宏观经济指标的周期耦合能力都比较强。因此,中国金融状况指数可以作为宏观经济的预警指数。