動態金融狀況指數構建與應用研究

屈軍 朱國華

摘要：本文基于金融變量和通貨膨脹之間的傳遞機理，選取了2001年1月至2014年12月期間利率、匯率和股票市場等金融變量指標的非平衡面板數據，利用時變系數和隨機波動率的因子擴展向量自回歸（TVP-FAVAR）模型構建了動態權重的金融狀況指數（FCI），克服了傳統固定權重構造方法中經濟信息含量少、未考慮經濟制度環境結構性變化等缺點。在此基礎上，本文進一步研究了金融狀況指數與通貨膨脹之間的動態關系，結果表明金融狀況指數能較好預測和解釋未來通貨膨脹運行趨勢，樣本期內通貨膨脹對金融狀況指數沖擊響應具有顯著時變動態特征。

關鍵詞：金融狀況指數；通貨膨脹；TVP-FAVAR

中圖分類號：F8314 文獻標識碼：A

一、問題的提出

根據傳統的貨幣數量理論，當產出水平和貨幣流通速度給定時，物價變化僅取決于貨幣流通速度。然而在金融市場快速發展時期，該結論有可能并不成立。如果新增貨幣供應量進入虛擬經濟而不是流入實體經濟領域，短期內將會出現低通脹和高金融資產價格并存的現象（封思賢等，2012）。正如當前我國CPI指數從2014年初開始一直處于下降通道，而金融市場卻出現“股債雙?！钡木置?。2008年國際金融危機后，市場普遍認識到全球金融市場已處于系統性風險頻發時期，各類型金融市場的波動率溢出效應越加顯著，這促使我們需要從全局視角考察金融市場與通貨膨脹之間的關系。特別是近10余年來，在我國經濟制度環境已發生顯著變化的背景下，金融市場在不同時期對通貨膨脹的影響程度和特征是否發生動態變化？

2008年國際金融危機引起了學術界關于金融沖擊對實體經濟影響測度的廣泛興趣，眾多金融機構（如高盛、德意志銀行、花旗和彭博）和相關政策制定者（如OECD、加拿大銀行和美國聯邦儲備銀行）開始密切監控金融狀況指數（Financial Condition Index，簡稱FCI）。強烈的需求引起眾多文獻使用不同的實證計量方法構建FCI。FCI因具有將含有未來經濟信息的多維金融變量囊括為單一綜合信息指標的優勢，為本文研究整體金融市場狀況對通貨膨脹水平影響機制提供了便利。然而，我國除了部分學者進行討論外，目前并沒有官方公開發布的FCI。因此，如何構建符合我國金融實際情況的FCI并考察其與通貨膨脹水平的動態關系是本文所要解決的重點問題。

通過文獻梳理，FCI研究主要沿兩個維度展開：（1）指數成份變量的選取。一般來說，基于不同的指數構造理論基礎和目的造成了不同的選擇標準。如加拿大銀行在19世紀90年代首次提出貨幣狀況指數（MCI）時只包括再融資利率和匯率兩個指標，但隨著該指數工具在諸多國家的廣泛應用，指數覆蓋范圍也越來越廣，包括長期利率、股票價格和房屋價格等，并取名為FCI以區別MCI；最早提出FCI的Goodhart和Hofmann（2001）使用短期利率、實際有效匯率、房地產價格和股票價格四個變量；Boivin等（2009）從貨幣傳遞機制角度將指數成份變量分為新古典和非新古典兩大類，前者包括利率、股票價格、收益率曲線和信用風險等指標，后者包括更為廣泛的如測度市場流動性、借貸者風險和金融中介平臺的貸款能力與意愿、抵押品價值等金融變量；Hatzius等（2010）選取了涵蓋利率、股票、商品價格指數和市場波動率等共計45個金融變量。（2）指數構建的計量方法。金融狀況指數構建方法經歷較長歷史演變，早期對FCI研究主要集中在收益率曲線斜率、信用價差等（Stock和Watson，1989）。隨著計量技術的發展，諸多方法被用來構建FCI，主要可以分為如下三大類：一是變量權重法。變量權重選取原則一般是基于每一變量變化對實際GDP的相對影響估計值。在此思想上，沿著權重的估計方法得到了諸多拓展，如基于大規模宏觀經濟模型的模擬值、向量自回歸模型或簡化式的需求方程。二是主成份分析法，主要從高維金融變量中提取共同因子，以捕捉變量的最大共同變化值。三是綜合法。將變量權重和主成份法結合起來，如因子增廣的向量回歸模型（FAVAR）、時變參數因子增廣的向量回歸模型（TVP-FAVAR）。

相比而言，國內對FCI的研究較晚，但是發展十分迅速。指標選取方面基本上都包括了利率、匯率、股票、房地產價格和貨幣供應變量等，如王玉寶（2005）、封思賢等（2012）、許滌龍和歐陽勝銀（2014）、鄧創和徐曼（2014）、余輝和余劍（2013）等，而徐國祥和鄭雯（2013）則增加了社會融資規模指標，刁節文和章虎（2012）增加了外匯儲備指標。上述學者所采用的權重確定方法主要包括VAR模型、廣義脈沖響應函數（GIRF）、SVAR模型、主成份分析法、TVP-VAR模型等。

經國內文獻梳理，本文認為目前我國學者在構建FCI研究中仍有如下兩點值得改進：（1）充分發揮主成份分析方法在多維經濟變量中提取信息的優勢，避免指標選取的主觀性；（2）考慮樣本期內我國金融制度、沖擊及其他結構性變化，以動態權重代替傳統固定權重構建FCI。部分學者在此方面已取得一定成果，如鄧創和徐曼（2014）克服了前者但未考慮后者，余輝和余劍（2013）克服了后者但是未充分利用前者方法的優勢。因此，本文的主要貢獻在于：（1）綜合汲取前述兩者構建方法的優點，通過時變系數FAVAR模型的方法，構建動態權重的金融狀況指數，充分考慮了指數成份變量權重隨時間變化而更新的特征。（2）基于FCI與通貨膨脹的傳遞機理選取了指數成份變量，考慮到期貨市場在發現未來價格方面的功能，首次納入了期貨市場價格指數。與已有文獻不同，本文在指數構建過程中剔除了金融變量中含有的通貨膨脹信息。（3）基于構建的動態權重金融狀況指數，考察了金融狀況對通貨膨脹的預測效果和動態脈沖響應特征。

二、FCI理論模型構建與估計

我國在近10余年的發展過程中，金融環境已發生了諸多變化，如2005年以來的人民幣匯率改革、商業銀行體制改革等。隨著金融市場發展和金融工具逐漸豐富，從多維度考察我國金融狀況成為現實需要，而TVP-FAVAR模型汲取了已有方法的諸多優勢，如針對變量在不同時刻的不同權重取值的方法能有效解決結構性突變問題，充分利用了高維度變量信息優勢的FAVAR模型能有效解決標準VAR模型的“高維詛咒”困境和遺漏變量問題，能對我國金融狀況的實際情況進行較好刻畫。具體構建方法如下：

三、FCI構建與說明

（一）指標成份選擇與傳遞機理

金融狀況可以被定義為影響當前經濟行為和能預測未來經濟發展的金融變量。從理論上說，金融狀況指數成份變量應包括所有與經濟活動相關的刻畫金融工具供給與需求的金融變量，如一系列的資產價格和數量、潛在資產供給與需求的指標，后者還可包括對金融中介機構資本充足率的信貸可能性調查（Hatzius，2010）。本文以成份變量對通貨膨脹的傳遞機理為理論基礎，結合已有文獻變量選擇方法和我國數據可得性，選擇如下6大類共計52個變量指標：

1.利率指標。根據永久收入理論和生命周期理論，私人消費水平取決于三個因素：現期收入、預期收入和持有資產的價值。利率變動將會導致預期收入的變化，并引致現期消費需求的變動。如利率水平的下降將導致借貸成本下降，通過跨期替代效應影響現期消費；利率影響股票和債務資本的市場價值（托賓Q效應）進而影響企業的投資決策行為；消費需求和產品市場供給變化進而影響通貨膨脹水平。本文主要選取了代表銀行間同業拆借與銀行間債券質押回購市場不同期限的月度加權平均利率，刪除含有大量缺失值變量后共計15類。

2.匯率指標。匯率變動通過影響進口商品（中間品或終端產品）價格、貿易收支、境外資金流入與流出等渠道最終影響通脹水平（封思賢，2012）。本文主要選取了名義有效匯率指數、與各主要貿易國貨幣匯率（如日元、美元和歐元等），共計6類。

3.資產價格指標。包括股票和房地產市場。資產價格渠道主要通過財富效應、托賓Q效應和資產負債表等效應影響通脹水平。股票市場指標主要選取了股票指數、股票發行股本和市價總值等共計8類；房地產市場指標主要包括國房景氣指數、房地產開發企業商品房銷售面積等共計8類，其中商品房銷售面積原始數據為以年為單位按照月度頻率的累加數據，且缺失每年的一月份數據，本文將每年2月份的累加數據平均值替代1月份和2月份值，并將所有月份累加數據轉換為當月流量數據。

4.貨幣供應量指標。貨幣供應量是央行控制信貸規模供給以調節市場消費需求和投資需求的重要工具，并最終影響物價水平，主要包括流通中現金M0、M1和M2，及社會融資規模數據等共計10類?？色@得相關社會融資規模數據最早年份為2002年，未獲得的數據將以缺省值表示。本文采用的卡爾曼濾波估計法能很好處理非平衡面板數據問題①。

5.商品期貨價格指數。期貨市場基礎功能是發現未來價格，那么大宗商品期貨價格必然隱含著市場參與者對未來宏觀經濟的預期信息。而我國近十年來大宗商品期貨市場價格也逐漸得到國內外市場的認可，因此有必要將期貨價格信息納入金融狀況指數成份范圍。主要包括Wind商品、谷物、有色金屬和化工價格指數等4類。

6.宏觀經濟變量。主要作用是去除金融變量中所包含的通貨膨脹信息，以更全面反映未來的物價水平狀況。本文選取了居民消費價格指數月度（同比）數據作為通脹水平的代理指標。

（二）原數據預處理

為對比分析金融危機前后我國金融狀況，原始數據為2000年1月至2014年12月期間月度時間序列非平衡面板數據，主要來源于中經網統計數據庫、中經網產業數據庫、Wind金融終端等。首先使用X12-ARIMA季節性調整程序對原始水平數據進行季調，而對于樣本內的缺失值主要利用ARIMA過程進行填充②；然后，對所有變量使用ADF和PP方法檢驗變量的平穩性，對非平穩變量進行差分或取對數等方法轉換為平穩，檢驗結果表明大部分利率和匯率原始水平數據是平穩的，而其他變量在一次差分后在顯著性水平為5%條件下，皆拒絕了非平穩性的原假設③；最后，借鑒Stock和Watson（2005）的方法，剔除原始數據中的離群值，離群值定義為每一列平穩序列中變量的絕對中位數離差（absolute median deviation）大于6倍的四分位差（interquartile range）。 此外，與其他文獻對變量取缺口值的方法不同，本文借鑒了Koop 和Korobilis（2014）處理方法，直接對平穩變量進行標準化，以期統一量綱考察變量變化情況；而對模型（2）中因子滯后階數的選擇主要采用如下方法：利用主成份法對所有金融變量提取方差解釋最大的公因子，將公因子與居民消費價格指數構成標準的二變量VAR模型，利用AIC、BIC等信息準則選擇最優滯后階數。考慮到有些學者并不認同信息準則的方法，本文分別取不同的階數進行檢驗，結果結論穩健。

（三）金融狀況指數構建

通過TVP-FAVAR模型，本文構建了FCI。為方便直觀比較，本文還將FCI和居民消費者價格指數（同比）走勢進行了對比，如圖1所示。

從走勢圖來看，兩者有著較強的相關性。如在2008年1月份CPI指數達到了峰值1087，而FCI指數在2007年9月達了局部峰值04219；2009年7月份CPI指數達到最低點982，FCI指數則在2009年1月份已“逃離”峰谷-07419?？傮w可以看出，FCI指數對通貨膨脹具有較強的預測效果，但提前預測時間段并不一致。

與傳統常數權重不同，TVP-FAVAR模型通過時變載荷因子系數考慮了FCI指數在不同時期與成份變量之間的相關關系，如圖2所示。

從單一變量動態變化軌跡進行分析，如人民幣有效匯率指數，其載荷系數從2002年中旬的最低點-032，經過2005年7月匯率體制改革后，至2008年4月達到最大值-006，但在后續5年中，系數值逐步下降；M2發行量從2002年初開始，載荷系數從最高點051逐步下降至2014年底的028，說明貨幣供給量與整體金融狀況相關性下降，利用單一貨幣供給量指標已不能全面衡量整體金融狀況，驗證了監控社會融資規模的重要性。而Wind商品指數、社會融資規模人民幣貸款和銀行間同業拆借加權平均利率的系數取值走勢大致相同，在2005年初左右達到峰值，后續年份逐步下降；股票市值變量的系數則在2004年達到頂點03，逐步下跌至2008年中旬的02，之后隨著股票市場復蘇，系數正逐月增加；國房景氣指數系數2000年1月的起始值為018，在 2010年1月份達到峰值027，其后緩慢下降，整體反映了此十年間房地產市場價格逐年攀升，雖然2008年全球金融危機導致了房地產市場前景堪憂，但四萬億刺激政策有效緩解了外部經濟惡化對房地產市場的影響。從以上可以看出，變量系數變化很好地反映了我國經濟政策對金融狀況成份在不同時期所產生影響程度的時變性④。

四、我國FCI與通貨膨脹的動態關系檢驗

（一）Granger因果檢驗

FCI和通貨膨脹的Granger因果檢驗結論如表1所示。在5%顯著性水平下，拒絕了FCI不是通貨膨脹的Granger原因的原假設，即FCI能作為通貨膨脹變化的解釋變量，可以用于預測未來通貨膨脹水平；然而通貨膨脹從統計角度來說并不能解釋FCI的變化。

（三）時變脈沖響應分析

考察FCI單位負向沖擊對通貨膨脹水平影響，如圖3所示。從整個樣本期來看，通貨膨脹對FCI沖擊的響應并不是固定不變的，而是呈現動態變化特征。為觀察方便，本文對比考察了2006年1月和2014年1月的沖擊響應特征，如圖4所示。在2014年1月份，對FCI一單位的負沖擊，通貨膨脹將在未來第5期時達到最低點-008，并在未來12期內迅速回升至原來水平；相比較而言，在2006年1月，對FCI一單位的負沖擊，通脹指數在第5期時下降至底點-005，在未來17期內恢復至初始狀態。即整體金融狀況緊縮將導致價格水平下降的低通脹現象，符合經濟理論預期。以樣本期內脈沖響應中位值為基準，2014年1月比2006年1月脈沖響應的波動性顯著加大。

五、結論與建議

本文結合傳統構造FCI的主成份分析法和動態權重法，利用時變系數和隨機波動率的因子擴展向量自回歸（TVP-FAVAR）模型，基于通貨膨脹和金融變量之間的傳遞機理，選取了2001年1月至2014年12月期間利率、匯率和股票市場等金融資產價格的52個金融變量指標的非平衡面板時間序列數據，構建了動態權重的金融狀況指數（FCI），有效地從高維金融變量中提取經濟信息，避免了傳統指標成份變量選取的主觀性，且考慮了不同時期經濟制度環境的結構性變化對指數構建的影響。

基于構建的FCI，本文通過Granger因果和跨期相關性等方法檢驗了FCI對通貨膨脹預測效果，結果表明FCI可以作為通貨膨脹變化的解釋變量且預測效果主要體現在中期，反之不成立；通過對時變脈沖響應函數分析，不同時期通貨膨脹對FCI的一單位負向沖擊呈現出不同的時變特征。與已有研究文獻研究結論相同的是，我們建議中央銀行將FCI納入通貨膨脹的監管指標，通過觀察從金融變量隱含的未來通脹水平信息以提高調控宏觀經濟的針對性，但是在治理過程中，需以動態視角觀察兩者之間關系，因為通脹水平在不同時期對金融狀況的沖擊表現出顯著時變特征。需要注意的是，由于FCI并沒有堅實的理論微觀基礎，其穩定性和預測能力受到來自“盧卡斯批判”觀點的質疑，即政策變動將會對人們預期產生影響。考慮到不同指數在不同時期包含的金融成份變量也可能發生變化，因此使用動態模型平均（DMA）法將是未來研究方向。

注釋：

① 具體技術過程可參考Dimitris Korobilis（2014）。

② 此處使用了IRIS工具箱軟件包：http：//iristoolbox.codeplex.com/.

③ 考慮了滯后1到4階等不同情形。

④ 由于篇幅限制，單一變量系數動態變化圖并未給出，感興趣的讀者可向作者索取。

參考文獻：

[1] Goodhart C.，Hofmann B. Asset Prices，Financial Conditions and Transmisstion of Monetary Policy[C].paper prepared for the conference on“asset prices，exchanger rates and monetary policy”，Stanford university，March，2-3. 2001.

[2] Boivin， J.， M. Kiley.and F. Mishkin.How Has the Monetary Transmission Mechanism Evolved Over Time？[C].prepared for the third Handbook of Monetary Economics，October 9， 2009.

[3] Hatzius， J.， Hooper， P.， Mishkin， F.， Schoenholtz， K.， Watson， M. Financial conditions indexes： a fresh look after the financial crisis[C].NBER Working Papers， National Bureau of Economic Research，2010，16150.

[4] Stock， J.H. and M.W. Watson .New Indexes of Coincident and Leading Economic Indicators[C].NBER Macroeconomic Annual， 1989：94-351.

[5] 王玉寶.金融形勢指數（FCI）的中國實證[J].上海金融，2005（8）：29-32.

[6] 封思賢，蔣伏心，謝啟超，等.金融狀況指數預測通脹趨勢的機理與實證——基于中國1999-2011 年月度數據的分析[J].中國工業經濟，2012（5）：18-30.

[7] 許滌龍，歐陽勝銀.金融狀況指數理論設計及應用研究[J].數量經濟技術經濟研究，2014（12）：55-71.

[8] 鄧創，徐曼.中國的金融周期波動及其宏觀效應的時變特征研究[J]. 數量經濟技術經濟研究，2014（9）：75-91.

[9] 余輝，余劍.我國金融狀況指數構建及其對貨幣政策傳導效應的啟示——基于時變參數狀態空間模型的研究 [J].金融研究，2013（4）：86-98.

[10]徐國祥，鄭雯.中國金融狀況指數構建及預測能力研究[J].統計研究，2013（8）：17-24.

[11]刁節文，章虎.基于金融形勢指數對我國貨幣政策效果非線性的實證研究[J].金融研究，2012（4）：32-44.

[12]Gary Koop.， Dimitris Korobilis. A new index of financial conditions[J]. European Economic Review，2014，71：101-116.

[13]Stock，J.H.，Watson，M.W.， Forecasting in Dynamic Factor Models subject to structural instability.In：Castle，Jennifer，Shephard，Nel（Eds.），The Methodology and Practice of econometrics，Oxford University Press.Oxford，2009.

[14]Bates， B.J.， Plagborg-Mller， M.， Stock， J.H.， Watson， M.W. Consistent factor estimation in dynamic factor models with structural instability[J]. Journal of Econometrics，2013，117：289-304.

[15]James H. Stock， Mark W. Watson. Implications of Dynamic Factor Models for VAR Analysis[C].NBER Working Paper No. 11467， 2005（6）.

[16]Belmonte M.， Koop. G. and Korobilis D. Hierarchical Shrinkage in Time-Varying Coefficients Models[J].Journal of Forecasting， 2014，33：80-94.

Abstract：Based on the transmission mechanism between financial variables and inflation， this paper selects unbalanced panel data used in this model comes from the interest rate， currency， stock and other financial markets from January 2001 to December 2014 and constructs the dynamic weight financial conditions index by using time-varying coefficients and stochastic volatility factor-augmented vector autoregression （TVP-FAVAR） model， which overcomes the shortcomings of traditional fixed weight methods， such as limited amount of economic information and without considering the structural changes of the economic institutional environment. Then it further studies the dynamic relationships between the new FCI and inflation. Results show that FCI can better predict and explain future inflation trend，and the inflation has a significant time-varying dynamic features impacted by the impulse of FCI during the sample period.

Key words：financial conditions index； inflation； TVP-FAVAR

（責任編輯：張曦）