動態金融狀況指數的跨國效應研究

秦研 余杰 范從來

摘 要：本文首先使用TVP-SV-FAVAR和動態貝葉斯模型平均構建了金融狀況指數，然后以金融狀況指數作為金融周期的代理變量，使用TVP-SV-VAR模型探究了中國、美國、歐元區和日本之間金融周期的相互聯系。與以往研究主要關注全球金融周期趨同的特征不同的是，本文研究并發現中國的金融周期與美，歐，日有分化特征。具體來說，中國與美國在整個樣本區間內都表現出金融周期分化的特征;在2009年以后，中國與歐元區之間出現了金融周期分化;在2012年之后，中國與日本的金融周期開始分化。本文的結論提示相關人員應該關注我國與世界主要國家金融周期的分化特征，并據此實施有針對性的經濟政策。

關鍵詞：金融狀況指數;外部金融沖擊;金融周期;TVP-SV-VAR模型

中圖分類號：F830.9 文獻標識碼：A 文章編號：1003-5192（2021）05-0063-06 doi：10.11847/fj.40.5.63

Abstract：In this paper， we first construct financial conditions indexes for China， the United States， the Eurozone and Japan via TVP-SV-FAVAR model and dynamic Bayesian model averaging. Using these financial conditions indexes as proxy variables for the financial cycle， we then employ a TVP-SV-VAR model to study the interrelationships of financial cycles among these countries. Unlike previous studies that focused on the convergence of the global financial cycle， this article finds that Chinas financial circle is different from those of USA， Eurozone and Japan. We find that China and the United States show the characteristics of financial cycle differentiation throughout the sample. After 2009， there is a financial cycle differentiation between China and the Eurozone. After 2012， the financial cycle between China and Japan begins to differentiate. Our findings show that we should pay attention to the differentiation of financial cycles between China and other major countries， and implement targeted economic policies accordingly.

Key words：financial conditions index; exterior financial shocks; financial cycle; TVP-SV-VAR model

1 引言

隨著全球化的不斷推進，各國之間經濟體系的聯系不斷加深，與此同時，作為實體經濟血脈的金融體系的一體化程度也不斷提高。全球金融一體化是一把雙刃劍，它一方面提高了資源跨國最優配置的效率，促進了全球經濟的發展，另一方面也造成了金融風險的跨國傳染，加劇了外部沖擊對本國經濟、金融體系的影響。2019年的中央經濟工作會議指出，當前國際金融體系“仍處在國際金融危機后的深度調整期，……全球動蕩源和風險點顯著增多”。因此，研究國際金融市場外部沖擊對我國金融體系的影響既有理論的必要性，也有現實的緊迫性。

與實體經濟發展具有周期性波動一樣，金融體系的發展也具有周期性。在關于金融周期的研究中，大部分研究者發現全球金融周期具有一致性，即各國之間金融周期的繁榮階段和衰退階段大致相同[1～4]。這些研究大多基于大量國家的樣本或者發達國家的樣本，這說明金融周期的趨同是長期發展的趨勢和普遍的現象。但是，各國金融市場的發展存在差異也是客觀事實。就中國來說，鄧創和徐曼[5]發現中美金融周期的協動性存在時變特征，同時，美國的金融周期具有“短擴張、長收縮”的特征，中國的金融周期具有“長擴張、短收縮”的特征。陳曉莉和張方華[6]研究發現中國的金融周期具有特殊性，中國金融周期與東南亞國家之間的同步性較低。陳曉莉和劉曉宇[7]使用動態因子模型研究了全球金融周期對于中國經濟的影響，發現全球金融周期對中國經濟周期運行具有顯著影響。鄧創和徐曼[8]基于動態溢出指數的方法，發現中美金融周期的波動溢出效應是時變的。這些研究提示，中國的金融周期很有可能與其他國家具有不同的特征，中國金融周期與其他國家金融周期之間的關系在不同的時間段可能是不同的。Borio[9]指出，在研究金融周期相關的問題時，各國金融周期的不一致性比趨同性更加值得關注，各國金融周期的不同發展速度和軌跡（different speeds and phases across globe）背后的政策含義需要仔細思考。

以上對文獻的梳理說明，盡管金融周期趨同是全球范圍內的大趨勢，但是就目前來說，中國的金融周期有可能與其他國家和地區的金融周期存在差異。基于這個視角，本文使用Koop和Korobilis[10]提出的基于TVP-SV-FAVAR和動態模型平均的方法構建了相關的金融狀況指數，并通過金融狀況指數研究了中國金融周期與美國、歐元區以及日本這三個主要國家和地區的金融周期之間的時變特征。本文在度量金融周期時采用與鄧創和徐曼[5，8]，陳守東等[11]，馬勇等[12]相同的做法。

本文研究的金融狀況指數的跨國效應是指通過金融狀況指數來研究一個國家（或地區）金融狀況對另一個國家（或地區）金融狀況的影響，這些影響同樣體現在金融周期上。本文發現，中外金融周期存在一定程度的分化：中美金融周期在整個研究樣本內都表現出分化的特征;中國與歐元區在2009年以后金融周期開始分化;中國與日本在2012年以后出現了金融周期分化。與以往研究中主要關注全球金融周期趨同的大趨勢不同，本文的研究在理論和政策層面都提供了新的見解：在理論層面上，研究者在構建模型時應該關注我國金融市場與其他國家的差異;在政策層面上，政策制定者應該注意區分外部金融沖擊的類別，從而提高政策的針對性。

2 四個國家和地區金融狀況指數的構建

2.1 構建方法

金融狀況指數首先由Goodhart和Hofmann[13～15]提出，他們使用短期利率、匯率、股票價格和房地產價格這四個變量的加權平均構建了金融狀況指數。但是，這四個變量并不能完全反映金融市場的整體狀況，諸如貨幣供應量、債券價格、信貸規模等變量也能影響金融市場的運行。所以，本文在構建金融狀況指數時面臨的首要問題是合理地在眾多金融變量中進行選擇，為了避免先入為主，本文使用DMA方法綜合不同模型的信息。

動態性是經濟系統的重要特征。國內的研究多數采用常系數線性模型來構建金融狀況指數，但常系數線性方法不足以充分體現經濟系統的時變性質。為了充分體現動態性對于構建金融狀況指數的重要性，本文使用了TVP-SV-FAVAR模型。

記Xt為候選數據集，它總共包含了N個候選金融變量。假設模型需要在N個候選金融變量中進行選擇，根據不同的變量組合，總共可以得到J個不同的模型，記其中的第j個模型為Mj（j=1，…，J），則結合DMA方法的TVP-SV-FAVAR模型的設定如下

從上述模型設定中可以看出，對于N個候選金融變量，總共有J=2N-1個不同的模型。如果固定其中K個變量始終包含在金融狀況指數中，那么總共有J=2（N-K）個模型。

2.2 數據和金融狀況指數的構建結果

對于美國，本文直接使用芝加哥聯儲發布的美國全國金融狀況指數。對于中國，歐元區和日本，本文參考Goodhart和Hofmann[13～15]選擇了各自的短期利率、匯率、房地產價格和股票價格的代理指標，同時本文還納入了貨幣供應量、長期利率、信貸規模和風險相關的指標。Koop和Korobilis[10]認為金融狀況指數應該獨立于實體經濟的運行，從而只代表金融體系的狀態，所以本文還需要從金融變量中剔除掉實體經濟的信息。因此，對于歐元區和日本，本文選擇了他們的工業增加值、通貨膨脹率和失業率作為實體經濟的代表，然后從金融變量中剔除這些變量的影響;對于我國來說，由于失業率數據不夠完善，因此本文只選擇了工業增加值和通貨膨脹率作為實體經濟的代表，然后從金融變量中剔除掉這兩個變量的影響。

在金融數據的預處理方面，本文首先對數值較大的變量取對數，對具有明顯季節性因素的變量進行季節調整，然后參考Hatzius等[16]的做法，對所有金融變量使用HP濾波去除他們的趨勢性成分。對于實體經濟變量，本文則不做上述處理，以盡可能消除實體經濟變量的所有成分對于金融變量的影響。對于濾波后的金融變量和實體經濟變量，本文使用ADF檢驗和PP檢驗來驗證它們的平穩性，只有當兩個檢驗都顯示變量是平穩的，本文才認為它是平穩的。

本文的數據來源于Wind數據庫、中經網統計數據庫、OECD數據庫，美國的金融狀況指數來源于芝加哥聯儲網站。數據區間是1996年1月到2020年9月，因為從這個時期開始，我國的貨幣政策中介目標開始比較明確為以貨幣供應量為主，并持續至今，而1996年之前的中介目標是以依靠現金投放和信貸規模控制為主。并且從1996年1月開始，我國官方開始較為詳細地公布M0，M1，M2等貨幣量的月度數據，之前數據并不完整，很多年份只有年度數據。為了保持數據的一致性，外國的時間點的選擇與中國的同步。此外本文想要盡可能包含更多的數據，研究各國金融狀況指數在較長時間內的相互作用。在選擇的數據中部分數據存在缺失值，因此本文的數據集是非平衡的，Koop和Korobilis[10]的估計方法讓本文能夠處理這種非平衡數據，因此不會對估計結果造成太大的影響。對于月度數據，本文取它的月度平均值作為該變量的月度數據。

經過上述處理后的所有變量都是平穩的，符合進一步開展實證研究的要求。

模型通過標準化的技術，將所有金融狀況指數處理成均值為0、方差為1的變量，同時令金融狀況指數上升表示金融狀況改善，金融狀況指數下降表示金融狀況惡化。根據本文的實證結果，在2008年爆發全球金融危機期間，四個金融狀況指數都處于最低點，這說明本文構建的金融狀況指數反映了重大的國際金融事件。同時也可以發現，中國的金融狀況指數與其他國家和地區的金融狀況指數存在一些差異，這說明我國的金融體系除了受到全球金融周期的影響以外，還具有自身獨有的特點。

3 外部金融沖擊對中國金融狀況的影響

3.1 實證模型

為了研究外部金融沖擊對我國金融狀況的時變影響，本文使用了TVP-SV-VAR模型，它最早由Primiceri[17]提出，其最大的特點是模型的參數和協方差矩陣都具有時變特征。一個p階的TVP-SV-VAR模型的設定如下

本文采用Del Negro和Primiceri[18]提供的估計方法來估計上述模型。

3.2 實證結果

本文使用AIC準則、BIC準則和SC準則確定模型的最佳滯后期為2階，模型的先驗分布的設定參考Nakajima[19]。TVP-SV-VAR可以對樣本區間內的每一個時間點都給出其脈沖響應函數，因此實證研究中通常給出兩種脈沖響應函數。第一種是時點脈沖響應函數，它與傳統脈沖響應函數類似;第二種是等間隔脈沖響應函數，它的縱軸是脈沖響應值，橫軸則是每個時間點，反映的是全樣本時間段內不同滯后期的脈沖響應函數的特征。由于金融沖擊在正常時期和危機時期有不同的表現，它在危機時期會加劇經濟的波動[20]。在繪制時點脈沖響應函數時，模型區分了正常時期和危機時期，以此探究外部金融沖擊在兩個不同時期對中國金融狀況的影響。對于危機時期，本文選擇了1998年1月、2009年1月和2020年3月三個時間點，分別表示亞洲金融危機、次貸危機和新冠疫情造成的全球經濟衰退。對于正常時期，本文選擇了2002年1月、2015年1月和2019年1月三個時間點。

在全球化的背景下，兩國之間的金融狀況存在相互的影響。因此，在利用脈沖響應函數分析兩個國家之間金融周期的關系之前，必須闡明一個關鍵問題：只從一個方向上分析某個國家的金融沖擊對另外一個國家的金融狀況的影響，是無法說明兩者金融周期之間的關系的，必須進行雙向分析才能得出最終的結論。例如，如果發現國家A的正向金融沖擊對國家B的金融狀況有負面影響，是不能從這一發現中得出“A，B兩國金融周期分化”的結論，這是因為兩國之間的金融狀況存在相互的影響;如果B國的正向金融沖擊對A國金融狀況有正面影響，那么就需要比較這兩種效應之間的大小，才能確定兩國之間互相影響的總效應。本文將這一關系歸納在表1中，在后面的分析中，本文將始終遵循表1的框架來歸納最終的結論。

首先分析中美兩國金融周期之間的關系。圖1給出了一個標準差的正向金融沖擊下我國金融狀況指數的脈沖響應函數，在正向金融沖擊下，美國的金融狀況將會改善。

從危機時期的時點脈沖響應函數中可以看到，美國金融狀況的改善在剛剛開始的階段也會使得我國的金融狀況得到改善。在亞洲金融危機期間，美國金融狀況的改善對中國金融狀況的正面影響持續了大約6個月;而在次貸危機和新冠疫情期間，這種效應則持續了大約4個月。但是從長期來看，美國金融狀況的改善反而會造成我國金融狀況指數的惡化，且這種不利影響持續的時間很長，在24個月之后仍然沒有消失。在亞洲金融危機期間，美國金融沖擊對我國的長期不利影響較小，但是在次貸危機和新冠疫情期間，美國金融沖擊對我國的長期不利影響則很大，且次貸危機期間的影響程度大于新冠疫情期間。這一結論也能在正常時期的時點脈沖響應函數中得到印證，正常時期的時點脈沖響應函數的反應方式與危機時期類似，不同的是美國金融狀況的改善對我國沖擊的程度相差不大。

從等間隔脈沖響應函數中，可以更加清晰地看出正向的美國金融沖擊下我國金融狀況指數的時變反應。在整個樣本期間，向前1期的脈沖響應函數都是正值。在2004年以前，向前6期、向前12期和向前18期的脈沖響應值都較小，這說明美國的金融沖擊對我國的長期不利影響較小。2004年之后，這種長期不利影響則迅速增大，在次貸危機期間，美國金融沖擊對中國的長期不利影響達到最大值，次貸危機結束至今，這種長期不利影響的程度則比較穩定。

為了全面分析中美兩國金融周期的相互作用，本文還需要討論中國的金融沖擊對美國的影響，因此本文在圖2繪制了正向的中國金融沖擊對美國金融狀況的脈沖響應函數。在正向金融沖擊下，我國的金融狀況正開始改善。從時點脈沖響應函數中可以看到，無論是正常時期還是危機時期，中國金融狀況的改善都會使得美國的金融狀況惡化，區別在于不同時間點的反應程度有所不同。從等間隔脈沖響應函數的圖像中可以發現，在大約2010年以前，中國的正向金融沖擊對于美國金融狀況的不利影響逐漸減小，而2010年以后，中國的正向金融沖擊對美國金融狀況的短期不利影響很小，但是長期不利影響則逐漸擴大。

結合對圖1和圖2的分析可以發現，短期內，美國的正向金融沖擊使得中國金融狀況改善，但長遠看來，兩國的正向金融沖擊對另一方都有不利的影響。因此，遵循在表1中的分析，本文認為中美兩國在整個樣本區間內都存在金融周期“長期分化”的特征。

圖1和圖2分析了中美兩國金融周期之間的聯系，類似地也可以用脈沖響應函數對中國與歐元區的金融周期之間的聯系、中國與日本的金融周期之間的聯系展開分析。限于篇幅，本文不再將脈沖響應函數圖進行羅列，只將主要結果給予簡要陳述。

關于中國與歐元區金融周期之間的聯系，脈沖響應函數圖像表明：在2009年以前，由于歐元區的金融沖擊對中國的金融狀況存在負面影響，而中國的金融沖擊對歐元區的金融狀況存在正面影響，因此結合表1中的結論，還不能判斷2009年之前兩個國家或地區之間金融周期的關系。而在2009年之后，中國和歐元區的金融沖擊對另一方都有負面效應，因此根據表1本文認為在2009年之后，中國和歐元區的金融周期出現了分化。

關于中國與日本的金融周期之間的聯系，脈沖響應函數圖像表明：在2000年以前，正向的日本金融沖擊對中國的金融狀況指數幾乎沒有影響，所有期限的脈沖響應值都接近于0，在2000年之后則對中國的金融狀況指數有負面的影響;正向的中國金融沖擊在2012年之前對日本的金融狀況指數有正面的影響，但是在2012年之后對日本的金融狀況指數有負面的影響。因此，在2012年之后，中國和日本的金融周期開始出現分化的特征。

3.3 對實證結果的進一步討論

基于大樣本的跨國研究通常發現各國之間的金融周期有趨同的趨勢[1，2]，而本文的結論與之有明顯的差異，這提示研究者在關注金融周期趨同的大趨勢之外，還應該關注我國自身的獨特性。實際上，在次貸危機之后，我國在金融市場的發展方面與美、歐、日三個國家和地區之間存在明顯的差異。

在次貸危機期間，美國啟動了以量化寬松為主的非常規貨幣政策，雖然這一非常規貨幣政策在2015年1月暫時退出了，但是美聯儲在本次新冠疫情爆發前夕就已經開始討論降息的可能性，新冠疫情正式在美國爆發后則一次性將聯邦基金利率降到了0，同時重啟無限期的量化寬松。因此，在次貸危機之后，中美金融周期分化也是合情合理的。出乎本文意料的是，在整個樣本區間內兩國的金融周期都表現出分化的特征，對于這一現象背后的原因需要研究者在未來的研究中繼續深入探討。

2009年之后，歐元區深受次貸危機和歐洲主權債務危機的影響，同樣啟動了大規模資產購買計劃，新冠疫情在歐洲蔓延之后，歐洲央行啟動了“疫情緊急購債計劃”和定向長期再融資便利，這些操作實際上與美國的量化寬松并無本質差別，同時，歐元區至今仍然維持著負利率政策。2012年安倍政府上臺后，日本在“安倍經濟學”的指導下，由其中央銀行背書，日本的金融市場進入了大寬松的時代，在2016年成為亞洲第一個實施負利率政策的國家，其負利率政策同樣維持到了現在。與歐元區和日本相比，雖然我國的危機應對政策造成了金融市場的一些波動，但是總體上保持了平穩發展的態勢，我國始終沒有采用無限量量化寬松的做法，利率水平也穩定在較為合適的水平，貨幣供應量的增長速度也沒有出現大幅波動。由此看來，我國與歐元區在2009年之后、與日本在2012年之后的金融周期出現分化并不是意料之外的事情。

4 結論與建議

本文首先利用TVP-SV-FAVAR模型和動態模型平均法，基于1996年1月到2020年9月的月度數據，度量了中國、歐元區和日本的金融狀況指數，將這三個金融狀況指數和美國芝加哥聯儲發布的美國金融狀況指數結合起來，利用這四個金融狀況指數建立了一個四變量的TVP-SV-VAR模型，以此研究了我國金融周期與其他三個國家和地區金融周期之間的關系。發現我國的金融周期與美國、歐元區和日本之間都存在時變特征，但又有所不同。本文發現：（1）從總體上來看，中國和美國的金融周期在整個樣本區間內都表現出分化的特征。（2）在2009年之前，中國和歐元區金融周期的關系不明確，而在2009年之后，中國與歐元區的金融周期開始具有分化的特征。（3）在2012年以前中國與日本金融周期的關系不明確，而在2012年之后，中國和日本的金融周期開始出現分化的特征。

本文的結論具有一定的理論價值。Borio[9]指出，在次貸危機之后將金融市場納入到宏觀經濟模型中已經成為理論研究中亟待解決的問題，他認為在使用模型刻畫金融市場的特征時，首先需要進行足夠的實證研究，明確金融市場、金融周期與實體經濟周期之間的關系。本文的研究表明，我國金融市場的狀態和金融周期的演變與世界其他主要國家之間存在明顯的差異，在使用理論模型分析外部沖擊與我國金融市場的關系時必須要考慮這些差異。不假思索地假設我國金融市場與其他金融市場之間存在對稱性，雖然能夠大大簡化模型求解的難度，但是得出的結論極有可能存在偏誤。

同時，本文的結論也具有政策價值。由于次貸危機之后我國與美、歐、日的金融周期出現了分化，因此在面對外部金融沖擊時，政策制定者應該首先仔細區分沖擊的類別。正向的外部金融沖擊對于我國來說并不一定是好的，外國金融狀況的改善可能通過資本外流、匯率變化以及利差變化等渠道對我國金融市場造成損害。因此，在當前外部環境高度不確定、金融市場風險點增多的情況下，可以通過加強跨境資本宏觀審慎管理、加強匯率管理等手段應對外部金融沖擊。

參 考 文 獻：

[1]Claessens S， Kose M A， Terrones M E. How do business and financial cycles interact[J]. Journal of International Economics， 2012， 87（1）： 178-190.

[2]Rey H. Dilemma not trilemma： the global financial cycle and monetary policy independence[R]. NBER Working Papers NO.21162， 2015.

[3]Passari E， Rey H. Financial flows and the international monetary system[J]. The Economic Journal， 2015， 125（584）： 675-698.

[4]安蕾，戴金平.金融周期是否存在全球趨同性？：基于β收斂和兩級潛在因子模型的證據[J].世界經濟研究，2020，（8）：31-41，135-136.

[5]鄧創，徐曼.中美金融周期的協動性及其傳導途徑分析[J].世界經濟研究，2015，（11）：12-20，127.

[6]陳曉莉，張方華.中國與東亞、東南亞國家和地區金融周期趨同性研究[J].國際金融研究，2017，（11）：3-12.

[7]陳曉莉，劉曉宇.全球金融周期波動對中國經濟的溢出效應研究[J].國際金融研究，2019，（11）：57-67.

[8]鄧創，徐曼.中美金融周期波動的溢出效應與傳導機制研究[J].當代財經，2019，（10）：60-72.

[9]Borio C. The financial cycle and macroeconomics： what have we learnt[J]. Journal of Banking & Finance， 2014， 45： 182-198.

[10]Koop G， Korobilis D. A new index of financial conditions[J]. European Economic Review， 2014， 71： 101-116.

[11]陳守東，孫彥林，劉洋.中國金融周期與景氣循環研究[J].數量經濟研究，2016，7（1）：15-27.

[12]馬勇，張靖嵐，陳雨露.金融周期與貨幣政策[J].金融研究，2017，（3）：33-53.

[13]Goodhart C， Hofmann B. Financial variables and the conduct of monetary policy[R]. Sveriges Riksbank Working Paper Series， NO.112， 2000.

[14]Goodhart C， Hofmann B. Asset prices， financial conditions， and the transmission of monetary policy[J]. Proceedings， 2001， 114（2）： 198-230.

[15]Goodhart C， Hofmann B. Asset prices and the conduct of monetary policy[A]. In Baum C F， ed. Royal Economic Society Annual Conference 2002[C]. Royal Economic Society， 2002.1-20.

[16]Hatzius J， Hooper P， Mishkin F S， et al.. Financial conditions indexes： a fresh look after the financial crisis[R]. NBER Working Paper No.16150， 2010.

[17]Primiceri G E. Time-varying structural vector autoregressions and monetary policy[J]. Review of Economic Studies， 2005， 72（3）： 821-852.

[18]Del Negro M， Primiceri G E. Time-varying structural vector autoregressions and monetary policy： a corrigendum[J]. Review of Economic Studies， 2015， 82（4）： 1342-1345.

[19]Nakajima J. Time-varying parameter VAR model with stochastic volatility： an overview of methodology and empirical applications[R]. Institute for Monetary and Economic Studies， Bank of Japan， 2011.107-142.

[20]Brunnermeier M K， Sannikov Y. A macroeconomic model with a financial sector[J]. American Economic Review， 2014， 104（2）： 379-421.