中國金融狀況指數(shù)構(gòu)建及其在通脹中的應(yīng)用

(1.安徽大學(xué) 經(jīng)濟(jì)學(xué)院,安徽 合肥 230601; 2.安徽財經(jīng)大學(xué) 金融學(xué)院,安徽 蚌埠 233030；3.安徽財經(jīng)大學(xué) 國際經(jīng)濟(jì)貿(mào)易學(xué)院,安徽 蚌埠 233030)

一、引言

長期以來，貨幣政策制定目標(biāo)往往追逐經(jīng)濟(jì)增長和物價穩(wěn)定等總量型指標(biāo)，卻未必能考量金融系統(tǒng)運行情況，造成資產(chǎn)價格非理性波動以及物價水平與資產(chǎn)價格非同步現(xiàn)象的出現(xiàn)。譬如，央行運用一系列政策工具增加貨幣投放來刺激經(jīng)濟(jì)，若新增的貨幣沒有進(jìn)入實體經(jīng)濟(jì)，短期內(nèi)容易造成低通脹和高金融資產(chǎn)并存的現(xiàn)象[1]。特別是經(jīng)濟(jì)面臨衰退時，資產(chǎn)價格由原先上漲趨勢變?yōu)橹苯涌焖傧陆?，迫使持有相?yīng)資產(chǎn)的金融機(jī)構(gòu)確認(rèn)大幅減值 損失。這種金融系統(tǒng)的順周期性使整個經(jīng)濟(jì)體系極易面臨風(fēng)險，給實體經(jīng)濟(jì)發(fā)展造成巨大威脅。因此，尋求描述金融系統(tǒng)真實運行狀況的指標(biāo)，并納入貨幣政策框架，意味著將金融穩(wěn)定、物價穩(wěn)定共同參與貨幣政策制定和執(zhí)行框架中，有助于更好貫徹黨的十九大精神，提高金融服務(wù)實體經(jīng)濟(jì)能力，以防范系統(tǒng)性金融風(fēng)險。

金融狀況指數(shù)(Financial Condition Index，F(xiàn)CI)本身作為反映一國金融狀況松緊程度的綜合性指標(biāo)，可以看做金融市場健康的晴雨表，并可以被用來衡量和預(yù)測實體經(jīng)濟(jì)發(fā)展水平。最初學(xué)者們通過一系列金融指標(biāo)變量綜合構(gòu)造出了貨幣條件指數(shù)(Monetary Condition Index，MCI)，

隨后進(jìn)一步演化為FCI。由于具有將包含很多經(jīng)濟(jì)信息的多維指標(biāo)綜合為單一指標(biāo)的優(yōu)勢，可以作為重要的政策指示器。從2008年美國次貸危機(jī)及隨后的金融危機(jī)爆發(fā)后，伴隨著房地產(chǎn)市場泡沫和經(jīng)濟(jì)嚴(yán)重衰退，這場危機(jī)考察了金融部門的“溫度”。很多外國央行(美聯(lián)儲、加拿大銀行、德意志銀行和OECD等)和金融機(jī)構(gòu)(高盛、彭博社等)都開始密切監(jiān)控金融形勢指數(shù)FCI。具體而言，代表性的金融狀態(tài)指數(shù)有圣路易斯聯(lián)儲金融壓力指數(shù)(STLFSI)，芝加哥聯(lián)儲國家金融狀況指數(shù)(CNFCI)，彭博金融狀況指數(shù)(BFCI)，堪薩斯城金融壓力指數(shù)(KCFSI)，高盛財務(wù)狀況指數(shù)(GSFCI)和芝加哥期權(quán)交易所CBOE波動率指數(shù)(VIX)。各國央行通過匯總短期國債利率、長期國債利率、信用利差、美元外匯價值和股票價格等指標(biāo)構(gòu)造FCI指數(shù)，希望通過其數(shù)據(jù)衡量金融壓力和預(yù)測經(jīng)濟(jì)。面對2013年6月我國出現(xiàn)的銀行錢荒現(xiàn)象，中國人民銀行著手探索基于日度數(shù)據(jù)編制了中國的實時FCI指數(shù)。然而，這僅僅是探索階段，數(shù)據(jù)尚未完全公開。FCI本身就是個相對指標(biāo)，不同的機(jī)構(gòu)和學(xué)者因采取不同指標(biāo)和不同方法構(gòu)造出的結(jié)果往往是不同的。國內(nèi)外大多數(shù)學(xué)者選擇包含利率、匯率、房地產(chǎn)價格、股價等資產(chǎn)價格的變量構(gòu)成FCI指數(shù)，變量選擇上相對單一?？梢钥隙ǖ氖?，F(xiàn)CI指數(shù)構(gòu)建過程中，變量選擇上應(yīng)注重宏觀指標(biāo)變量選擇的廣泛性和代表性，構(gòu)建方法上應(yīng)滿足不同時間段選擇不同指標(biāo)變量的特殊需要。

鑒于我國沒有官方公布FCI數(shù)據(jù)，本文試圖在已有文獻(xiàn)研究的基礎(chǔ)上，解決如下兩個問題：第一，如何增強FCI對基本宏觀面的信息囊括能力，提煉和估計FCI模型的系數(shù)及權(quán)重，從而有效構(gòu)建的FCI指數(shù)使得客觀描述金融系統(tǒng)運行狀況。第二，自2015年以來，經(jīng)過一系列市場波動的陣痛后，中國金融市場伴隨著結(jié)構(gòu)性變化。這種結(jié)構(gòu)性變化是否導(dǎo)致FCI預(yù)測通脹的影響表現(xiàn)出時變和動態(tài)特征？解決上述兩個問題對我國宏觀經(jīng)濟(jì)形勢、物價水平做出前瞻性預(yù)測具有重要理論與實踐意義?；谝陨峡紤]，本文選擇2003年1月至2017年10月的20個宏觀經(jīng)濟(jì)變量數(shù)據(jù)構(gòu)建的FCI指標(biāo)，利用動態(tài)模型平均方法(DMA)構(gòu)建含有時變系數(shù)和隨機(jī)波動率的因子増廣向量自回歸模型(TVP-FAVAR)，計算出我國FCI指數(shù)，克服傳統(tǒng)方法存在的經(jīng)濟(jì)信息含量少、固定權(quán)重和缺乏經(jīng)濟(jì)結(jié)構(gòu)性變化等限制，從而增強了FCI的時效性。利用新的FCI指數(shù)有助于對宏觀經(jīng)濟(jì)形勢、物價水平作出前瞻性預(yù)測，提高金融服務(wù)實體經(jīng)濟(jì)能力，變被動監(jiān)測為主動防范化解系統(tǒng)性金融風(fēng)險。

二、文獻(xiàn)綜述

最早金融狀況指數(shù)是起源于19世紀(jì)90年代，加拿大銀行用再融資利率和匯率構(gòu)造出貨幣狀況指數(shù)(MCI)，進(jìn)行長期監(jiān)測。MCI在加拿大銀行的成功運用促使瑞典、新西蘭和澳大利亞等央行相繼效仿，將MCI作為貨幣政策操作目標(biāo)之一。國際貨幣資金組織(IMF)在1996年公布了美國、英國、法國、德國、意大利、日本共6個國家的MCI。但MCI選取指標(biāo)過少，將其作為貨幣政策操作目標(biāo)的做法存在一定的缺陷，因此，對MCI指數(shù)的進(jìn)一步推廣和改進(jìn)，通過選取更多更廣的指標(biāo)范圍的FCI得以演化而來。Mayes和Viren(2001)[2]總結(jié)了高盛等機(jī)構(gòu)關(guān)于FCI應(yīng)用的實際經(jīng)驗，建議對FCI進(jìn)行監(jiān)測預(yù)測經(jīng)濟(jì)發(fā)展水平。在此之后，有關(guān)FCI的研究主要沿著兩個維度進(jìn)行展開：(1)FCI具體指標(biāo)選取。國內(nèi)外學(xué)者大多基于樣本國家的實際情況，根據(jù)FCI理論構(gòu)造基礎(chǔ)以及目的的不同，選擇相對有限的經(jīng)濟(jì)指標(biāo)來測算FCI。Goodhart和Holfmann(2001)[3]最早采用短期利率、房地產(chǎn)價格、股票價格和實際匯率四個變量作為指標(biāo)，利用總需求方程分別計算西方七國的FCI，并指出FCI在樣本內(nèi)對通脹率有良好的預(yù)測效果。卜永祥、周晴(2004)[4]拓展了MCI定義，將貨幣信貸增速的指標(biāo)信息引入MCI的測算。Boivin等(2009)[5]從貨幣傳遞機(jī)制角度將指標(biāo)分為新古典和非新古典兩大類，綜合選擇利率、股票價格、收益率以及借貸者風(fēng)險等金融變量指標(biāo)加權(quán)構(gòu)造出FCI。巴曙松、韓明睿(2011)[6]考慮到銀行信貸控制在我國貨幣政策中的重要作用，因此將信貸總量放進(jìn)FCI指數(shù)的構(gòu)建中，研究結(jié)果表明包含信貸總量的FCI對通脹的預(yù)測更佳。(2)FCI構(gòu)建的計量方法。計量方法很多，最終合成方法大多采用對少數(shù)金融變量的簡單加權(quán)平均值而獲得，權(quán)重選取方法依據(jù)基于每個變量對實際GDP的影響大小進(jìn)行估值。常用方法有三類，一是基于向量自回歸模型(VAR)、VECM、SVAR計算得到的脈沖響應(yīng)值為權(quán)重。Swiston(2008)[7]利用VAR脈沖響應(yīng)分析得到美國的FCI指數(shù)，并證明其對產(chǎn)出具有半年的預(yù)測效果。Beaton、Lalonde和Luu(2009)[8]選用了商業(yè)票據(jù)利率、商業(yè)貸款利差、消費貸款標(biāo)準(zhǔn)和金融資產(chǎn)，通過結(jié)構(gòu)VECM模型產(chǎn)生的脈沖響應(yīng)值為權(quán)重計算出FCI。二是基于總需求方程縮減式為主的單方程系數(shù)和顯著程度來確定權(quán)重。Mayes和Virén(2001)[9]利用IS曲線的總需求方程縮減式，結(jié)合了房地產(chǎn)價格和股票價格等資產(chǎn)價格的日頻數(shù)據(jù)計算FCI，結(jié)果顯示構(gòu)造出的新的FCI能夠更好的預(yù)測通脹情況。Montagnoli和Napolitano(2004)[10]利用狀態(tài)空間模型及卡爾曼濾波算法構(gòu)造具有動態(tài)權(quán)重的FCI數(shù)據(jù)。卞志村、孫慧智和曹媛媛(2012)[11]則利用狀態(tài)空間模型對中國數(shù)據(jù)構(gòu)建了時變的金融狀態(tài)指數(shù)，并得出FCI對未來產(chǎn)出和通脹具有良好的預(yù)測能力。三是利用降維思想進(jìn)行因子分析或者主成份分析獲得權(quán)重系數(shù)。為了吸收更多的金融變量參與FCI構(gòu)建，除了傳統(tǒng)的向量自回歸模型，學(xué)者們利用降維思想，采用因子分析和主成分方法對高維經(jīng)濟(jì)變量提取公共因子和主要成分作為FCI的構(gòu)造指標(biāo)，其權(quán)重則由原變量在共性因子或者主要成分中的比重所決定。English、Tsatsaronis和Zoli(2005)[12]選取了利率、匯率和金融資產(chǎn)價格等共50個金融變量指標(biāo)，利用主成分方法構(gòu)建了FCI。Hatzius等(2010)[13]選擇了45個金融指標(biāo)，如利率、商品價格指數(shù)和市場波動率等金融變量季度數(shù)據(jù)進(jìn)行簡單的主成分分析構(gòu)建FCI來反映未來經(jīng)濟(jì)信息。

隨著FCI研究的不斷深入，國內(nèi)外學(xué)者通過對不同國家的FCI數(shù)據(jù)預(yù)測未來經(jīng)濟(jì)形勢，特別是關(guān)注物價水平的預(yù)測。針對FCI預(yù)測通脹的方法上，主要集中與建立循環(huán)方程式、隨機(jī)游走模型為基礎(chǔ)的預(yù)測模型。Goodhart和Holfmann(2001)[3]利用總需求縮減式對12個國家的FCI和通脹方程式進(jìn)行比較，發(fā)現(xiàn)房價比股票價格更能夠預(yù)測通脹。Tkacz和Wilkins(2006)[14]利用加拿大的數(shù)據(jù)，得出的房價指標(biāo)參與的FCI相比股價參與的FCI更容易預(yù)測未來產(chǎn)出和通脹水平。Thompson等(2015)[15]采用主成分分析法和卡爾曼濾波法兩種方法建立了南非的FCI指數(shù)，成功預(yù)測出南非未來經(jīng)濟(jì)的增速減緩。封北麟、王貴民(2006)[16]根據(jù)我國實際經(jīng)濟(jì)情況，選擇實際房地產(chǎn)價格指數(shù)、實際股票價格指數(shù)以及實際貨幣供應(yīng)量等指標(biāo)，利用VAR脈沖響應(yīng)系數(shù)來確定各指標(biāo)的權(quán)重構(gòu)建FCI指數(shù)。結(jié)果發(fā)現(xiàn)，包含上述指標(biāo)的FCI對通貨膨脹具有更好的預(yù)測能力。封思賢等(2012)[1]利用廣義脈沖響應(yīng)函數(shù)計算我國FCI指數(shù)，實證分析得到FCI具有對通脹未來趨勢的預(yù)測能力。并對不同狀態(tài)下的通脹預(yù)測效果進(jìn)行比較。許滌龍，歐陽勝銀(2014)[17]構(gòu)建可變參數(shù)特征的狀態(tài)空間模型，得出FCI波動特征能夠協(xié)調(diào)樣本期內(nèi)宏觀經(jīng)濟(jì)金融的整體平穩(wěn)形勢。

總體看來，國內(nèi)外學(xué)者構(gòu)建和應(yīng)用FCI存在以下三點不足：第一，F(xiàn)CI模型變量選擇上，一般包含反應(yīng)利率、匯率、資產(chǎn)價格的少數(shù)變量，這樣容易弱化FCI對基本宏觀面的信息囊括能力，不利于對宏觀經(jīng)濟(jì)形勢、物價水平作出前瞻性預(yù)測。第二，F(xiàn)CI模型的系數(shù)及權(quán)重基本采用靜態(tài)或者簡單動態(tài)形式，而事實上FCI需要依賴于宏觀經(jīng)濟(jì)變量真實數(shù)據(jù)而提煉出來，因此系數(shù)和權(quán)重應(yīng)該由數(shù)據(jù)本身估計出來的，而不是人為假定。第三，不同時期的經(jīng)濟(jì)結(jié)構(gòu)有所差異，考慮到我國經(jīng)濟(jì)仍然處于結(jié)構(gòu)性變化調(diào)整過關(guān)期，F(xiàn)CI作為金融市場健康的晴雨表，應(yīng)當(dāng)表現(xiàn)出領(lǐng)先通脹的非線性時變預(yù)期能力。有鑒于此，本文參考了Koop和Korobilis(2013)[18]的處理方法，抽取大量宏觀經(jīng)濟(jì)指信息，利用動態(tài)平均方法(DMA)結(jié)合時變模型來構(gòu)造FCI。時變模型增強了對宏觀經(jīng)濟(jì)變量的信息囊括能力，體現(xiàn)了系數(shù)和負(fù)載矩陣不同時期的隨機(jī)性。結(jié)合DMA方法對時變模型進(jìn)行優(yōu)化處理，允許不同時間段選擇不同指標(biāo)變量，從而保證了FCI時效性。隨后，本文采用馬爾科夫區(qū)制轉(zhuǎn)移向量自回歸模型(MSVAR)分析新的FCI指數(shù)和未來期的通脹之間的兩區(qū)制效應(yīng)，驗證新FCI指數(shù)短期內(nèi)具有明顯領(lǐng)先通脹的非線性時變預(yù)期能力。此結(jié)論將有助于準(zhǔn)確反應(yīng)通脹預(yù)期，有效降低通脹風(fēng)險，提高貨幣政策實施效果。

三、FCI指數(shù)預(yù)測通脹的機(jī)理分析

Goodhart和Hofmann(2001)[3]最早利用利率、匯率和股價等金融信息構(gòu)建FCI指數(shù)，用于刻畫金融市場的健康狀況以及預(yù)測未來通脹水平。從理論上分析，F(xiàn)CI指數(shù)主要通過利率、信貸、資產(chǎn)價格和匯率等途徑綜合影響通脹趨勢，體現(xiàn)了金融體系向?qū)嶓w經(jīng)濟(jì)傳導(dǎo)路徑。

根據(jù)凱恩斯理論，在金融市場完善條件下，貨幣當(dāng)局通過利率渠道影響通脹水平。假設(shè)央行實施降低名義利率的擴(kuò)展性貨幣政策，從而降低短期的實際利率。根據(jù)利率期限結(jié)構(gòu)理論，長期利率是未來短期利率預(yù)期的平均，降低短期利率會影響到長期真實利率變化。通過長期利率降低進(jìn)而造成企業(yè)投資成本減少，投資需求增加，最終會導(dǎo)致通脹水平增長。同時，通過長期利率降低也會造成居民儲蓄減少，個人投資和消費支出的增加，最終也會導(dǎo)致通脹水平的提高。傳統(tǒng)利率渠道能夠發(fā)揮作用的前提是金融市場完善條件下，各種金融資產(chǎn)可以進(jìn)行相互替代。因此，利率對通脹的調(diào)控效果在市場化程度較高的發(fā)達(dá)國家相對明顯。根據(jù)利率傳導(dǎo)過程可以看出，利率在整個經(jīng)濟(jì)運行過程中賦予重要中介傳遞作用，是影響通脹水平的重要金融變量。

然而，事實上不存在金融市場是完善的，信息不對稱會導(dǎo)致逆向選擇和道德風(fēng)險的出現(xiàn)。因此，根據(jù)Stiglitz和Weiss(1981)[19]提出信貸傳導(dǎo)渠道理論，貨幣政策可以通過信貸傳導(dǎo)影響通脹水平。央行運用法定存款準(zhǔn)備金、再貼現(xiàn)及公開市場操作等貨幣政策工具調(diào)節(jié)貨幣總量，改變金融機(jī)構(gòu)的信貸規(guī)模，造成依賴于銀行貸款的企業(yè)投資和個人耐用品消費等需求的變化，從而促使通脹水平產(chǎn)生變化。根據(jù)信貸傳導(dǎo)渠道可以看出，貨幣供應(yīng)量是影響通脹水平的重要金融變量。

除了利率和信貸傳統(tǒng)渠道影響通脹水平外，貨幣政策還可以通過對不同資產(chǎn)價格渠道影響通脹水平。這里僅以股市和房地產(chǎn)市場為例展開分析。理論上，基于股市的傳導(dǎo)機(jī)制主要表現(xiàn)以下幾個方面：(1)根據(jù)托賓Q理論，股價與投資支出存在內(nèi)在聯(lián)系。當(dāng)股價上漲，使得企業(yè)市值與資本重置成本的比值(Q值)增高，刺激更多企業(yè)增加投資支出從而帶動社會總需求擴(kuò)張和價格水平上漲。(2)基于信貸觀點的資產(chǎn)負(fù)債表效應(yīng)，當(dāng)股價上漲，企業(yè)凈市值隨之增加，使得企業(yè)面臨的道德風(fēng)險減少，從而促使金融機(jī)構(gòu)放貸數(shù)量增多和企業(yè)投資支出的增加，最終也會影響通脹水平。(3)從資產(chǎn)流動性角度考慮居民資產(chǎn)負(fù)債情況，股價上升時，居民擁有的流動性強的金融資產(chǎn)價值也隨之上漲。居民預(yù)期未來不確定性的概率減小，從而通過其消費意愿促使耐用品的消費支出增多，最終促進(jìn)價格水平上漲。(4)從居民的財富效應(yīng)分析，當(dāng)股票價格上漲，居民的金融財富價值上升，從而增加了居民的終身財富，并促使消費者的消費需求上升和物價水平上漲。范小云等(2011)[20]認(rèn)為，股票價格波動所引起的估值效應(yīng)會直接造成外部財富和通脹水平的變化。同樣，基于房地產(chǎn)市場的傳導(dǎo)機(jī)制主要表現(xiàn)為兩方面，這里以房價上漲為例進(jìn)行分析：(1)當(dāng)房價上漲，房地產(chǎn)價格與其重置成本比值Q值增加，從而刺激房地產(chǎn)企業(yè)投資支出，最終表現(xiàn)為物價上漲。(2)當(dāng)房價上漲，消費者擁有的房屋價值提高，從而使消費者的終身財富和消費支出增加，最終也表現(xiàn)為物價水平上漲。鄧健、張玉新(2011)[21]通過研究房價波動對居民消費的影響機(jī)制得出房產(chǎn)的價格波動會直接影響居民消費水平。根據(jù)資產(chǎn)價格傳導(dǎo)渠道可以看出，股票價格和房地產(chǎn)價格等資產(chǎn)價格是影響通脹水平的重要金融變量。

隨著我國進(jìn)一步推行完善匯率制度的舉措，基于匯率效應(yīng)影響通脹的渠道也表現(xiàn)為多方面，產(chǎn)生的結(jié)果也有所不同。這里以人民幣升值為例進(jìn)行分析，表現(xiàn)為：(1)人民幣升值會降低進(jìn)口成品和中間品價格，基于行業(yè)類的競爭和成本原因造成了國內(nèi)同類商品價格下跌。(2)滿足馬歇爾—勒納條件下，人民幣升值會削弱出口，一定程度會縮小我國現(xiàn)有的貿(mào)易順差。凈出口下降造成社會總需求減少，會負(fù)面影響物價水平，同時引起居民的收入和消費需求降低，物價水平也隨之下降。(3)人民幣升值會吸引境外資本流入，導(dǎo)致國內(nèi)貨幣供應(yīng)量增加，從而促使社會總需求增加和物價上漲。傅強等(2011)[22]分析了匯率對國內(nèi)進(jìn)口價格、生產(chǎn)者價格和消費者價格的傳遞效應(yīng)，提出匯率變動通過直接、間接渠道影響我國的通脹水平。因此，根據(jù)匯率傳導(dǎo)渠道看，匯率是影響通脹水平的重要變量。

從上述FCI指數(shù)影響通脹水平的傳導(dǎo)途徑看，F(xiàn)CI指數(shù)構(gòu)建依賴于利率、信貸、資產(chǎn)價格及匯率等因素的金融指標(biāo)。然而這些指標(biāo)并非單一，往往一個指標(biāo)涉及很多變量。比如大宗商品的期貨價格作為其中一類資產(chǎn)價格，本身就具有發(fā)現(xiàn)未來價格的功能，有必要納入到FCI指數(shù)的構(gòu)建中。高維度的金融變量參與FCI構(gòu)建，有助于增強其對基本宏觀面的信息囊括能力，使得FCI對通脹的預(yù)測效果更好。值得注意的是，F(xiàn)CI變化對通脹水平的影響往往不是即期的，是通過一系列的傳導(dǎo)路徑引起通脹水平的變化，即FCI指數(shù)對通脹水平存在一定時滯效應(yīng)。FCI影響和預(yù)測通脹的傳遞機(jī)理為我國推進(jìn)實時監(jiān)測FCI提供有力的理論支撐，進(jìn)一步確保了FCI用于通脹預(yù)期的可行性和有效性。

四、FCI指數(shù)的構(gòu)建

(一)時變模型構(gòu)建

本文選擇20個動態(tài)指標(biāo)，涉及資產(chǎn)價格變量、貨幣供應(yīng)量指標(biāo)以及融資規(guī)模等宏觀經(jīng)濟(jì)信息作為金融變量集xt進(jìn)入FCI構(gòu)造中，由于xt由20×1維宏觀經(jīng)濟(jì)變量構(gòu)成，因此可以對經(jīng)濟(jì)變量集構(gòu)造出J=220-1種組合形式參與FCI構(gòu)建，得到模型個模型Mj，j=1,2,…,J。當(dāng)固定j時，單一的模型是由量測方程和狀態(tài)方程兩部分展開

1. TVP-FAVAR模型的量測方程

(1)

2. TVP-FAVAR模型的p階滯后狀態(tài)方程

(2)

λt=λt-1+vt，βt=βt-1+ηt

且vt～N(0,Wt)，ηt～N(0,Rt)。

為了估計上述多變量時間序列模型中誤差協(xié)方差矩陣(Ht,Ωt,Wt,R)以及參數(shù)λt、βt，通常使用多變量隨機(jī)波動率模型。本文參照Cogley和Sargent(2005)[23]做法，使用指數(shù)加權(quán)移動平均的遞歸估計算法(EWMA)，并定義了衰減因子κ1，κ2和遺忘算子κ3，κ4。衰減因子和遺忘因子有著相同的解釋，比如衰減因子κ1，κ2值較低時表明與過去觀測值相比，近期t-1期估計得到的Ht和Ωt殘差平方占有較大權(quán)重。遺忘算子κ3，κ4則針對估計Wt和Rt。有關(guān)估計誤差協(xié)方差矩陣(Ht,Ωt,Wt,Rt)和參數(shù)的方法步驟如下：

首先，利用卡爾曼濾波方法對參數(shù)進(jìn)行遞歸估計

其次，引入衰減因子κ1，κ2，采用指數(shù)加權(quán)移動平均(EWMA)方法更新估計參數(shù)Ht，Ωt

Ht=κ1Ht-1+(1-κ1)etet′，

Ωt=κ2Ht-1+(1-κ2)u1ut′

最后，對于給定的Ht和Ωt，利用t時期信息和卡爾曼濾波方法，更新后得到最終參數(shù)λt、βt估計

利用上述條件分布，最終得到提前一步的預(yù)測值

(3)

(二)基于DMA方法的多模型選擇

上述是針對單一的模型Mj推導(dǎo)TVP-FAVAR模型構(gòu)建，由于選用固定經(jīng)濟(jì)變量構(gòu)造模型在一定程度上不能反映實際經(jīng)濟(jì)突變的狀況，因此下文引入邊際似然函數(shù)πt|t-1，j來表示已知t-1期信息條件下，在t期選擇模型Mj的概率。動態(tài)模型平均方法(DMA)就是利用邊際似然函數(shù)為權(quán)重，對所有可能的模型的預(yù)測值進(jìn)行加權(quán)平均。由于取值具有時變特征，根據(jù)上述假設(shè)總共有J個模型，假定每個模型對應(yīng)邊際概率的初始值π0|0,j(j=1,2,…，J)，Raftery等(2010)[24]運用類似卡爾曼濾波的遞歸算法，引入遺忘因子α(0<α≤1)，得到模型的預(yù)測方程和更新方程

(4)

(5)

(三)模型參數(shù)的先驗分布選擇

參考Koop和Korobilis(2013)[18]的做法，需要設(shè)置上述模型中的因子參數(shù)ft，狀態(tài)方程中的時變參數(shù)λt、βt和時變協(xié)方差矩陣Ht，Ωt的初始值f0，λ0，β0，H0和Ω0。同時需給定DMA方法中處理模型間互換而產(chǎn)生邊際概率初始值π0|0，j(j=1,2，…，J)。為此，這些初始條件分別為

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

其中，VMIN是明尼蘇達(dá)先驗分布(Minnesota prior)構(gòu)造的對角協(xié)方差矩陣。

對于Wt，Rt可以通過卡爾曼濾波器獲得各個狀態(tài)協(xié)方差矩陣估計，因而不需要初始化這兩類矩陣。最后對EWMA和DMA方法中涉及一些因子參數(shù)做初始化規(guī)定。根據(jù)Cogley和Sargent(2005)[23]提出的隨機(jī)波動率模型可知，一般認(rèn)為衰減因子κ∈(0.94，0.98)來控制協(xié)方差矩陣變化，本文選擇κ1=κ2=0.96。同時采用Cogley和Sargent(2005)[23]做法，定義遺忘算子κ3=κ4=0.99實現(xiàn)模型的隨機(jī)游走的緩慢變化過程。遺忘因子α決定了模型切換速度，本文賦值為0.99意味著實現(xiàn)了具有相對緩慢變化的動態(tài)模型平均(DMA)。

(四)指標(biāo)成分選擇和變量處理

依據(jù)上文分析得到FCI指數(shù)對通脹預(yù)期傳導(dǎo)機(jī)制，并對照Koop和Korobilis(2013)[18],張依茹等(2011)[25]和戴金平(2016)[26]的做法，本文構(gòu)建模型時選取如下三大類共計20個經(jīng)濟(jì)指標(biāo)變量作為模型中宏觀經(jīng)濟(jì)變量集：第一，利率和匯率變量xt，包括利率、匯率變量共計7個指標(biāo)。其中，利率指標(biāo)選取了各期銀行間同業(yè)拆借的月度加權(quán)平均利率，期限涉及到7天、30天和90天。匯率選擇了美元、歐元和日元兌人民幣中間價的月度平均數(shù)據(jù)以及人民幣實際有效匯率指數(shù)；第二，貨幣、信貸指標(biāo)，包括貨幣供應(yīng)量、信貸和國家儲備資產(chǎn)共計7個指標(biāo)變量。其中，貨幣供應(yīng)量選取M0、M1和M2貨幣量月同比數(shù)據(jù)來表示，這些指標(biāo)是央行通過信貸調(diào)節(jié)消費和投資需求的重要工具，也是調(diào)節(jié)物價的主要手段，體現(xiàn)了經(jīng)濟(jì)體下貨幣流動性。信貸收支方面選擇了社會融資規(guī)模增量、金融機(jī)構(gòu)人民幣存貸款比來表示；外匯儲備、黃金儲備代表了國家儲備資產(chǎn)情況。第三，資產(chǎn)價格變量，包括股票價格、房地產(chǎn)價格和期貨價格變量共計6個指標(biāo)。股票價格主要選取了上證綜合指數(shù)、深證成分指數(shù)和深交所月末平均市盈率，房地產(chǎn)價格指標(biāo)是以國房景氣指數(shù)為代理變量?？紤]到期貨市場具有發(fā)現(xiàn)價格的功能，其價格包含了對未來宏觀經(jīng)濟(jì)的預(yù)期信息，因此有必要將期貨價格信息納入FCI指數(shù)的構(gòu)建中。本文選擇全國期貨市場月成交金額和WTI原油期貨結(jié)算價作為商品期貨價格的代理變量。

考慮到產(chǎn)出對宏觀經(jīng)濟(jì)具有明顯的指示作用，通貨膨脹率的控制對金融穩(wěn)定起了重要作用，兩者皆是央行實施貨幣政策的主要目標(biāo)。同時，參考易曉溦等(2015)[27]文獻(xiàn)，從匯率風(fēng)險角度考查貨幣錯配水平。大規(guī)模的貨幣錯配對國家的金融穩(wěn)定、貨幣政策的有效性以及產(chǎn)出等宏觀指標(biāo)都造成很大沖擊，也是多數(shù)新興國家經(jīng)濟(jì)危機(jī)的直接原因。綜上考慮，本文選擇了產(chǎn)出、通貨膨脹率以及貨幣錯配三個指標(biāo)作為模型中可觀測的宏觀變量。由于數(shù)據(jù)一律采用月度數(shù)據(jù)，因而產(chǎn)出水平選取了規(guī)模以上工業(yè)增加值的同比數(shù)據(jù)代替原先規(guī)定的GDP數(shù)據(jù)。通貨膨脹率則是用居民消費價格指數(shù)CPI月度同比增長率表示。貨幣錯配率由凈外幣資產(chǎn)占總資產(chǎn)的比重決定，因而采用廣義貨幣供應(yīng)量M2與外匯儲備比值加工后得到。綜合考慮我國的經(jīng)濟(jì)情況以及數(shù)據(jù)可得性，所有數(shù)據(jù)的樣本區(qū)間來自2003年1月到2017年10月。以上相關(guān)數(shù)據(jù)均來源于Wind數(shù)據(jù)庫。

首先，數(shù)據(jù)進(jìn)行預(yù)處理。其中，利用X-12方法對xt涉及到的20個指標(biāo)數(shù)據(jù)消除季節(jié)性影響因素，并將獲得調(diào)整后的數(shù)據(jù)進(jìn)行ADF平穩(wěn)性檢驗。對非平穩(wěn)的數(shù)據(jù)采用不同方式如一階差分、二階差分、對數(shù)一階差分等獲得最終平穩(wěn)數(shù)據(jù)。這里構(gòu)造變量tcode表示轉(zhuǎn)換代碼，賦值1，2，3，4，5分別代表水平值，一階差分，二階差分，對數(shù)值和對數(shù)一階差分，具體結(jié)果如表1所示。最后，所有平穩(wěn)處理后的變量都進(jìn)行了標(biāo)準(zhǔn)化處理，變成均值為0，方差為1的時序列，以消除數(shù)據(jù)量綱不同造成的影響。

表1 涉及20個宏觀變量選擇和處理

(五)FCI指數(shù)構(gòu)建及分析

由TVP-FAVAR-DMA模型構(gòu)建可知，F(xiàn)CI數(shù)值以零為界限，大于零的時期表明金融形勢寬松，金融狀況整體發(fā)展良好；小于零則表示金融形勢趨緊，金融狀況存在下行壓力。使用MATLAB軟件編程，經(jīng)卡爾曼濾波器得到了中國2003年1月至2017年10月的FCI指數(shù)，如圖1所示。根據(jù)圖1可知，從2003年1月開始，F(xiàn)CI處于負(fù)值但明顯表現(xiàn)為上揚趨勢，并在同年9月轉(zhuǎn)負(fù)為正。這與當(dāng)時美元持續(xù)兩年下跌導(dǎo)致人民幣升值，促進(jìn)經(jīng)濟(jì)發(fā)展的環(huán)境相一致，表明當(dāng)時金融形勢良好。隨后2004年初FCI出現(xiàn)了轉(zhuǎn)折，數(shù)值一路下跌，直到2006年3月才從波谷中反彈。結(jié)合當(dāng)時情況，2004年國家宏觀調(diào)控對“經(jīng)濟(jì)過熱”采取“有保有壓”政策，造成了金融形勢相對趨緊。伴隨2006年下半年開始，中國股市迎來了期盼已久的牛市，F(xiàn)CI數(shù)值也隨及上揚，表示當(dāng)時我國金融形勢寬松，環(huán)境良好。然而，隨著2008年美國次貸危機(jī)進(jìn)一步蔓延，我國FCI值也由正轉(zhuǎn)為負(fù)值。中國政府審時度勢，立即采取了一系列擴(kuò)張性的貨幣政策和財政政策，實施“四萬億”等計劃措施刺激經(jīng)濟(jì)。因此，F(xiàn)CI隨即又開始上升態(tài)勢，金融形勢得到了明顯好轉(zhuǎn)，直到2009年12月FCI數(shù)值開始大于零。2012年達(dá)到小高峰后，有所波動回落，到2014年后的FCI數(shù)值持續(xù)表現(xiàn)為負(fù)值，這與目前中國經(jīng)濟(jì)出現(xiàn)“新常態(tài)”，經(jīng)濟(jì)增長速度放緩的現(xiàn)象一致。

觀察FCI走勢發(fā)現(xiàn)，利用“峰—峰”劃分思想對FCI周期進(jìn)行劃分。同時為避免過于頻繁的短周期，這里規(guī)定波峰與波谷的時間間隔(經(jīng)濟(jì)上行或經(jīng)濟(jì)下行)一般不少于6個月，波峰與波峰或波谷與波谷間的時間間隔(一個完整的經(jīng)濟(jì)周期)一般不少于15個月，即景氣分析框架常用的B-B轉(zhuǎn)折點測定方法[28]。為此2003年1月至2017年10月中國金融周期大致可分為5階段，分別為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。目前中國正處于第5階段金融景氣循環(huán)的緩慢復(fù)蘇區(qū)間，金融狀況相比2016年上年同期水平出現(xiàn)漸進(jìn)回暖的態(tài)勢。

圖1 TVP-FAVAR-DMA模型計算出的FCI值

為了進(jìn)一步研究FCI的周期波動，特別是分析目前新常態(tài)時期金融狀況波動，利用MATLAB軟件，采用帶通濾波方法(band-pass filter)將FCI時間序列中波動周期在18至96個月之間的循環(huán)部分分離出來，剔除了其他高頻噪音成分和低頻趨勢部分。圖1顯示2017年的FCI數(shù)值出現(xiàn)了持續(xù)下滑趨勢，直觀表現(xiàn)是目前金融形勢趨緊，然而對比圖2發(fā)現(xiàn)，2017年金融形勢循環(huán)雖仍在趨勢線下方波動，但明顯出現(xiàn)上升趨勢，說明了我國初步形成了“貨幣政策+宏觀審慎政策”雙支柱的金融政策調(diào)控產(chǎn)生了一定效果。而且觀察圖2發(fā)現(xiàn)，趨勢線最大負(fù)向偏離(波谷)集中出在2008年中旬和2015年初兩個時點上，這就意味金融危機(jī)以及經(jīng)濟(jì)“新常態(tài)”均造成了金融形勢的趨緊。對比兩個時期FCI周期波動到達(dá)“谷底”的深度值，發(fā)現(xiàn)前期的波動幅度大于后期，進(jìn)一步驗證了相對與金融危機(jī)而言，增長速度放緩、結(jié)構(gòu)調(diào)整、經(jīng)濟(jì)下行壓力較大等多種問題疊加的“新常態(tài)”時期的中國經(jīng)濟(jì)整體金融形勢仍較為寬松。

(六)FCI指數(shù)的穩(wěn)健性檢驗

從FCI計算方法得知，實時t1期的FCI數(shù)值依賴于0～t1期的全樣本數(shù)據(jù)。隨著時間推移，實時t2期的FCI數(shù)值依賴于0～t2期的全樣本數(shù)據(jù)，此刻t1期的FCI也應(yīng)當(dāng)基于0～t2期的全樣本數(shù)據(jù)計算得到(t2>t1)。這就造成t1期的FCI數(shù)值計算結(jié)果可能會不同。因此，基于不同樣本區(qū)間數(shù)據(jù)，檢驗FCI計算結(jié)果是否一致是評價FCI穩(wěn)健性的一種方法。遵循這一思路，本文使用遞歸時間樣本，起點為2003年1月，樣本截止期分別為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指數(shù)實時序列，如圖3所示，其中遞歸數(shù)據(jù)間隔為6個月。隨著新數(shù)據(jù)加入，F(xiàn)CI計算結(jié)果存在小幅度的修正，但總體而言，前5期的FCI與完整區(qū)間樣本計算得到的FCI(FCI201710)總體走勢一致，而且較為接近，表明本文所采用的TVP-FAVAR-DMA模型構(gòu)建的FCI指數(shù)具有較好的穩(wěn)健性。

圖2 基于BP濾波的FCI周期波動圖

圖3 FCI指數(shù)實時序列

為了更精確刻畫不同樣本區(qū)間計算結(jié)果的差異性，假設(shè)以完整樣本區(qū)間(2003年1月至2017年10月)計算FCI序列為真實值，可以計算出其他5期構(gòu)建的FCI的平均絕對誤差(MAE)、均方根誤差(RMSE)和平均絕對百分比誤差(MAPE)，如表2所示。5期對應(yīng)的MAE和MAPE數(shù)值都很小，意味著模型估計精度很高，再次說明FCI指數(shù)構(gòu)建具有較好的穩(wěn)健性。

表2 樣本截止期變化下的FCI指數(shù)估計效果

五、FCI指數(shù)對通脹的預(yù)期效應(yīng)

從上述模型構(gòu)建看出，F(xiàn)CI實際上是通過一系列經(jīng)濟(jì)變量包括利率、匯率、資產(chǎn)價格(股價、房價和期貨價格)、貨幣供應(yīng)量、融資規(guī)模等信貸指標(biāo)共同參與模擬提取出來的。

(一)FCI指數(shù)的通脹預(yù)期效應(yīng)直觀分析

圖3給出FCI指數(shù)與通貨膨脹率的線性比較圖，由圖可以看出FCI指數(shù)和通脹率運行趨勢基本一致，多數(shù)情況下FCI變動領(lǐng)先于CPI的變動。這種先行趨勢在2008年美國次貸危機(jī)時表現(xiàn)得非常明顯，可以認(rèn)為為金融形勢好壞能較好預(yù)測未來通脹走勢。從圖中出現(xiàn)的波峰和波谷對比看出，F(xiàn)CI顯著領(lǐng)先通脹率CPI大約半年時間并發(fā)生同方向趨勢變化。

圖4 FCI與CPI的走勢圖

根據(jù)上文模型可知，本文的FCI指數(shù)包含了一系列宏觀經(jīng)濟(jì)指標(biāo)，并隨著不同階段經(jīng)濟(jì)情況，利用DMA方法進(jìn)行篩選指標(biāo)重新構(gòu)造，以進(jìn)一步提升了傳統(tǒng)的FCI指數(shù)對基本宏觀面的信息囊括能力。因此，該指數(shù)一定可以包含未來的經(jīng)濟(jì)信息，包括通脹預(yù)期的信息。為了更直觀看出兩者關(guān)系是否穩(wěn)定，圖4給出FCI與CPI的短期動態(tài)相關(guān)系數(shù)圖(期限為一年)。通過下圖可以看出，金融狀態(tài)指數(shù)與未來期的通貨膨脹率之間顯著正相關(guān)，而且相關(guān)系數(shù)隨著未來期數(shù)的增加先增大后變小，這種強的相關(guān)性持續(xù)7個月后才有所減弱(兩者相關(guān)系數(shù)均大于0.6)。一年期內(nèi)的相關(guān)性數(shù)值一直為正值說明了金融狀態(tài)指數(shù)對通脹的短期預(yù)測具有較強的穩(wěn)定性。這與卞志村(2015)[29]、高潔超、孟士清(2014)[30]的結(jié)論一致，而且對比相關(guān)數(shù)值，新方法構(gòu)建FCI的相關(guān)系數(shù)值更大，因此可以認(rèn)為采用DMA方法進(jìn)行篩選指標(biāo)重新構(gòu)造的FCI指數(shù)，它對通脹預(yù)期的能力比常規(guī)方法構(gòu)造的FCI指數(shù)的效果更好。

圖5 當(dāng)期FCI與未來CPI的動態(tài)相關(guān)圖

(二)基于MSVAR模型下FCI對通脹預(yù)期的檢驗

(1)模型的構(gòu)建

由于CPI的周期性較強，通過FCI指數(shù)預(yù)測通脹信息，需要考慮是否受體制轉(zhuǎn)換的影響。金融形勢的不同狀況下(寬松或者趨緊)，金融狀況的變動對通脹風(fēng)險的影響可能會有所不同。因此，下面將構(gòu)建包含F(xiàn)CI指數(shù)以及通脹的測度指標(biāo)CPI的MS—VAR模型，來進(jìn)一步分析FCI對通脹的預(yù)測效果。

由于MS—VAR模型涉及變量僅有兩個，因此令yt=(FCI,CPI)，帶截距項的滯后p階的VAR模型表示為

yt=α+β1yt-1+β2yt-2+…+βpyt-p+μt

其中，α為維常數(shù)項向量，β為維系數(shù)矩陣，μt為2×1維隨機(jī)誤差向量，E(μt)=0，E(μt,μt′)。VAR方法自Sims(1972)[31]提出以來，被認(rèn)為較好解釋系統(tǒng)變量間的互動關(guān)系。然而，通脹預(yù)期的影響因素非常復(fù)雜，而且金融狀態(tài)指數(shù)對其的影響和反應(yīng)也不一致，固定參數(shù)的VAR是不恰當(dāng)?shù)?。Hamilton(1989)[32]提出的MS模型是解決這類問題的一個方法，利用系統(tǒng)向量yt的參數(shù)得到不可觀測的區(qū)制變量st。

本文將金融狀況存在寬松趨勢還是趨緊趨勢視為不可觀測的區(qū)制變量st。假設(shè)存在兩種區(qū)制st={1,2}。當(dāng)st=1時，金融狀況處于寬松趨勢；當(dāng)st=2時，金融狀況處于趨緊趨勢。那么，狀態(tài)i轉(zhuǎn)換到j(luò)的概率為pij=Pr(st+1=j|st=i)。本

文所涉及的兩種區(qū)制的轉(zhuǎn)移概率矩陣為

其中，p11+p12=p21+p22=1。

本文考察兩類MS-VAR模型，一是均值調(diào)整的MSM-VAR模型，另一種是區(qū)制依賴的截距MSI-VAR模型。兩類模型表達(dá)形式是不同的，前者均值μ(st)依賴于區(qū)制使得系統(tǒng)變量yt直接跳躍到新的水平；后者截距項v(st)表示了區(qū)制轉(zhuǎn)移均值平滑地使系統(tǒng)變量到達(dá)新的水平。兩種模型具體表現(xiàn)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)數(shù)據(jù)處理及模型選擇

建立MSVAR模型前，首先需要對數(shù)據(jù)的平穩(wěn)性進(jìn)行檢驗。ADF檢驗結(jié)果如表3所示，結(jié)果表明：在10%的顯著性水平下，各變量的時間序列水平數(shù)據(jù)均為一階平穩(wěn)序列。這為MSVAR檢驗的有效性提供了保證。

表3 數(shù)據(jù)的ADF檢驗結(jié)果(1999年1季度至2016年3季度)

注：其中檢驗形式(C,T,K)表示單位根檢驗方程包括截距、趨勢和滯后項階數(shù)。

表4 模型選擇依據(jù)

根據(jù)上述模型的理論推導(dǎo)，這里利用Ox的MSVAR包對FCI和CPI數(shù)據(jù)進(jìn)行模型估計，分別建立MSI—VAR、MSIH—VAR、MSM—VAR和MSMH—VAR等共七種模型，按照AIC、HQ、SC最小準(zhǔn)則以及得到極大似然估計、LR的結(jié)果，經(jīng)過多次嘗試發(fā)現(xiàn)MSIH(2)-VAR(2)模型優(yōu)于其他模型，能夠較好反映FCI與通脹CPI之間關(guān)系的波動情況。

MSIH(2)—VAR(2)模型估計結(jié)果如表4所示。根據(jù)結(jié)果顯示，該模型擬合效果好，卡方統(tǒng)計量以及Davies檢驗的概率均為0，顯著性拒絕模型為線性的原假設(shè)。而且，表5顯示了兩種區(qū)制下截距項和擾動項的標(biāo)準(zhǔn)差是不同的，這與模型的原先設(shè)定也一致。

表5 模型估計系數(shù)及擾動項的標(biāo)準(zhǔn)差

圖6 兩區(qū)制的概率估計圖

(3)金融形勢不同趨勢下的區(qū)制轉(zhuǎn)移效果分析

圖5給出了金融狀態(tài)不同區(qū)制下濾波概率、平滑概率和預(yù)測概率，結(jié)合前面數(shù)據(jù)分析，可以看出：區(qū)制1中平滑概率大于0.5的時間段表現(xiàn)出金融形勢的寬松狀態(tài)，是穩(wěn)定宏觀經(jīng)濟(jì)狀態(tài)的擬合。區(qū)制2中平滑概率小于0.5的時間段則表現(xiàn)為金融形勢處于趨緊狀態(tài)，是宏觀經(jīng)濟(jì)不穩(wěn)定的狀態(tài)的擬合，具體時期在2008年美國次貸危機(jī)引發(fā)的全球金融危機(jī)和2015年我國經(jīng)濟(jì)的“新常態(tài)”階段。當(dāng)期我國雖仍處于經(jīng)濟(jì)新常態(tài)時期，但依據(jù)區(qū)制概率圖顯示，目前我國金融狀況已走出趨緊狀態(tài)，呈現(xiàn)出穩(wěn)定的宏觀經(jīng)濟(jì)狀態(tài)擬合。這與文章前半部分提到利用BP濾波分解出FCI周期波動部分，得出的結(jié)論一致。

表6和表7給出了金融形勢不同狀態(tài)下的轉(zhuǎn)移概率和特征描述，在樣本期間，我國存在70.19%(觀測個數(shù)除以樣本總數(shù))時間的穩(wěn)定金融形勢，持續(xù)時間為29.03個月，并且在金融形勢寬松狀態(tài)下的概率達(dá)到0.965 6。金融形勢趨緊狀態(tài)的持續(xù)時間為12.33個月，保持該狀態(tài)的概率為0.918 9。各區(qū)制自身轉(zhuǎn)移概率都接近于1，表明FCI指數(shù)和通脹率CPI兩變量構(gòu)成的兩區(qū)制劃分效果較好。

表6 區(qū)制轉(zhuǎn)移概率

表7 金融狀態(tài)指數(shù)大小的性質(zhì)

表8 不同金融狀態(tài)指數(shù)的區(qū)制劃分

結(jié)合實際情況，從2003年開始我國經(jīng)濟(jì)已擺脫了亞洲金融危機(jī)的影響，經(jīng)濟(jì)復(fù)蘇并呈現(xiàn)高增長狀態(tài)，經(jīng)濟(jì)增長率持續(xù)上升(區(qū)制1)，然而美國次貸危機(jī)引發(fā)全球金融危機(jī)直接影響到了中國，2007年我國經(jīng)濟(jì)出現(xiàn)了拐點，使得2007年4月至2009年9月期間金融形勢趨緊(區(qū)制2)。2009年我國政府推出“四萬億投資計劃”后通脹得到控制，經(jīng)濟(jì)有了復(fù)蘇和增長(區(qū)制1)。但2014年后的這幾年中國經(jīng)濟(jì)出現(xiàn)“新常態(tài)”，經(jīng)濟(jì)增速由高速轉(zhuǎn)為中高速增長，同時資產(chǎn)價格特別是房地產(chǎn)價格不斷上揚，使得中國經(jīng)濟(jì)的各類風(fēng)險性將進(jìn)一步凸顯。房地產(chǎn)泡沫破滅和地方債務(wù)危機(jī)容易造成金融形勢趨緊，不穩(wěn)定的風(fēng)險逐步增大，直到2017年3月后才有所好轉(zhuǎn)(區(qū)制2)。具體不同金融狀態(tài)指數(shù)FCI的區(qū)制劃分見表8所示。

為了分析FCI指數(shù)與通脹率CPI之間的動態(tài)關(guān)系，本文分析兩個區(qū)制下兩個指標(biāo)之間相互的脈沖響應(yīng)圖形。圖6表示CPI對FCI沖擊的脈沖響應(yīng)圖，在金融形勢指數(shù)FCI一個標(biāo)準(zhǔn)差的正向沖擊下，通脹率CPI表現(xiàn)為正向響應(yīng)，并持續(xù)上升，在第1期后達(dá)到最大正向響應(yīng)。對比發(fā)現(xiàn)，很明顯區(qū)制2下的響應(yīng)效果更為明顯，這就意味著金融形勢趨緊及不穩(wěn)定狀態(tài)下，通脹率更容易受到影響和變動。圖7表示FCI對CPI沖擊的脈沖響應(yīng)圖，在通脹率CPI一個標(biāo)準(zhǔn)差的正向沖擊下，F(xiàn)CI表現(xiàn)為正向效應(yīng)，并在第3期后達(dá)到最高響應(yīng)值，隨后緩慢下降，直到一年后響應(yīng)值仍然存在。對比發(fā)現(xiàn)，區(qū)制2的效果仍然高于區(qū)制1。這說明了，金融形勢不穩(wěn)定狀態(tài)下，通脹水平會使其不穩(wěn)定性形勢加劇。然而，兩種區(qū)制下的脈沖圖形趨勢基本一致，基本可以認(rèn)為，F(xiàn)CI在影響宏觀經(jīng)濟(jì)方面具有較好的穩(wěn)健性，因此利用FCI指數(shù)可以預(yù)測通脹率和經(jīng)濟(jì)走勢。

圖7 CPI對FCI沖擊的脈沖響應(yīng)圖

圖8 FCI對CPI沖擊的脈沖響應(yīng)圖

六、結(jié)論和政策建議

本文針對中國經(jīng)濟(jì)資產(chǎn)價格非理性波動以及物價水平與資產(chǎn)價格動態(tài)走勢出現(xiàn)較大差別的現(xiàn)實情況，基于Koop和Korobilis(2013)[18]的處理方法，利用具有時變系數(shù)和隨機(jī)波動率的因子増廣向量自回歸模型(TVP-FAVAR)，研究FCI指數(shù)的構(gòu)建及其對通脹預(yù)期的動態(tài)效應(yīng)。本文得出的主要結(jié)論。

第一，在FCI指數(shù)構(gòu)建方面，本文依據(jù)FCI指數(shù)預(yù)測通脹的機(jī)理分析，抽取20維宏觀經(jīng)濟(jì)信息集包括利率、匯率、資產(chǎn)價格(股價、房價和期貨價格)、貨幣供應(yīng)量、融資規(guī)模等信貸指標(biāo)，通過時變系數(shù)的狀態(tài)空間模型提取潛在不可觀測的FCI指數(shù)，利用指數(shù)加權(quán)移動平均(EWMA)方法和卡爾曼濾波方法進(jìn)行參數(shù)估計和權(quán)重更新，滿足了模型系數(shù)和負(fù)載矩陣的隨機(jī)性特征。隨后，采用包含遺忘算子的動態(tài)平均方法(DMA)對模型進(jìn)行優(yōu)化處理。根據(jù)不同時期經(jīng)濟(jì)狀況，依賴宏觀經(jīng)濟(jì)變量真實數(shù)據(jù)靈活選擇不同經(jīng)濟(jì)指標(biāo)，適當(dāng)調(diào)整當(dāng)期宏觀經(jīng)濟(jì)變量參與模型計算FCI的切換速度，一定程度上刻畫了我國金融市場的結(jié)構(gòu)性變化特征。

第二，在預(yù)測通脹的應(yīng)用方面，通過趨勢判斷和跨期相關(guān)系數(shù)驗證表明，本文構(gòu)建的FCI指數(shù)對未來7個月內(nèi)的通脹表現(xiàn)出持續(xù)穩(wěn)定的預(yù)測能力。運用馬爾科夫區(qū)制轉(zhuǎn)移向量自回歸模型(MSVAR)分析進(jìn)一步顯示，F(xiàn)CI指數(shù)和通脹水平之間存在兩區(qū)制的非線性效應(yīng)。

第三，在FCI指數(shù)應(yīng)用的科學(xué)性和合理性方面，本文構(gòu)建的FCI指數(shù)克服傳統(tǒng)方法中存在的經(jīng)濟(jì)信息含量少、固定權(quán)重和缺乏經(jīng)濟(jì)結(jié)構(gòu)性變化等限制，從而增強了FCI的時效性。另外，區(qū)制轉(zhuǎn)移概率和脈沖響應(yīng)結(jié)果顯示，本文構(gòu)建的FCI指數(shù)和通脹率CPI兩變量構(gòu)成的兩區(qū)制劃分效果較好，F(xiàn)CI指數(shù)短期內(nèi)具有明顯領(lǐng)先通脹的非線性時變預(yù)期能力，而且金融狀態(tài)寬松時期對通脹預(yù)期效果比趨緊狀態(tài)時更顯著。這意味著，金融寬松狀態(tài)作為穩(wěn)定的宏觀經(jīng)濟(jì)狀態(tài)擬合，會減少通脹水平的不穩(wěn)定性因素的發(fā)生。

從以上結(jié)論不難看出，基于TVP-FAVAR-DMA模型構(gòu)建的FCI指數(shù)能夠較好預(yù)測短期通脹趨勢，對我國貨幣政策的制定、執(zhí)行具有很強的指導(dǎo)意義。為了更好發(fā)揮FCI指數(shù)對宏觀經(jīng)濟(jì)預(yù)警作用，有效降低通脹風(fēng)險，本文對當(dāng)前經(jīng)濟(jì)提出以下政策建議。

第一，通過對FCI指數(shù)實時監(jiān)測，加強流動性預(yù)判，適時調(diào)節(jié)銀行體系流動性。FCI指數(shù)具有市場流動性指示器和時效性功能，從而有助于市場了解流動性的實際狀況。中國人民銀行應(yīng)該靈活運用貨幣政策工具，采取不同期限的逆回購、中期借貸便利(MLF)，以及存款準(zhǔn)備金的考核基數(shù)調(diào)整等多項結(jié)構(gòu)性貨幣政策工具保證流動性合理充裕，適時為符合宏觀審慎要求的金融機(jī)構(gòu)提供流動性支持[33]。

第二，定期公布FCI指數(shù)，增加貨幣政策透明度和實施效果。鑒于FCI指數(shù)對宏觀經(jīng)濟(jì)存在有效先行趨勢，我國官方應(yīng)加大對FCI指數(shù)研究力度，指定相關(guān)部門編制和跟蹤測算FCI指數(shù)[34]。通過定期公開FCI指數(shù)的方式釋放有效信息，真實反映我國金融狀況的松緊程度，減少因經(jīng)濟(jì)形勢的不確定性造成對社會、公眾帶來的經(jīng)濟(jì)損失。同時，定期公布指數(shù)也有助于提高政策的透明度，加強貨幣政策“預(yù)期傳導(dǎo)機(jī)制”效應(yīng)的發(fā)揮[35]，將金融穩(wěn)定、物價穩(wěn)定共同參與貨幣政策指定和執(zhí)行框架中，提高貨幣政策實施效果。

第三，鑒于當(dāng)前FCI指數(shù)顯示的金融趨緊狀態(tài)持續(xù)時間較長，央行需進(jìn)一步形成和完善了“貨幣政策+宏觀審慎政策”雙支柱的金融政策調(diào)控框架，以適應(yīng)經(jīng)濟(jì)新常態(tài)。為了防止資金“以錢炒錢”以及不合理的加杠桿行為，央行必須實施好穩(wěn)健中性貨幣政策的同時，逐步探索將更多的金融活動和金融市場納入宏觀審慎管理[36]。通過采取有效措施防控化解金融風(fēng)險，引導(dǎo)資金流向?qū)嶓w經(jīng)濟(jì)，保持貨幣金融環(huán)境的穩(wěn)健，從而實現(xiàn)貨幣信貸和社會融資規(guī)模適度增長，將金融穩(wěn)定、物價穩(wěn)定共同參與政策指定和執(zhí)行框架中，以提高政策實施效果。

[1]封思賢, 蔣伏心, 謝啟超,等. 金融狀況指數(shù)預(yù)測通脹趨勢的機(jī)理與實證——基于中國1999—2011年月度數(shù)據(jù)的分析[J]. 中國工業(yè)經(jīng)濟(jì), 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. 中國貨幣狀況指數(shù)及其在貨幣政策操作中的運用[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, 韓明睿. 基于SVAR模型的金融形勢指數(shù)[J]. 宏觀經(jīng)濟(jì)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, 孫慧智, 曹媛媛. 金融形勢指數(shù)與貨幣政策反應(yīng)函數(shù)在中國的實證檢驗[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, 王貴民. 金融狀況指數(shù)FCI與貨幣政策反應(yīng)函數(shù)經(jīng)驗研究[J]. 財經(jīng)研究, 2006, 32(12):53-64.

[17]許滌龍, 歐陽勝銀. 基于可變參數(shù)的FCI構(gòu)建與實證研究[J]. 統(tǒng)計與信息論壇, 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. 從貿(mào)易調(diào)整渠道到金融調(diào)整渠道——國際金融外部調(diào)整理論的新發(fā)展[J]. 金融研究, 2011(2):194-206.

[21]鄧健, 張玉新. 房價波動對居民消費的影響機(jī)制[J]. 管理世界, 2011(4):171-172.

[22]傅強, 吳卯會. 人民幣匯率的價格傳遞效應(yīng)研究[J]. 世界經(jīng)濟(jì)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]張依茹, 熊啟躍. 我國貨幣政策信貸渠道的時變效應(yīng)研究[J]. 華中師范大學(xué)學(xué)報(自科版), 2011, 45(4):637-641.

[26]戴金平, 劉東坡. 中國貨幣政策的動態(tài)有效性研究——基于TVP-SV-FAVAR模型的實證分析[J]. 世界經(jīng)濟(jì)研究, 2016,48(12):12-24.

[27]易曉溦, 陳守東, 劉洋. 美國非常規(guī)貨幣政策沖擊下中國利率期限結(jié)構(gòu)動態(tài)響應(yīng)研究[J]. 國際金融研究, 2015, 339(1):25-36.

[28]孫彥林, 陳守東, 劉洋. 中國金融周期成分與隨機(jī)沖擊[J]. 金融論壇, 2017,65(2):35-45.

[29]卞志村. 公眾學(xué)習(xí)、通脹預(yù)期形成與最優(yōu)貨幣政策研究[M]. 人民出版社, 2015.

[30]高潔超, 孟士清. FCI可以作為貨幣政策的良好指示器嗎——基于信息預(yù)測檢驗與工具變量選擇的分析[J]. 金融監(jiān)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]張曉慧.貨幣政策回顧與展望[J].中國金融, 2017,85(3):12-15.

[34]周德才, 馮婷, 鄧姝妹. 我國靈活動態(tài)金融狀況指數(shù)構(gòu)建與應(yīng)用研究——基于MI-TVP-SV-VAR模型的經(jīng)驗分析[J]. 數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究, 2015(5):114-130.

[35]徐亞平.通貨膨脹預(yù)期形成的模型刻畫及其與貨幣政策的關(guān)聯(lián)性[J].金融研究,2010,59(9):17-30.

[36]王亮亮, 苗永旺. 貨幣政策、宏觀審慎政策與資產(chǎn)價格[J]. 國際金融, 2013(2):66-70.