中國金融狀況指數(shù)混頻編制與應用研究
——基于MS-MF-VAR模型的一個經驗分析

周德才 鄧姝姝 左 玥

一、引言及文獻綜述

2008年金融危機的影響是長期且潛在的，自那以后，我國經濟一直處于不穩(wěn)定的狀況——從前期的下滑到復蘇再到近兩年出現(xiàn)的企穩(wěn)。面對國內外錯綜復雜的金融經濟形勢，我國政府在 2008年下半年至 2010年上半年期間實施了寬松的貨幣政策。此后，我國的貨幣政策基本維持在穩(wěn)健水平，為我國金融和經濟的發(fā)展創(chuàng)造并維持了穩(wěn)定的貨幣金融環(huán)境；同時為了防范國內外各種各樣的金融風險，增強對經濟金融運行的監(jiān)測分析，政府不斷調整金融宏觀調控措施。然而在經濟“新常態(tài)”背景下，金融對經濟的影響越來越深且難以控制其不利影響，其影響系數(shù)和傳導機制也越來越復雜，依賴某個單一的變量或指標來判斷金融對經濟的影響及其未來走勢已不再準確，對貨幣政策的制定與實施造成了一定難度。因此，為了全面綜合地將這種影響反映出來，就需要構建金融狀況指數(shù)，以綜合各類重要經濟金融信息，達到預測未來經濟形勢的目的，從而作為政策制定的依據。

早期，國內外學者主要使用靜態(tài)或動態(tài)的線性同頻數(shù)據模型編制與應用金融狀況指數(shù)(FCI)。第一，靜態(tài)模型。國外學者在構建 FCI時主要使用的靜態(tài)線性同頻數(shù)據模型包括 Goodhart和 Hofmann(2001)最早使用的 VAR 模型、Mayes和 Virén(2001)的IS曲線方法、Lack(2003)的宏觀模型結構式方法以及 English等(2005)的因子模型方法等。國內學者仿照國外研究方法將靜態(tài)線性同頻模型應用于我國 FCI研究中。自王玉寶(2003)首次構建中國 FCI(CFCI)后，國內學者對 CFCI的研究基本還處于標準FCI的研究階段，其顯著特征就是使用 VAR模型測算權重，構建和應用標準的靜態(tài)FCI，代表性文獻包括陸軍和梁靜瑜(2007)、李成等(2010)、郭曄和楊嬌(2012)等的論述。第二，動態(tài)模型。為了克服上述靜態(tài)模型和方法在構建 FCI時無法反映一個經濟體中金融和經濟動態(tài)結構變化的不足，一些國外學者對早期模型進行拓展改進，應用動態(tài)模型方法編制 FCI，包括 Matheson(2012)使用的動態(tài)因子模型、Brave和Butters(2012)的主成分分析方法、Koop和 Korobilis(2014)的 TVP-FAVAR模型，以便更好地預測未來經濟狀況。我國國內這方面研究主要為余輝和余劍(2013)使用的時變參數(shù)狀態(tài)空間模型。

近年來，也有少量學者使用非線性模型編制與應用 FCI，主要包括 MS-VAR模型(封思賢等，2012；溦易曉等，2014)以及MI-TVP-SV-VAR模型(周德才等，2015)，從而更加靈活動態(tài)地研究我國FCI的非線性和周期性特征。

由于使用同頻數(shù)據模型會造成數(shù)據處理過程中的信息丟失，近年來混頻數(shù)據模型開始在經濟研究領域興起。目前，國內外學者主要運用混頻數(shù)據模型對我國 GDP、CPI進行預測研究以及對經濟周期監(jiān)測進行研究。劉漢和劉金全(2011)運用混合數(shù)據抽樣模型(MIDAS)對我國季度 GDP進行預報和預測；李正輝和鄭玉航(2015)運用 MSMIDAS模型構建了我國三機制經濟周期模型。他們的研究都表明了基于混頻數(shù)據模型的預報和監(jiān)測具有精確性和時效性。同時，也有少量學者將混頻數(shù)據模型運用于金融與經濟的指數(shù)構建和分析中，如 Mariano和 Murasawa(2003)、Aruoba等(2009)、鄭挺國和王霞(2011)、葉光(2015)等使用混頻動態(tài)因子(MF-DFM)模型構建中美等國家的混頻經濟景氣指數(shù)；同時欒惠德和侯曉霞(2015)使用混頻動態(tài)因子模型(MF-DFM)編制的我國實時 FCI；周德才等(2017)使用 MF-VAR模型構建的中國混頻 FCI。他們的研究都表明，運用混頻數(shù)據得到的指數(shù)不僅與經濟走勢吻合，還能夠對經濟形勢進行實時預報。

綜上可見，使用非線性模型構建金融狀況指數(shù)的研究還比較少，運用混頻數(shù)據模型來構建金融狀況指數(shù)的研究更是屈指可數(shù)，而將非線性模型和混頻數(shù)據模型結合起來構建我國非線性混頻金融狀況指數(shù)的研究幾乎空白。鑒于此，本論文通過馬爾科夫機制轉換混頻向量自回歸(Markov Switch Mixed Frequency Vector Autoregress，MSMF-VAR)模型計算不同機制下的脈沖響應函數(shù)，基于貨幣供應量、短期利率、股票價格、房地產價格、匯率、社會融資規(guī)模 6個金融狀況指標，構建了我國非對稱混頻金融狀況指數(shù)(Markov Switch Mixed Frequency Financial Conditions Index，MSMFFCI)，并應用于分析其對以 GDP為代表的經濟形勢預測，并將研究結果與同樣條件下標準的VAR模型計算的同頻金融狀況指數(shù)(SFFCI)進行對比。

二、構建馬爾科夫機制轉換混頻向量自回歸計量模型

（一）構建MS-MF-VAR具體形式

1.MS-MF-VAR模型的一般形式。MS-MF-VAR模型的一個主要特點為對不同頻率的數(shù)據進行非對稱分析。定義為每三個月才能觀察到的N1個季度指標的隨機變量序列(本文為GDP)；為月度指標的N2個隨機變量序列(本文為金融狀態(tài)指標)；N=N1+N2。對GDP環(huán)比增長率季度數(shù)據，Mariano和Murasawa(2002)提出使用幾何平均方法進行月度頻率分解，但鄭挺國和王霞(2011)發(fā)現(xiàn)這不適合中國GDP為同比增長率的國情，提出了如下算術平均方法：

月頻指標組成的向量被假設為遵循一個具有 M 種機制的 MSVAR(p)過程：

其中則它的遍歷不可約的馬爾科夫過程的轉移概率矩陣如下：

2.MS-MF-VAR的狀態(tài)空間模型形式表示。設 MS-MF-VAR模型滯后階數(shù)為根據Camacho(2013)的研究，MS-MF-VAR模型的狀態(tài)空間模型形式表示為：

其中：是狀態(tài)向量Zt的系數(shù)矩陣；是狀態(tài)向量矩陣；R～iid.N(0,G)是量測方程誤差項；是狀態(tài)方程t在機制下St下的常數(shù)項，是狀態(tài)議程的誤差項；是狀態(tài)方程在機制下 St下的系數(shù)矩陣，

（二）估計MS-MF-VAR

1.MS-MF-VAR的變量替換和方程重設。是季頻數(shù)據，在與月頻數(shù)據放在一起進行模型參數(shù)估計時，每個季度就會產生第1月和第2月的數(shù)據的缺失問題。對此，本文將季度數(shù)據看作是有缺失值的月度數(shù)據，并用隨機抽樣 rt填充缺失的觀察值，將這個由季度數(shù)據新構造出來的月度數(shù)據表示為，其分布不依賴于表征Kalman濾波的參數(shù)空間，即：

由于中每個季度的第1月和第2月的數(shù)據是人造的，因此需要將前文狀態(tài)空間模型及其變量進行重設和替換，以允許Kalman濾波在更新時跳過缺失觀察值。

設矩陣位于矩陣的Y前N行(一般為第 1行)，H'是將矩陣 H的前N行元素t11全部換成0組成的矩陣；是向量Rt前N1行的元素換成rt組成的向量；G'是矩陣G的前N1行N1和前N1列的元素全部換成組成的矩陣；是將向量中前N1行元素全部換成0組成的矩陣，即：

這些替換導致一個沒有缺失觀察值的狀態(tài)空間模型，因此Kalman濾波可以直接應用于對測量方程(4)和狀態(tài)方程(5)用替換后的新變量進行簡化表達，以允許Kalman濾波在更新時跳過缺失觀察值。

2.MS-MF-VAR的Kalman濾波估計。借鑒Kim(1999)，由式(13)和式(14)組成的MS-MF-VAR參數(shù)通過使用Kalman濾波與平滑方法進行估計，而Kalman濾波估計過程已經由Kim(1999)進行了詳細介紹，本文在此不贅述，具體情況請參考其專著。

三、構建非對稱混頻金融狀況指數(shù)測度模型和測算方法

（一）介紹標準FCI的靜態(tài)同頻測度模型和測算方法

Goodhart和Hofmann(2001)提出構建標準FCI的靜態(tài)同頻測度模型和測算方法。周德才等(2015)對標準 FCI的靜態(tài)同頻測度模型和測算方法進行了詳細介紹，由于篇幅限制，本文不贅述。

（二）構建非對稱混頻金融狀況指數(shù)測度模型和測算方法

考慮到我國現(xiàn)正處于全面深化改革發(fā)展的新階段，金融和經濟狀況正處于“新常態(tài)”或者向“新常態(tài)”發(fā)展，并且從“老常態(tài)”向“新常態(tài)”轉換存在一些結構變化。因此，提出了構建非對稱混頻金融狀況指數(shù)(MSMFFCI)的非對稱混頻測算模型和測算方法。

首先，構建我國MSMFFCI的混頻測度模型。M種機制的 MSMFFCI的混頻測算模型如下。

(1)計算第j種機制下的月度非對稱混頻金融狀況指數(shù)

其中，是第i種機制下月頻MSMFFCI，i=1,2,??,M，M是機制數(shù)；是第i種機制下第j個金融狀況指標的月度權重系數(shù)，j=1,2,??,N，N是金融狀況指標數(shù)量，且是第i個金融狀況指標在第個t時期的月度缺口值，可以通過HP濾波測算得到；是貨幣政策目標變量(GDP)對來自第j個金融狀態(tài)變量在第i種機制下的一個標準差信息沖擊的月度脈沖響應函數(shù)值，j=1,2,??,K，K是脈沖響應函數(shù)的期數(shù)，而每種機制下的脈沖響應函數(shù)值是通過MS-MF-VAR模型估計出來的。

(2)計算月度總體非對稱混頻金融狀況指數(shù)(MSMFFCIm)：

其中，為通過MS-MF-VAR模型計算出來的第i種機制下的月度濾波概率或平滑概率。

(3)計算季度非對稱混頻金融狀況指數(shù)(MSMFFCIq)。由于在Kalman濾波過程中，季度GDP增長率是由月度GDP增長率算術平均得到，從而季度MSMFFCIq也應由月度MSMFFCIm算術平均得到，計算公式具體如下：

其中，MSMFFCI1、MSMFFCI2、MSMFFCI3分別表示一個季度中第 1、2、3個月的月度非對稱混頻金融狀況指數(shù)(MSMFFCIm)。

其次，構建非對稱混頻金融狀況指數(shù)(MSMFFCI)的測算方法。

第一步，選擇經過處理好的混頻樣本數(shù)據，主要使用 MS-MF-VAR模型進行估計，得到它們之間的馬爾科夫機制轉換混頻脈沖響應函數(shù)值

第二步，利用構成 MSMFFCI各個金融狀況指標的馬爾科夫機制轉換混頻脈沖函數(shù)累計值在全部累計值中的比值，計算出每一種機制下的馬爾科夫機制轉換混頻權重

第三步，將馬爾科夫機制轉換混頻權重代入到式(16)，得到每種機制下的月度非對稱混頻金融狀況指數(shù)

第四步，將每種機制下的月度非對稱混頻金融狀況指數(shù)代入到式(17)，得到月度期望非對稱混頻金融狀況指數(shù)(MSMFFCIm)；

第五步，將月度非對稱混頻金融狀況指數(shù)(MSMFFCIm)代入到式(18)，得到季度期望非對稱混頻金融狀況指數(shù)(MSMFFCIq)。

四、中國非對稱混頻金融狀況指數(shù)編制前的數(shù)據處理與檢驗

（一）變量的選擇與數(shù)據的處理

根據標準 FCI的測算方法以及前人的研究。本文選取貨幣供應量(M2)、短期利率(IR)、股票價格(SP)、房地產價格(HP)、匯率(REER)、社會融資規(guī)模(SF)作為構建MSMFFCI的金融狀況指標，分別以廣義貨幣供應量 M2、中國銀行間7天同業(yè)拆借利率、上證綜指月末收盤價、房地產開發(fā)企業(yè)商品房銷售額除以房地產開發(fā)企業(yè)商品房銷售面積、人民幣實際有效匯率、社會融資規(guī)模作為其代理變量。

由于我國全社會融資規(guī)模在 2002年元月才開始公布，因此以上 6個金融狀況指標的樣本區(qū)間為2002年1月至2015年12月，且均為月度數(shù)據，其中短期利率將原數(shù)據加100變成本利和形式，人民幣實際有效匯率換算成以2002年1月為基期的數(shù)據。衡量經濟增長的代理指標為GDP當季同比實際增速，樣本區(qū)間為2002年第1季度至2015年第4季度，為季度數(shù)據。此外，通貨膨脹率等于CPI減去100，定基比消費者價格指數(shù)以2002年1月為基期。所有數(shù)據來源于中國人民銀行、國家統(tǒng)計局、國際貨幣基金組織。接著對數(shù)據作以下處理：(1)所有變量均用 X12方法進行季節(jié)調整；(2)除GDP當季同比實際增速及REER外，M2、SP、HP、SF都通過用名義值除以定基比消費者價格指數(shù)得到實際值，IR的實際值由名義值減去通脹率得到；(3)對6個月度變量進行對數(shù)化處理；(4)然后使用HP濾波方法計算6個金融狀況指標的缺口值。

（二）單位根檢驗

為了避免實證分析匯中有可能呈現(xiàn)的偽回歸現(xiàn)象，需要檢驗時間序列是否為平穩(wěn)的時間序列，因此在估計MS-MF-VAR模型之前，本文采用ADF檢驗方法對7個金融和經濟變量進行單位根的檢驗，檢驗結果表明 7個金融和經濟變量都在 1%,的顯著性水平上拒絕時間序列具有單位根(Unit Root)的原假設，說明 7個變量都是平穩(wěn)序列，因此可以進行MS-MF-VAR模型的實證分析①因篇幅所限，在此未列出檢驗結果，備索。。

（三）最優(yōu)滯后階數(shù)的確定

本文使用Eviews中的VAR模型Lag Order Selection Criteria進行檢驗，來確定模型的最優(yōu)的滯后的具體階數(shù)。根據SC準則，同時考慮到模型方程的簡化與運算，本文將模型的最優(yōu)的滯后的具體階數(shù)檢驗確定為1階。

五、中國非對稱混頻金融狀況指數(shù)實證測度

（一）MS-MF-VAR具體形式的設定

1.量測方程設定。本文選擇了由1個季度數(shù)據GDP和6個月度數(shù)據廣義貨幣供應量(M2)、短期利率(IR)、股票價格(SP)、房地產價格(HP)、匯率(REER)、社會融資規(guī)模(SF)的組成的混頻樣本數(shù)據，分別用和、、、、、來表示，其中缺失的月度數(shù)據用均值為 0和方差為 1的正態(tài)分布隨機數(shù)補充，表示為。按照前文構建的 MS-MF-VAR模型，季度 GDP增長率是月度GDP增長率以及滯后2階的月度GDP增長率的算術平均數(shù)，因此，量測方程中的狀態(tài)變量的個數(shù)為 7?3＝21個。根據前文構建的模型形式以及現(xiàn)在的模型參數(shù)的設定，MS-MF-VAR模型的具體形式見式(16)。

其中：I是單位陣。

2.狀態(tài)方程設定。本文設定馬爾科夫機制的個數(shù)為 2，即 M＝2；MS-MF-VAR模型的滯后階數(shù)為1階；為了避免過度參數(shù)化，使得研究簡單明了，參考Camacho(2013)的做法，本文只把狀態(tài)方程的常數(shù)項演變過程設定為馬爾科夫機制轉換過程，其他項不設。因此，MS-MF-VAR模型的狀態(tài)方程的具體形式見式(17)。

其中，1421I×是14×21維單位陣。

（二）中國非對稱混頻金融狀況指數(shù)實證測算結果

本文使用 Matlab運行 MS-MF-VAR模型程序，得到模型估計結果。根據模型估計結果，使用兩種機制下的21期馬爾科夫機制轉換混頻脈沖響應函數(shù)值，代入公式(16)，分別計算出兩種機制下的然后根據兩種機制下的月度 MSMFFCI以及月度卡爾曼平滑概率，代入公式(17)，得到總體非對稱混頻金融狀況指數(shù)MSMFFCIm。由于在計算Kalman濾波過程中，早期的數(shù)據不太穩(wěn)定，因此將前面12個月的數(shù)據作為測試樣本，有效樣本為2003年1月至2015年12月的數(shù)據。

1.馬爾科夫機制轉換混頻脈沖響應函數(shù)值。由圖1中的各個子圖可知，兩種機制下GDP對各變量的脈沖響應圖走勢基本一致，機制2的脈沖響應值大于機制2的脈沖響應值，但不論是何種機制，6個變量對GDP的脈沖響應在作用和方向上都不同，這更說明構建一個能夠綜合多個變量信息的指數(shù)來監(jiān)測和預報未來經濟狀況比依賴于一個單一變量更合理。

2.平滑概率圖。為了更好地描述我國貨幣政策的松緊程度，根據Kim(1994)的平滑概率算法，得到兩種機制下的平滑概率估計結果，具體見圖2。由圖2可知，兩種機制下的平滑概率走勢圖是對稱的，代表不同的貨幣政策發(fā)生的概率大小。本文以概率值是否大于0.5為判斷標準，當平滑概率值大于0.5時，貨幣政策處于該機制下的概率就越大，反之則說明處于另一種機制。圖2顯示我國貨幣政策在機制1時處于高概率的持續(xù)時間較長，結合實際狀況表明機制1為我國實行穩(wěn)健的貨幣政策的概率，如從2011年起到2015年基本持續(xù)的高概率階段正是我國以維持經濟增長為目的實施穩(wěn)健的貨幣政策時期；而機制2表示我國的貨幣政策發(fā)生轉變，實行寬松的貨幣政策，如圖2顯示2009年的概率較高，而該年我國為了應對全球經濟危機實施寬松的貨幣政策。

圖1 兩種機制下GDP對各變量的脈沖響應圖

圖2 兩種機制下的平滑概率

3.權重系數(shù)圖。為了充分說明6個金融狀況指標對于我國經濟增長的影響，以下給出6個金融狀況指標在FCI計算中的兩種機制下的權重系數(shù)圖。由圖3可知，兩種機制下各變量所占的權重有所不同，尤其是貨幣供應量、股價以及社會融資規(guī)模所占權重在兩種機制下的差異較大，并且權重排名有所不同。貨幣供應量在機制1下所占權重排名最低，而在機制2排名第一；股價在機制1時排名第二，機制2時排名第5；社會融資規(guī)模在機制1排名第一，機制2排名第三。由以上分析可知：造成這種差異的原因主要在于：機制1表示我國實行穩(wěn)健的貨幣政策，反映出我國經濟發(fā)展平穩(wěn)且趨好，而其表現(xiàn)之一就是股市較熱，對實體經濟的影響很大，因此在該機制下股價所占權重很大。同時由于我國穩(wěn)健貨幣政策的主要手段就是調整信貸規(guī)模，因此機制1下社會融資規(guī)模對經濟的影響更大，所占權重也更大。機制2表示我國實行寬松的貨幣政策，而我國寬松的貨幣政策主要以增發(fā)貨幣來進行，因此機制2下貨幣供應量M2對經濟的影響很大，所占權重也最大。但總的來看，短期利率和房價在兩種機制的權重都較大，而匯率的權重都較低，排名靠后。其主要原因是從1996年開始，我國不斷推進利率自由化和市場化改革，利率調控更加倚重市場化的貨幣政策工具和傳導機制，其通過金融體系尤其是銀行以及投資消費對經濟的作用機制逐漸凸顯，因此利率權重較高。自從2008年全球經濟危機后，全球的消費逐漸萎縮，導致我國一些出口產品供過于求，許多企業(yè)紛紛轉為內銷，再加上政府刺激消費的舉措頻頻出臺，內需逐步成為推動我國經濟增長的最主要的因素，到2015年，我國成功實現(xiàn)了經濟增長由投資和外貿拉動為主向由內需特別是消費為主的重大轉型，匯率作為影響我國外貿的主要因素之一，隨著出口對我國經濟的貢獻率的下降，其對我國經濟的影響也逐漸降低，此外我國人民幣國際化進程的緩慢也抑制了匯率對我國經濟的有效作用，因此擁有較低的權重。

圖3 兩種機制下各金融指標的權重系數(shù)

4.趨勢圖。通過 MS-MF-VAR模型計算出來的兩種機制下的月度混頻金融狀況指數(shù)MSMFFCIm見圖4。由圖4可知，兩種機制下的MSMFFCIm幾乎重合。一般說來，金融狀況指數(shù)越大，表明經濟不確定因素越多，市場壓力越大。2008年至2010年正值全球金融危機前后，我國股票價格大幅度下挫，對外貿易受全球消費萎縮的影響而深受打擊，同時政府為了振興經濟實施了一系列擴張的財政政策和貨幣政策，貨幣超發(fā)又催生經濟泡沫。內外部壓力使得此時段的非對稱混頻金融狀況指數(shù)迅速上升并持續(xù)處于高位，市場面臨極大的不確定性。除了2008年至2009年起伏很大，其他時間段都呈小幅波動的狀態(tài)，總體而言，我國金融運行狀況比較平穩(wěn)。

圖4 兩種機制下的MSMFFCIm

（三）MSMFFCIq 與GDP圖形比較

由于估計出來的 MSMFFCI為月度數(shù)據，為了能與季度 GDP數(shù)據進行比較，將MSMFFCIm進行月度平均換算為季度數(shù)據，再將季度MSMFFCIq與季度 GDP畫出折線圖。

由圖5可以看出，MSMFFCIq與GDP的趨勢軌跡大致相同，并且從幾個波峰和波谷可以看出，MSMFFCIq顯著地領先GDP大約1-2個季度。如2008年我國由于受金融危機的影響，經濟大幅下滑，GDP當季同比實際增速于 2008年第四季度達到最低點，而MSMFFCIq于 2008年第三季度就達到了波谷；在此之后隨著全球經濟的逐漸復蘇以及我國擴張性財政政策的推進，我國2009年GDP呈現(xiàn)快速增長，于2009年第四季度達到頂點，而MSMFFCIq在 2009年第二季度就顯示了波峰；而由于此次財政的擴張與實際消費能力和經濟吸收能力的不匹配，導致過度投資和貨幣超發(fā)和流動性過剩以及經濟增速又出現(xiàn)放緩現(xiàn)象。這到 2012年才逐漸穩(wěn)定，而MSMFFCIq的走勢也完全符合了這一輪的經濟波動。這表明MSMFFCIq對于GDP有一定的預測能力，可以作為GDP的先行指標，預測時間大致為1-2個季度。為了探索中國非對稱混頻金融狀況指數(shù)(MSMFFCI)是否更有效，本文計算出同樣條件下運用標準VAR模型得到的同頻金融狀況指數(shù)SFFCIq，并畫出MSMFFCIq、SFFCIq以及GDP的折線圖以進行比較，見圖6?？偟膩碚fMSMFFCIq與SFFCIq都領先 GDP，如 2009年第四季度GDP達到波峰，而MSMFFCIq與 SFFCIq都于 2009年第二季度就達到了波峰。但在 2008年第四季度 GDP達到波谷時，SFFCIq于同期達到波谷，而MSMFFCIq提前一個季度就達到了波谷?？偟膩砜?，MSMFFCIq對GDP的領先作用要優(yōu)于SFFCIq。

圖5 MSMFFCIq與GDP當季同比實際增速折線圖

圖6 MSMFFCIq、SFFCIq與GDP當季同比實際增速比較圖

（四）格式杰因果關系

為了探索MSMFFCIq與 GDP的關系，對其進行格蘭杰因果關系檢驗。結果表明，格蘭杰檢驗在1%的顯著性水平上拒絕了滯后期為1-6階時MSMFFCIq不是GDP的原因的假設，說明MSMFFCIq是 GDP的格蘭杰原因；在 1%的顯著性水平上接受了滯后期為 1-6階時 GDP不是MSMFFCIq的原因的假設。說明在 1-6階時，MSMFFCIq與GDP之間有單向的因果關系，可以進行預測分析。篇幅限制沒有列出檢驗結果。

（五）MSMFFCIq 與GDP跨期相關性分析

為了進一步判斷MSMFFCIq對 GDP是否有領先和預測作用，對MSMFFCIq與GDP進行跨期相關檢驗，同時為了比較，也檢驗了SFFCIq與GDP的跨期相關性，結果見表1。

結果表明：MSMFFCIq與 GDP的跨期相關系數(shù)隨領先期的增加先增大后減小，并在第2期達到最大值0.472，第1期和第3期的相關系數(shù)也較大；而SFFCIq與GDP之間最大的跨期相關系數(shù)為第 1期的 0.3152，總體說來其與 GDP的相關性要低于MSMFFCIq。說明MSMFFCIq與 GDP之間具有明顯的跨期動態(tài)相關性，MSMFFCIq對未來經濟增長趨勢的預測在中短期效果最佳，且預測效果優(yōu)于SFFCIq。

表1 MSMFFCIq、SFFCIq與GDP跨期相關關系

（六）預測檢驗

本文采用回歸方程式對GDP進行預測，其具體公式如下：

其中表示提前k期的MSMFFCIq，這里k=1,2,??,6，SFFCIq對GDP的預測方法也一致，預測結果如表2所示。

表2 MSMFFCIq和 SFFCIq對GDP的預測檢驗

由表2可知，提前1-3期的對GDP的影響系數(shù)都在 1%,的置信水平上顯著，說明MSMFFCIq對 GDP有較好的預測能力。其中提前 2期的擬合優(yōu)度最高，為22.44%,，并且提前 2期的MAE和RMSE是所有期數(shù)中最小的；而SFFCIq對 GDP預測的系數(shù)估計值除了第 3期，其他期數(shù)都在 10%,的顯著性水平上顯著不為零，其中第 6期的擬合優(yōu)度最高，為 23%,，略高于MSMFFCIq，但SFFCIq提前 6期的 MAE和RMSE都要高于MSMFFCIq。雖然對于一般的回歸預測來說，MSMFFCIq和SFFCIq對于 GDP的解釋力度都較低，但由于影響經濟增長的因素很多，變化機制很復雜，且由于市場的不健全、消費的不成熟等因素使得其對經濟影響的傳導速度慢、鏈條太長、滯后性高，要想提高模型的解釋力度，還需要加入除FCI的其他變量，但由于本文的目的不在此，因此并不做相關研究。

六、結論與建議

為了充分利用混頻數(shù)據信息和減少人造同頻數(shù)據導致的信息丟失，本文選擇 1個2002年第1季度—2015年第4季度的GDP當季同比實際增速季度數(shù)據和6個2002年1月—2015年12月的貨幣供應量、短期利率、股價、房價、匯率、社會融資規(guī)模金融狀況指標月度數(shù)據組成了一個混頻樣本數(shù)據，通過馬爾科夫機制轉換混頻向量自回歸(MS-MF-VAR)模型計算系數(shù)權重，構建中國非對稱混頻金融狀況指數(shù)(MSMFFCI)，并實證檢驗了其對GDP的預測能力，同時將其與標準VAR模型構建的同頻金融狀況指數(shù)(SFFCI)進行了比較。結果表明：第一，根據 MS-MF-VAR模型構建的中國非對稱混頻金融狀況指數(shù)(MSMFFCI)與 GDP具有顯著的格蘭杰因果關系，同時跨期相關系數(shù)檢驗表明MSMFFCI比SFFCI更有效，領先GDP大致1-2個季度，最大跨期相關系數(shù)為 0.472，預測檢驗的最大擬合優(yōu)度為 22.44%,，表明本文構建的中國非對稱混頻金融狀況指數(shù)(MSMFFCI)可以作為經濟增長的一個先行指標；第二，6個金融狀況指標對 GDP的作用在大小和方向上都不同，這表明綜合多個經濟金融信息來監(jiān)測經濟增長的必要性和準確性；而同一個變量在不同的機制下對GDP的作用程度也是不同的，機制1反映我國實行穩(wěn)健的貨幣政策，機制2反映我國實行寬松的貨幣政策，而兩種機制下各個變量的權重差異符合經濟解釋和現(xiàn)實意義，這表明本文構建的中國非對稱混頻金融狀況指數(shù)(MSMFFCI)是合理有效的。不論是在哪種機制下，短期利率和房價對經濟增長具有較大的影響，而匯率對經濟增長的有效性則顯得不足。

為更好地發(fā)揮新金融狀況指數(shù)對經濟增長的預測作用，本文提出以下幾點建議。

第一，定期編制中國非對稱混頻金融狀況指數(shù)，并應用于經濟增長的預測。混頻金融狀況指數(shù)彌補了同頻模型構建的標準 FCI由于在同頻數(shù)據處理過程中造成的信息丟失的缺點，從而對經濟形勢具有較高的解釋力度，同時又具有很強的具體操作性。因此，國家可以指定專門的機構部門對中國非對稱混頻金融狀況指數(shù)進行跟蹤測算，并且對其進行定期公布，真實透明地反映我國金融狀況的松緊程度，并對我國未來的經濟增長趨勢進行預測。這個方面我國可以借鑒外國經驗，事先指定一個相對獨立的金融部門或者金融機構對我國的混頻 FCI進行跟蹤測算，定期公布測算結果，并將其作為我國宏觀經濟監(jiān)測重要參考指標。

第二，持續(xù)推動我國人民幣全面國際化，強化我國匯率對經濟的作用機制。本文研究結果表明，貨幣供應量、股價和社會融資規(guī)模在不同機制下的FCI中所占權重較大，短期利率和房價在兩種機制下權重都較大，而匯率所占權重較小。最大的原因可能在于我國過于緩慢的人民幣國際化改革進程，雖然目前人民幣已經加入 SDR，但人民幣在國際貨幣體系中依然缺乏主導地位，從而匯率的資產配置效應還未釋放出來，存在資金的管制，在對經濟的作用中難以立見成效。因此，我國應切實持續(xù)推動人民幣國際化，在有效控制風險的情況下加快金融市場的開放，從而提高金融市場調控經濟的主動性和有效性。

［1］封思賢，謝啟超，張文正.金融狀況、通脹不確定性與通脹預測——基于 Markov機制轉換模型的分析[J].當代經濟研究，2012(5)：58-64.

［2］郭 曄，楊 嬌.貨幣政策的指示器——FCI的實證檢驗和比較[J].金融研究，2012(8)：16-28.

［3］李 成，王 彬，馬文濤.我國金融形勢指數(shù)的構建及其與宏觀經濟的關聯(lián)性研究[J].財貿經濟，2010(3)：20-26.

［4］李正輝，鄭玉航.基于混頻數(shù)據模型的中國經濟周期區(qū)制監(jiān)測研究[J].統(tǒng)計研究，2015，32(1)：33-40.

［5］李正輝，鄭玉航.金融狀況指數(shù)的動態(tài)特征及其有效性研究[J].財經理論與實踐，2015(4)：39-44.

［6］劉 漢，劉金全.中國宏觀經濟總量的實時預報與短期預測——基于混頻數(shù)據預測模型的實證研究[J].經濟研究，2011(3)：4-17.

［7］劉妍瓊，許滌龍.中國金融狀況指數(shù)的構建及其時間演化特征[J].財經理論與實踐，2014，35(6)：18-23.

［8］陸 軍，梁靜瑜.中國金融狀況指數(shù)的構建[J].世界經濟，2007(4)：13-24.

［9］欒惠德，侯曉霞.中國實時金融狀況指數(shù)的構建[J].數(shù)量經濟技術經濟研究，2015(4)：137-148.

［10］王玉寶.資產價格的政策信息作用與FCI指數(shù)[J].金融理論探索，2003(6)：5-6.

［11］葉 光.基于混頻數(shù)據的一致指數(shù)構建與經濟波動分析[J].統(tǒng)計研究，2015，32(8)：17-26.

［12］溦易曉，劉 洋.中國金融狀況指數(shù)構建及貨幣市場穩(wěn)定性研究[J].上海經濟研究，2014(8)：3-15.

［13］余 輝，余 劍.我國金融狀況指數(shù)構建及其對貨幣政策傳導效應的啟示——基于時變參數(shù)狀態(tài)空間模型的研究[J].金融研究，2013(4)：85-98.

［14］鄭挺國，王 霞.一種基于混頻數(shù)據的中國經濟景氣一致指數(shù)[C].中國數(shù)量經濟學會，2011：15.

［15］周德才，馮 婷，鄧姝妹.我國靈活動態(tài)金融狀況指數(shù)構建與應用研究——基于 MI-TVPSV-VAR模型的經驗分析[J].數(shù)量經濟技術經濟研究，2015(5)：114-130.

［16］周德才，燕 洪，鐘佳敏.中國混頻金融狀況指數(shù)的構建[J].統(tǒng)計與決策，2017(15)：5-10.

［17］Aruoba S.B.，Diebold F.X.，Scotti C.Real-time Measurement of Business Conditions[J].Journal of Business &Economic Statistics，2009，27(4)，417-27.

［18］Brave S.，Butters A.Diagnosing the Financial System：Financial Conditions and Financial Stress[J].International Journal of Central Banking，2012，8(2)：191-239.

［19］Camacho M.Mixed-frequency VAR Models with Markov-switching Dynamics[J].Economics Letters，2013，121(3)：369-73.

［20］Mayes DG.，Viren M.Financial Conditions Indexes[C].Bank of Finland Discussion Papers 17，2001.

［21］English W.，Tsatsaronis K.，Zoli E.Assessing the Predictive Power of Measures of Financial Conditions for Macroeconomic Variables[C].BIS Papers，2005，22：228-52.

［22］Goodhart C.，Hofmann B.Asset Prices，F(xiàn)inancial Conditions，and the Transmission of Monetary Policy[J].Proceedings，2001，114(2)：198-230.

［23］Koop G.，Korobilis D.A New Index of Financial Conditions[J].European Economic Review，2014，71：101-16.

［24］Kim C.J.，Nelson C.R.State-Space Models with Regime Switching：Classical and Gibbs-Sampling Approaches with Applications[J].Journal of the American Statistical Association，1999，1(232)：105.

［25］Lack C.P.A Financial Conditions Index for Switzerland[J].Monetary Policy in a Changing Environment，2003：398-413.

［26］Mariano B.S.，Murasawa Y.A New Coincident Index of Business Cycle and Based on Monthly and Quarterly Series[J].Journal of Applied Econometrics，2003，18：427-43.

［27］Matheson T.D.Financial Conditions Indexes for the United States and Euro area[J].Economics Letters，2012，115(3)：441-46.