走在统计数据之前：以M2为例

郑衡亮

基本思路

预测一个经济变量经常从其自身历史趋势及与其余相关变量的关系中寻找规律。当预测从长期走向短期，尤其是在上月尾新月初，在统计局公布之前估算该变量在过去一个月的表现时，我们就应该转而分析变量的定义及自身的构成，以便利用高频数据等公开的最新的信息来估算，以提高预测精度。我们在中长期预测M2的增速，可以使用历史趋势分析法，信贷收支分析法或货币乘数分析法，但当预测区间落在刚刚过去的月份时，我们可以从M2本身的定义及构成出发。目前的货币口径主要分为三个层次：M0，即流通中的现金（金融机构体系外）；M1，M0加上单位活期存款；M2，M1加上准货币（主要为个人储蓄存款加上单位定期存款）。分析构成M2的各项要素，我们提取出两个变量，用来预测每月新增M2，即流通中的现金M0和人行金融机构信贷收支表的总存款增量。分别通过加法测算、回归拟合和误差修正模型拟合出当月M2值及其同比增速，并取三者的平均值。通过我们模型的测算，发现样本区间取过去四年（48个月）的数据进行回归拟合时，预测值对实际值偏离量的标准差最小。而通过我们的模型对过去8个月（碍于历史数据限制，只检测8期数据的拟合情况）的拟合，通过加法测算、回归拟合、修正误差模型拟合以及三者平均值得到的M2增速，四者的平均离差绝对值分别为0.342，0.175，0.279，0.186个百分点，而四者的标准差分别为0.245，0.214，0.211，0.177个百分点。在合理地估计了M0和新增存款数据的前提下，我们使用三种方法的平均值，能将M2增速平均预测偏差控制在大约0.2个百分点内。

数据来源与初步处理

我们使用中国人民银行金融机构信贷收支和货币统计数据。央行在2011年11月15日发布了《中国人民银行有关方面负责人关于广义货币供应量（M2）数据的说明》：自2011年10月起，扩大M2统计口径以包括非存款类金融机构在存款类金融机构的存款和住房公积金两项。故对于2011年10月（含）以后的数据，我们要根据央行公布的同比计算可比口径M2，否则扩大口径后，使用未经口径调整的M2，计算出来的同比会在2011年10月产生断层式上升。

M0具有很强的季节性，并且在相同的经济和政策环境里季节性差异具有相似性。假设宏观经济环境具有一定的延续性，并且考虑到M0占M2的比例不到6%，我们简单参照去年同期的M0环比来拟合当期的M0值。于是当月M0=上月M0*（1+去年同期环比）。

国家统计局在每月中旬才公布M2等货币和信贷统计数据，但是在每月初就有一些媒体公开报道上月四大行的新增存款数据。我们可以根据历史上四大行新增存款在全部金融机构新增存款的占比来估计当月新增存款数据。因为人行的金融机构信贷收支表统计范围包括中国人民银行，在考察四大行的新增存款占比时，应本着可比口径原则，应在全部金融机构新增存款基础上剔出掉财政存款增量和机关团体存款增量，而这两项又具有很强的规律性。结合历史经验预测，最后得出：新增存款=财政存款增量+机关团体存款增量+四大行新增存款/四大行新增存款占比。

加法测算M2

在数据初步处理的基础上，我们将分析过的两个变量流通中的现金M0的增量和新增存款加总，当作新增M2的估算，并且将上个月的可比口径M2加上当月新增M2，得到当月M2值。考虑到存款中不属于M2的项目占比和变动都很小，可以看出加法测算得到的M2和实际的M2（可比口径）之间具有很稳定且很显著的相关关系，两者间相关系数高达0.9994。

回归拟合M2

一般预测经济变量，主要使用三种方法，一是时间序列方法；二是因果关系回归拟合方法；三是误差修正模型拟合方法。当待预测变量自身时间序列呈现无规律的随机游走状态时，因果关系方法却可能发挥作用——如果能找到另一随机游走序列，并且这两个序列的无规律状态刚好契合。在加法测算的基础上，我们将加法测算M2当作自变量，我们在上一节的分析中知道由于两者间具有高度相关关系，可以得知加法测算M2可以作为一个很好的“因”，使用过去48个月的加法测算M2和可比口径M2 数据回归拟合实际M2值。

考察两个经济变量之间的因果关系时，不免要考察一下两变量的同步关系，即领先滞后关系。考察新增存款与新增M2的同步关系使用如下计量模型：

新增M2（t）=a+b*新增存款（t+k）+ε（t） k=…，-2，-1，0，1，2…

其中，t为时间，a，b为一元回归方程的常数项和系数项，k为领先滞后阶数，ε为残差项。当k取小于零的数值时，表示新增存款领先于新增M2；当k取大于零的数值时，表示新增存款滞后于新增M2，当k=0时，表示两者为同步关系。我们通过回归模型的系数t检验（系数显著异于零检验）来判断，t值越大表示k为具有更好拟合关系的滞后阶数。

由回归结果可知，当k=0时，t-test最大且远远超出显著性边界。新增M2与新增存款具有严格的同步关系，且新增存款变动能解释新增M2变动的62.51%。

在上述分析的基础上，建立以新增存款为主要输入变量，合并预测M0得到加法测算M2，并使用加法测算M2作为自变量的一元回归模型。该模型可表述为：

可比口径M2（t）=a+b*加法测算M2（t）+ε（t）；

加法测算M2（t）=可比口径M2（t-1）+新增存款（t）+M0（t）-M0（t-1）；

M0（t）=M0（t-1）*M0（t-12）/M0（t-13）

误差修正模型（ECM）

在因果关系回归拟合的基础上，由于随机误差项ε（t）的存在，每一期M2的实际值总会与给定新增存款估计值下的M2拟合值存在一定的偏离。误差修正模型研究的是作为结果的M2实际值的变化量ΔM2（1阶差分）与作为原因的加法测算M2变化量Δ加法测算M2之间的关系，并在此时纳入上一期结果对拟合值的偏离作为一个新的解释变量（原因），关系式如下：

Y（t）=a0+b0*X（t）+ε0（t） （1）

Y（t）-Y（t-1）=a1+b1*[X（t）-X（t-1）]+c1*ECM（t-1）+ε1（t） （2）

ECM（t）=Y（t）-[a0+b0*X（t）] （3）

将（3），（1）代入（2）并合并同类项得误差修正模型：

Y（t）=a+b*Y（t-1）+c*X（t）+dx（t-1）+ε（t）

其中，Y表示结果变量，X表示原因变量，在这里，Y表示可比口径M2，X表示加法测算M2。由上述模型，可以看出，结果的波动ΔY被分为两部分解释：一是来自于原因波动ΔX；二是来自于短期结果对其长期均衡值的偏离（上期实际值与拟合值的偏差）。这实际上是一阶误差修正模型，在更复杂的误差修正模型中可以引入更多的滞后项，从而形成多阶误差修正模型。ECM模型一般要求ECM项系数（方程（2）中的c1）小于零（或者合并同类项后的系数b小于1）。因此，若（t-1）时期实际值大于其产期均衡值，则c1*ECM（t-1）为负值，产生使ΔY减少的力量，帮助恢复长期均衡关系：若（t-1）时期实际值小于其产期均衡值，则c1*ECM（t-1）为正值，产生使ΔY增加的力量，亦帮助恢复长期均衡关系。这一点为误差修正模型的要义之所在。

使用ECM模型的一个前提是两变量间具有协整关系，计量经济学里常使用E-G两步法检验两变量间的协整关系。协整的核心意思是两个时间序列共有一种随机趋势。对于趋势而言，一般可分为上升趋势和下降趋势。如果一个时间序列的上升趋势（下降趋势）与另一个时间序列的上升趋势（下降趋势）同步，则两变量具有正向协整关系；如果一个时间序列的上升趋势（下降趋势）与另一个时间序列的下降趋势（上升趋势）同步，则两变量具有负向协整关系。因此，识别协整的一种简单方法是看两个序列的趋势是否有对应关系。我们在该文模型里用以预测M2增速时使用了M0和新增存款两个变量，并将两个变量进行加法测算的值作为因果关系回归模型的输入变量。我们可以从图上直观观察到M2与新增存款及加法测算M2值具有很强的协整关系。

模型适应性检验

使用上述三种模型检测2012年1月以来的8个月数据可以看出，使用三种方法计算的拟合值的算术平均值与实际值具有最优的效果，偏差绝对值的均值和标准差都较小。根据模型预测，2012年年末，M2增速将在官方目标附近运行。

基于货币供应量的货币政策思考

当经济处于由于信心缺失或预期不确定而导致的需求不稳定状态时，货币政策应关注货币供应量而非利率，即采取货币供应量目标制。由于经济体的总需求不稳定，致使IS曲线偏离原来位置而上下移动，由IS0向上移动到IS1或向下移动到IS2，如果以利率为目标，移动的IS曲线可能与I=I0相交而确定产出Y3，Y4，偏离原产出Y0较远；如果以货币供应量（M0）为目标，则移动的IS曲线可能与LM（M0）相交而确定产出Y1，Y2，偏离原产出Y0较近；从而，当产出变动主要来自于需求端的扰动时，货币政策采取货币供应量目标制，有利于减少产出的波动。当前经济环境下，只要货币供应量M2不明显低于14%的官方目标，货币政策没有继续大幅放松的必要。

总结

分析构成M2的各项要素，提取出两个变量用来预测每月新增M2，即流通中的现金M0和人行金融机构信贷收支表的总存款增量。分别通过加法测算、回归拟合和误差修正模型拟合出当月M2值及其同比增速，并取三者的平均值。通过我们模型的测算，发现样本区间取过去四年（48个月）的数据进行回归拟合时，预测值对实际值偏离量的标准差最小。对11月数据的初步预测，我们的模型给出M2增速约为13.9%，M2增速区间在13.7%-14.1%，同比增速较上月可能小幅回落。笔者认为该值接近货币政策目标，当前货币政策没有继续大幅放松的必要。

（作者单位：中山大学岭南学院）