动态金融状况指数构建与应用研究

屈军 朱国华

摘要：本文基于金融变量和通货膨胀之间的传递机理，选取了2001年1月至2014年12月期间利率、汇率和股票市场等金融变量指标的非平衡面板数据，利用时变系数和随机波动率的因子扩展向量自回归（TVP-FAVAR）模型构建了动态权重的金融状况指数（FCI），克服了传统固定权重构造方法中经济信息含量少、未考虑经济制度环境结构性变化等缺点。在此基础上，本文进一步研究了金融状况指数与通货膨胀之间的动态关系，结果表明金融状况指数能较好预测和解释未来通货膨胀运行趋势，样本期内通货膨胀对金融状况指数冲击响应具有显著时变动态特征。

关键词：金融状况指数；通货膨胀；TVP-FAVAR

中图分类号：F8314 文献标识码：A

一、问题的提出

根据传统的货币数量理论，当产出水平和货币流通速度给定时，物价变化仅取决于货币流通速度。然而在金融市场快速发展时期，该结论有可能并不成立。如果新增货币供应量进入虚拟经济而不是流入实体经济领域，短期内将会出现低通胀和高金融资产价格并存的现象（封思贤等，2012）。正如当前我国CPI指数从2014年初开始一直处于下降通道，而金融市场却出现“股债双牛”的局面。2008年国际金融危机后，市场普遍认识到全球金融市场已处于系统性风险频发时期，各类型金融市场的波动率溢出效应越加显著，这促使我们需要从全局视角考察金融市场与通货膨胀之间的关系。特别是近10余年来，在我国经济制度环境已发生显著变化的背景下，金融市场在不同时期对通货膨胀的影响程度和特征是否发生动态变化？

2008年国际金融危机引起了学术界关于金融冲击对实体经济影响测度的广泛兴趣，众多金融机构（如高盛、德意志银行、花旗和彭博）和相关政策制定者（如OECD、加拿大银行和美国联邦储备银行）开始密切监控金融状况指数（Financial Condition Index，简称FCI）。强烈的需求引起众多文献使用不同的实证计量方法构建FCI。FCI因具有将含有未来经济信息的多维金融变量囊括为单一综合信息指标的优势，为本文研究整体金融市场状况对通货膨胀水平影响机制提供了便利。然而，我国除了部分学者进行讨论外，目前并没有官方公开发布的FCI。因此，如何构建符合我国金融实际情况的FCI并考察其与通货膨胀水平的动态关系是本文所要解决的重点问题。

通过文献梳理，FCI研究主要沿两个维度展开：（1）指数成份变量的选取。一般来说，基于不同的指数构造理论基础和目的造成了不同的选择标准。如加拿大银行在19世纪90年代首次提出货币状况指数（MCI）时只包括再融资利率和汇率两个指标，但随着该指数工具在诸多国家的广泛应用，指数覆盖范围也越来越广，包括长期利率、股票价格和房屋价格等，并取名为FCI以区别MCI；最早提出FCI的Goodhart和Hofmann（2001）使用短期利率、实际有效汇率、房地产价格和股票价格四个变量；Boivin等（2009）从货币传递机制角度将指数成份变量分为新古典和非新古典两大类，前者包括利率、股票价格、收益率曲线和信用风险等指标，后者包括更为广泛的如测度市场流动性、借贷者风险和金融中介平台的贷款能力与意愿、抵押品价值等金融变量；Hatzius等（2010）选取了涵盖利率、股票、商品价格指数和市场波动率等共计45个金融变量。（2）指数构建的计量方法。金融状况指数构建方法经历较长历史演变，早期对FCI研究主要集中在收益率曲线斜率、信用价差等（Stock和Watson，1989）。随着计量技术的发展，诸多方法被用来构建FCI，主要可以分为如下三大类：一是变量权重法。变量权重选取原则一般是基于每一变量变化对实际GDP的相对影响估计值。在此思想上，沿着权重的估计方法得到了诸多拓展，如基于大规模宏观经济模型的模拟值、向量自回归模型或简化式的需求方程。二是主成份分析法，主要从高维金融变量中提取共同因子，以捕捉变量的最大共同变化值。三是综合法。将变量权重和主成份法结合起来，如因子增广的向量回归模型（FAVAR）、时变参数因子增广的向量回归模型（TVP-FAVAR）。

相比而言，国内对FCI的研究较晚，但是发展十分迅速。指标选取方面基本上都包括了利率、汇率、股票、房地产价格和货币供应变量等，如王玉宝（2005）、封思贤等（2012）、许涤龙和欧阳胜银（2014）、邓创和徐曼（2014）、余辉和余剑（2013）等，而徐国祥和郑雯（2013）则增加了社会融资规模指标，刁节文和章虎（2012）增加了外汇储备指标。上述学者所采用的权重确定方法主要包括VAR模型、广义脉冲响应函数（GIRF）、SVAR模型、主成份分析法、TVP-VAR模型等。

经国内文献梳理，本文认为目前我国学者在构建FCI研究中仍有如下两点值得改进：（1）充分发挥主成份分析方法在多维经济变量中提取信息的优势，避免指标选取的主观性；（2）考虑样本期内我国金融制度、冲击及其他结构性变化，以动态权重代替传统固定权重构建FCI。部分学者在此方面已取得一定成果，如邓创和徐曼（2014）克服了前者但未考虑后者，余辉和余剑（2013）克服了后者但是未充分利用前者方法的优势。因此，本文的主要贡献在于：（1）综合汲取前述两者构建方法的优点，通过时变系数FAVAR模型的方法，构建动态权重的金融状况指数，充分考虑了指数成份变量权重随时间变化而更新的特征。（2）基于FCI与通货膨胀的传递机理选取了指数成份变量，考虑到期货市场在发现未来价格方面的功能，首次纳入了期货市场价格指数。与已有文献不同，本文在指数构建过程中剔除了金融变量中含有的通货膨胀信息。（3）基于构建的动态权重金融状况指数，考察了金融状况对通货膨胀的预测效果和动态脉冲响应特征。

二、FCI理论模型构建与估计

我国在近10余年的发展过程中，金融环境已发生了诸多变化，如2005年以来的人民币汇率改革、商业银行体制改革等。随着金融市场发展和金融工具逐渐丰富，从多维度考察我国金融状况成为现实需要，而TVP-FAVAR模型汲取了已有方法的诸多优势，如针对变量在不同时刻的不同权重取值的方法能有效解决结构性突变问题，充分利用了高维度变量信息优势的FAVAR模型能有效解决标准VAR模型的“高维诅咒”困境和遗漏变量问题，能对我国金融状况的实际情况进行较好刻画。具体构建方法如下：

三、FCI构建与说明

（一）指标成份选择与传递机理

金融状况可以被定义为影响当前经济行为和能预测未来经济发展的金融变量。从理论上说，金融状况指数成份变量应包括所有与经济活动相关的刻画金融工具供给与需求的金融变量，如一系列的资产价格和数量、潜在资产供给与需求的指标，后者还可包括对金融中介机构资本充足率的信贷可能性调查（Hatzius，2010）。本文以成份变量对通货膨胀的传递机理为理论基础，结合已有文献变量选择方法和我国数据可得性，选择如下6大类共计52个变量指标：

1.利率指标。根据永久收入理论和生命周期理论，私人消费水平取决于三个因素：现期收入、预期收入和持有资产的价值。利率变动将会导致预期收入的变化，并引致现期消费需求的变动。如利率水平的下降将导致借贷成本下降，通过跨期替代效应影响现期消费；利率影响股票和债务资本的市场价值（托宾Q效应）进而影响企业的投资决策行为；消费需求和产品市场供给变化进而影响通货膨胀水平。本文主要选取了代表银行间同业拆借与银行间债券质押回购市场不同期限的月度加权平均利率，删除含有大量缺失值变量后共计15类。

2.汇率指标。汇率变动通过影响进口商品（中间品或终端产品）价格、贸易收支、境外资金流入与流出等渠道最终影响通胀水平（封思贤，2012）。本文主要选取了名义有效汇率指数、与各主要贸易国货币汇率（如日元、美元和欧元等），共计6类。

3.资产价格指标。包括股票和房地产市场。资产价格渠道主要通过财富效应、托宾Q效应和资产负债表等效应影响通胀水平。股票市场指标主要选取了股票指数、股票发行股本和市价总值等共计8类；房地产市场指标主要包括国房景气指数、房地产开发企业商品房销售面积等共计8类，其中商品房销售面积原始数据为以年为单位按照月度频率的累加数据，且缺失每年的一月份数据，本文将每年2月份的累加数据平均值替代1月份和2月份值，并将所有月份累加数据转换为当月流量数据。

4.货币供应量指标。货币供应量是央行控制信贷规模供给以调节市场消费需求和投资需求的重要工具，并最终影响物价水平，主要包括流通中现金M0、M1和M2，及社会融资规模数据等共计10类。可获得相关社会融资规模数据最早年份为2002年，未获得的数据将以缺省值表示。本文采用的卡尔曼滤波估计法能很好处理非平衡面板数据问题①。

5.商品期货价格指数。期货市场基础功能是发现未来价格，那么大宗商品期货价格必然隐含着市场参与者对未来宏观经济的预期信息。而我国近十年来大宗商品期货市场价格也逐渐得到国内外市场的认可，因此有必要将期货价格信息纳入金融状况指数成份范围。主要包括Wind商品、谷物、有色金属和化工价格指数等4类。

6.宏观经济变量。主要作用是去除金融变量中所包含的通货膨胀信息，以更全面反映未来的物价水平状况。本文选取了居民消费价格指数月度（同比）数据作为通胀水平的代理指标。

（二）原数据预处理

为对比分析金融危机前后我国金融状况，原始数据为2000年1月至2014年12月期间月度时间序列非平衡面板数据，主要来源于中经网统计数据库、中经网产业数据库、Wind金融终端等。首先使用X12-ARIMA季节性调整程序对原始水平数据进行季调，而对于样本内的缺失值主要利用ARIMA过程进行填充②；然后，对所有变量使用ADF和PP方法检验变量的平稳性，对非平稳变量进行差分或取对数等方法转换为平稳，检验结果表明大部分利率和汇率原始水平数据是平稳的，而其他变量在一次差分后在显著性水平为5%条件下，皆拒绝了非平稳性的原假设③；最后，借鉴Stock和Watson（2005）的方法，剔除原始数据中的离群值，离群值定义为每一列平稳序列中变量的绝对中位数离差（absolute median deviation）大于6倍的四分位差（interquartile range）。 此外，与其他文献对变量取缺口值的方法不同，本文借鉴了Koop 和Korobilis（2014）处理方法，直接对平稳变量进行标准化，以期统一量纲考察变量变化情况；而对模型（2）中因子滞后阶数的选择主要采用如下方法：利用主成份法对所有金融变量提取方差解释最大的公因子，将公因子与居民消费价格指数构成标准的二变量VAR模型，利用AIC、BIC等信息准则选择最优滞后阶数。考虑到有些学者并不认同信息准则的方法，本文分别取不同的阶数进行检验，结果结论稳健。

（三）金融状况指数构建

通过TVP-FAVAR模型，本文构建了FCI。为方便直观比较，本文还将FCI和居民消费者价格指数（同比）走势进行了对比，如图1所示。

从走势图来看，两者有着较强的相关性。如在2008年1月份CPI指数达到了峰值1087，而FCI指数在2007年9月达了局部峰值04219；2009年7月份CPI指数达到最低点982，FCI指数则在2009年1月份已“逃离”峰谷-07419。总体可以看出，FCI指数对通货膨胀具有较强的预测效果，但提前预测时间段并不一致。

与传统常数权重不同，TVP-FAVAR模型通过时变载荷因子系数考虑了FCI指数在不同时期与成份变量之间的相关关系，如图2所示。

从单一变量动态变化轨迹进行分析，如人民币有效汇率指数，其载荷系数从2002年中旬的最低点-032，经过2005年7月汇率体制改革后，至2008年4月达到最大值-006，但在后续5年中，系数值逐步下降；M2发行量从2002年初开始，载荷系数从最高点051逐步下降至2014年底的028，说明货币供给量与整体金融状况相关性下降，利用单一货币供给量指标已不能全面衡量整体金融状况，验证了监控社会融资规模的重要性。而Wind商品指数、社会融资规模人民币贷款和银行间同业拆借加权平均利率的系数取值走势大致相同，在2005年初左右达到峰值，后续年份逐步下降；股票市值变量的系数则在2004年达到顶点03，逐步下跌至2008年中旬的02，之后随着股票市场复苏，系数正逐月增加；国房景气指数系数2000年1月的起始值为018，在 2010年1月份达到峰值027，其后缓慢下降，整体反映了此十年间房地产市场价格逐年攀升，虽然2008年全球金融危机导致了房地产市场前景堪忧，但四万亿刺激政策有效缓解了外部经济恶化对房地产市场的影响。从以上可以看出，变量系数变化很好地反映了我国经济政策对金融状况成份在不同时期所产生影响程度的时变性④。

四、我国FCI与通货膨胀的动态关系检验

（一）Granger因果检验

FCI和通货膨胀的Granger因果检验结论如表1所示。在5%显著性水平下，拒绝了FCI不是通货膨胀的Granger原因的原假设，即FCI能作为通货膨胀变化的解释变量，可以用于预测未来通货膨胀水平；然而通货膨胀从统计角度来说并不能解释FCI的变化。

（三）时变脉冲响应分析

考察FCI单位负向冲击对通货膨胀水平影响，如图3所示。从整个样本期来看，通货膨胀对FCI冲击的响应并不是固定不变的，而是呈现动态变化特征。为观察方便，本文对比考察了2006年1月和2014年1月的冲击响应特征，如图4所示。在2014年1月份，对FCI一单位的负冲击，通货膨胀将在未来第5期时达到最低点-008，并在未来12期内迅速回升至原来水平；相比较而言，在2006年1月，对FCI一单位的负冲击，通胀指数在第5期时下降至底点-005，在未来17期内恢复至初始状态。即整体金融状况紧缩将导致价格水平下降的低通胀现象，符合经济理论预期。以样本期内脉冲响应中位值为基准，2014年1月比2006年1月脉冲响应的波动性显著加大。

五、结论与建议

本文结合传统构造FCI的主成份分析法和动态权重法，利用时变系数和随机波动率的因子扩展向量自回归（TVP-FAVAR）模型，基于通货膨胀和金融变量之间的传递机理，选取了2001年1月至2014年12月期间利率、汇率和股票市场等金融资产价格的52个金融变量指标的非平衡面板时间序列数据，构建了动态权重的金融状况指数（FCI），有效地从高维金融变量中提取经济信息，避免了传统指标成份变量选取的主观性，且考虑了不同时期经济制度环境的结构性变化对指数构建的影响。

基于构建的FCI，本文通过Granger因果和跨期相关性等方法检验了FCI对通货膨胀预测效果，结果表明FCI可以作为通货膨胀变化的解释变量且预测效果主要体现在中期，反之不成立；通过对时变脉冲响应函数分析，不同时期通货膨胀对FCI的一单位负向冲击呈现出不同的时变特征。与已有研究文献研究结论相同的是，我们建议中央银行将FCI纳入通货膨胀的监管指标，通过观察从金融变量隐含的未来通胀水平信息以提高调控宏观经济的针对性，但是在治理过程中，需以动态视角观察两者之间关系，因为通胀水平在不同时期对金融状况的冲击表现出显著时变特征。需要注意的是，由于FCI并没有坚实的理论微观基础，其稳定性和预测能力受到来自“卢卡斯批判”观点的质疑，即政策变动将会对人们预期产生影响。考虑到不同指数在不同时期包含的金融成份变量也可能发生变化，因此使用动态模型平均（DMA）法将是未来研究方向。

注释：

① 具体技术过程可参考Dimitris Korobilis（2014）。

② 此处使用了IRIS工具箱软件包：http：//iristoolbox.codeplex.com/.

③ 考虑了滞后1到4阶等不同情形。

④ 由于篇幅限制，单一变量系数动态变化图并未给出，感兴趣的读者可向作者索取。

参考文献：

[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] 王玉宝.金融形势指数（FCI）的中国实证[J].上海金融，2005（8）：29-32.

[6] 封思贤，蒋伏心，谢启超，等.金融状况指数预测通胀趋势的机理与实证——基于中国1999-2011 年月度数据的分析[J].中国工业经济，2012（5）：18-30.

[7] 许涤龙，欧阳胜银.金融状况指数理论设计及应用研究[J].数量经济技术经济研究，2014（12）：55-71.

[8] 邓创，徐曼.中国的金融周期波动及其宏观效应的时变特征研究[J]. 数量经济技术经济研究，2014（9）：75-91.

[9] 余辉，余剑.我国金融状况指数构建及其对货币政策传导效应的启示——基于时变参数状态空间模型的研究 [J].金融研究，2013（4）：86-98.

[10]徐国祥，郑雯.中国金融状况指数构建及预测能力研究[J].统计研究，2013（8）：17-24.

[11]刁节文，章虎.基于金融形势指数对我国货币政策效果非线性的实证研究[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

（责任编辑：张曦）