我国金融稳定状况的混频测度与时变驱动
2019-11-18张润驰毛德勇
李 鹏,张润驰,毛德勇
(1.郑州航空工业管理学院 经济学院,郑州 450046;2. 南京大学 博士后流动站,南京 210093;3.江苏银行 博士后工作站,南京 210006;4.南京大学 商学院,南京 210093)
内容提要:金融稳定是宏观经济平稳运行的重要前提。基于2006年至2017年宏观经济金融运行数据,采用混频向量自回归模型(MFVAR)构建我国金融稳定状况指数(FSCI),对我国金融稳定状况进行测度和评估,并利用时变参数向量自回归模型(TVP-VAR)分析其隐含的驱动因素。研究显示:总体上我国金融体系运行呈现趋稳态势,但2010年第3季度之前金融体系运行波动剧烈,在金融失衡和金融不稳定状态之间不断转换,之后则趋向相对稳定;同时也发现,股票市场为我国金融不稳定的主要风险策源地,而银行体系则成为维护金融稳定的压舱石;进一步研究表明,社会融资总规模在短期内对金融稳定冲击较大,而货币供给量则无论短期和长期均对金融稳定持续施加影响。以上结论的含义是,维护我国金融稳定,确保股票市场稳定运行至关重要,金融政策短期内应盯住社会融资总规模、长期内则应同时锚定货币供应量。
一、问题提出
20世纪90年代初瑞典银行首先提出金融稳定概念,2008年美国次贷危机爆发使该问题成为各国政府和央行关注的焦点。早在2003年金融稳定一词已出现在我国《中国人民银行法》中,并成为央行法定职能。2017年7月,中央决定设立金融稳定发展委员会,进一步强化央行在金融稳定管理中的核心地位。不言而喻,央行履行金融稳定管理职能的重要前提是对金融稳定状况进行科学有效地测度和评估。当前学术界在相关研究中,对金融稳定测度方法各不相同,评估结果也大相径庭,甚至相互矛盾。相关文献对金融稳定界定的视角主要有两个:一是直接对金融稳定进行定义,主要有关键要素说和金融功能说,其中金融功能说是各国央行所普遍采用的定义,使用也较广泛。二是从金融不稳定的表现来间接界定金融稳定。这种界定方式基于反向归纳的思路,即只要界定清楚了金融不稳定,那么相反的对应情况均为金融稳定。该种观点主要包括系统风险说、关键要素说和信息冲击说,其中影响较广泛的是系统风险说。这两种视角对金融稳定定义各有优劣。相对而言,第一种观点更加容易理解,也能够反映金融对于实体经济发展的重要性,但缺点是金融功能难以直接加以度量,对金融稳定的测度也变得困难;而第二种观点的优点在于更加直观,尤其是系统风险说直接体现了金融稳定与系统性风险之间的紧密关联性。本文更加偏向认同后者观点,认为系统性风险越高则意味着金融稳定程度越低。在现实中,金融稳定是相对概念,金融体系运行往往处在介于金融失衡和金融不稳定之间的亚金融稳定状态。金融失衡意味着金融运行向上偏离了均衡状态,往往体现在资产价格飙升或金融机构不良资产激增;而金融不稳定意味着金融运行向下偏离了均衡状态,主要体现资产价格破裂或金融机构倒闭,此时金融体系丧失了服务实体经济的职能。当金融失衡状态出现时,极易受到不利因素冲击,监管层金融调控措施也往往难以奏效,金融体系运行极易向不稳定状态发展,甚至引发金融危机,阻碍和损害实体经济的发展。因而,金融稳定概念具有明显的层次性,分细分为金融失衡、金融亚稳定和金融不稳定三个子层次。其中,金融失衡和金融不稳定相对应,是整个金融体系非正常运行的状态,而金融亚稳定状态才是多数时期金融体系运行的正常状态。金融不稳定是金融稳定的极端状态,对应的是系统性风险爆发,将对整个金融体系运作产生重大影响。而金融危机往往是金融体系受到较大的内外部冲击而出现的致使金融机构倒闭和金融市场停止运行的极端事件,是特殊风险实现状态,不属于金融体系的整体属性。
在厘清金融稳定内涵基础上,本文梳理了金融稳定不同测度方法,构建基于混频向量自回归模型(MFVAR)的金融稳定状况指数(FSCI),对我国2006年至2017年金融稳定状况进行测度和评估,并且探究影响FSCI变化的主要驱动因素,为我国央行金融稳定管理提供依据。
二、金融稳定测度的思路
综观国内外现有研究,金融稳定测度主要分为事前预测和事后评估两类[1],前者偏重事前预测,类似于“气压计”的作用,而后者倾向于事后评估,类似于“温度计”作用。当前,国内多数研究集中在事后评估方面,主要沿着以下两个路径演进:
第一个研究思路沿着国际货币基金组织和欧洲央行分别提出的金融稳健指标集(FSI)和宏观审慎指标集(MPI)而展开。FSI指标集由12项核心指标和28个外围指标构建而成,而MPI的指标集更广泛,有多达包含银行体系指标、宏观指标和危机传导因素等构成的174个指标。国外众多学者采用此思路对金融稳定进行评估,其中最具代表性的是美联储芝加哥银行学者Brave和Butters(2011)在收集100多个金融市场和金融机构数据基础上,运用主成分分析构造金融稳定指数,对美国1973年至2009年的金融稳定状况进行的评估研究,发现该指数与影响金融稳定的事件基本符合[2]。此后,该方法在全世界范围内进一步得到推广。国内学者何德旭,娄峰(2011)较早利用主成分分析法采用类似的方法构建了我国金融稳定指数(FSI)。方兆本和朱俊鹏(2012)、封思贤等(2014)等构建了金融不稳定指数。周海欧和肖茜(2015)梳理了金融稳定内涵,提出金融稳定指标分为“表现”和“能力”两类,同时指出同类研究中存在的指标选择随意性强、结构不科学、以偏概全和不切合国情等问题。刘诺和余道先(2016)构建了包含宏观经济指标、机构层次指标和市场层次指标的符合我国实际情况的金融稳定指标体系。可以说,此类研究已经成为国内金融稳定评估的主流方法。
第二个研究思路是沿着金融状况指数(FCI)展开。该研究起源于货币状况指数(MCI)的相关文献。20世纪80年代末,加拿大银行提出此指标,并将其用作货币政策的操作目标,主要用于评估货币政策的执行情况,引起了诸多国家央行的普遍关注。Goodhart 和Hofmann(2001)在MCI中引入股价和房地产价格等资产价格指标,将其拓展为FCI,并以此构建了包括利率、汇率、房地产价格和股价四个变量的G7国家的FCI[3]。Van den End(2006)进一步将纳入银行、保险和养老基金等金融机构的偿付能力指标纳入,构建出金融稳定状况指数(FSCI),以全面反映金融体系对经济的影响,并给出了上下波动边界的构建方法以此来定量测度和评估金融体系稳定状况[4]。在FCI中加入金融机构信息,一方面是由于在货币政策传导以及金融运行中金融机构的重要性越来越大,忽视金融机构的运作状况评估是无法完整地评估一国金融稳定,另一方面如果仅仅包括金融市场运行的信息,而忽视金融机构信息,就难以反映当前金融业混业经营的现实。此外,FSCI的所有构成指标均为价格型或者比率类指标,能够有效地反映金融资源配置机制,较好反映了功能视角下金融稳定的本质内涵。我国学者王雪峰(2010)也运用类似的思路在FCI中加入新增信贷规模数据对我国1999年至2008年的金融稳定状况进行评估,但缺陷在于新增信贷规模数据不能贴切地反映金融机构功能对实体经济的影响[5]。郭红兵和杜金岷(2014)运用FSCI模型和状态空间模型对我国2005年和2013年间的金融稳定状况进行评估[6],由于其评估计算并不是基于每个子指标的缺口值,而是根据最终结果计算缺口值,可能使得评估结果相对失真,例如2005年第二季度“汇改”时期与2008年第一季度的“次贷危机”期间的金融不稳定程度大致相同,这显然不太合理。
在上述两类研究思路中,还存在一些共性问题。第一,绝大多数研究将规模性指标和价格性或比率性指标混用。实际上这些指标内涵是不同的。对于刻画金融稳定的功能而言,显然价格性或者比率性指标更加适合。在市场经济中,价格机制是实现资源配置的重要手段。稳定而灵活的价格体系是实现金融稳定的前提条件[7]。金融体系运行的价格机制主要包括利率、汇率以及房价、股价等。如果这些价格严重偏离其均衡值,那么就意味着无法发挥正常的资源配置调节功能,必然导致金融不稳定。这为本文测度金融稳定提供了重要思路。第二,构建金融稳定指数的基础指标缺少退势处理,使得金融稳定测度结果呈现明显长期趋势特征,从而对金融稳定评估易做出误判。从周海欧和肖茜(2015)测算的金融稳定指数结果来看,两者具有明显向上的趋势特征[8]。这明显与我国金融稳定状况时有恶化时有好转的频繁波动事实不相符合。第三,权重的计算方法有待改进。指数的赋权方法过于简单化或者复杂化都会导致各个金融稳定衡量指标在整体计算结果中的贡献被扭曲,出现被放大或者缩小情况,从而影响最终计算结果。
本文的创新之处主要有三点。第一,从金融功能角度对金融稳定内涵进行修正,并遵循金融状况指数(FCI)思路,将不良贷款率指标加入到金融稳定状况指数中,凸显银行稳定性对金融体系的影响,充分反映银行体系在我国金融体系中的地位和作用。第二,运用混频VAR模型(MFVAR模型),将不同频次的宏观数据纳入模型,并利用得到的方差分解信息作为权重,最大化程度利用不同频率变量信息,提高赋权有效性。第三,对我国金融稳定状况进行评估,并利用具有时变特征的TVP-VAR模型深入探究背后的驱动因素。
三、基于MFVAR模型的金融稳定状况指数(FSCI)构建
本文构建的FSCI的过程主要包括三个步骤,第一,在MCI和FCI基础上选择变量;第二,构建MFVAR模型得到各个变量的赋权值;第三,合成各变量得到FSCI指标。
(一)变量与数据
本研究选择的数据样本区间为2006年1月至2017年12月,采用季度数据和月度数据混合频次取样。选择2006年1月作为样本起点,主要是基于,一方面我国宏观经济在2006年开始迈入高速增长阶段,经济失衡问题凸显。2006年固定资产投资和信贷的超高速增长,当年第1季度新增信贷规模已完成全年投放计划的一半还要多,具有明显的失衡特征。此外,当时即使在国家不断出台“国六条”、“国十五条”等宏观调控政策情况下,房价仍然不断上涨,股市也屡创新高;另一方面,2005年7月开始我国新一轮汇率制度改革,人民币汇率形成的市场化机制往前迈进实质性步伐。汇率逐渐作为影响宏观经济各因素的活跃变量。此外,作为影子银行重要组成部分的信托贷款数据起始于该时点,更加便于后续的统计建模分析。
在变量选择方面,借鉴通常的FCI指标构建思路,本文选择国内生产总值的同比增长率作为经济增长(G)的代理变量。对于银行间同业拆借利率(I),本文选用一个月的加权平均利率作为货币市场状况的指标,并且减去同期的CPI得到实际同业拆借利率。对于股票市场,本研究并没有采用通常使用的基于股票价格进行对数差分计算得到的月度股票收益率指标,而是采用A股市盈率(S),主要是考虑到该指标同时包含了股票价格和上市公司盈利能力两个方面的信息,是判断股票市场整体是否被高估或者低估的重要指标,也更能充分反映股票市场的整体风险状况。对于房价(H),本研究选取我国70个大中城市新建住宅价格指数的当月同比作为房价的代理变量。对于汇率(E),本文选取实际有效汇率指数的同比值,以反应汇率变化的影响。作为新加入FCI的代表金融机构稳定性的指标,本文选择银行体系的不良贷款率指标(L)作为表征。这主要是由于我国目前仍然是以银行为主导的金融体系,银行在我国金融业中仍然占据核心地位,具有典型的代表意义。对于银行体系稳定性指标,不良贷款率计算简单且代表意义强,在文献中使用最多,甚至Pan和Wang(2013)认为该指标是衡量银行稳定性的最佳指标[9]。因而,本研究也采用不良贷款率作为衡量银行体系稳定性的代理指标。不良贷款率的计算方式为不良贷款额除以同期的资产总额。所有数据来自Wind数据库。各变量描述性统计如表1。
(二)MFVAR模型的原理与构建
自从Sims(1960)提出VAR方法以来,由于该模型能够较好反映不同变量间的动态关系,在实证中得到了广泛应用。VAR模型不足在于要求进入模型的变量必须是同一频次,对于不同频次数据则无能为力。在这种背景下,混频VAR的建模方法得到重视。Sadahiro和Motegi(2015)提出适合季度和月度数据建模的混频VAR建模方法[10]。下面本文依照FSCI测算思路和变量选择,首先假设建立上述六个变量的同频VAR模型,其次建立混频VAR模型(MFVAR模型),以对比混频VAR模型的优势所在。
表1 变量的描述性统计表
(1)
其中k=1,…,4。我们将(1)中的最后一行单独改写为式(2):
(2)
从(2)式中我们可以清晰地看到实际上排除了季节性效应以及滞后信息传递可能性。这反映出通常采用的降频方法来处理高频变量对估计结果产生的偏差。接来下,本文假设不对月度数据进行加总平均处理而是直接对其进行估计,将月度数据重新排列后与季度数据同时构成MFVAR模型,具体见(3)式。
(3)
(4)
我们可以看到,在上式中a141,k、…、a1412,k可以取不同的值,这意味着Ij(τL-k)、S(τL-k)、H(τL-k)和E(τL-k)可以对G(τL)存在异质性影响。因此模型(3)比数据处理过的模型(2)更加具有普遍性,其最大的优点在于能够最大程度上保留月度数据的信息,这对于进行后续脉冲响应和方差分解特别重要,使得各个变量权重的衡量变得更加准确和合理。更多详细的估计细节请参照Ghysels等(2015)的研究[11]。
(三)赋权方法选择
在赋权方法选择方面主要有等权重法、结构模型系数法、因子分析法、方差分解方法等四种方法。等权重法最简单直接,但将不同的指标权重同等对待,显然过于轻率,在实证研究使用较少;结构模型系数法通过不同的计量模型估算出各个指标的系数,进而确定不同系数在总系数绝对值的大小来计算权重。而计量模型构建方式主要有两种,一种是建立多元线性回归方程的方法来估算,另一种是通过协整的方法来估算,例如郭红兵和杜金岷(2014)采用的不同滞后阶数变量间的边界检验协整方法等。这种计算权重的方法经过多次变换才得到,相对复杂,也容易扭曲估算结果,可能出现较大偏差;因子分析法将公共因子最大方差旋转后的累计方差贡献率作为权重。这种方法对分析大量指标时效果更好,但该方法只能确定公共因子的权重,无法对各个原始自变量确定权重;方差分解法通过建立VAR模型利用广义脉冲和方差分解方法得到各个指标变量的方差贡献占比并作为权重。这种估算方法不需对进入模型的各个变量进行内生和外生的区分和判断,本质上是通过联立方程组的方式来进行估计,很好地解决了内生性问题。因而,该方法在实证中得到了广泛的应用。一些学者还在此基础上运用时变的VAR模型,如周德才等(2015)构建了我国的灵活动态金融状况指数[12]。但是在金融稳定状况指数构建中还很少见。本文认为当样本区间相对较短和变量较多的情况下,时变VAR模型就相对不适合,而混频VAR的优势就相对明显,能够充分利用有限的样本信息,从而做出更加准确的估计。
当前,实证研究中使用最为广泛的是方差分解方法。遗憾的是,相关研究中VAR模型中仅能采用同频次数据,不能处理不同频率信息的变量。而实际上,现实经济运行中不同频次的宏观数据很常见。采用混频VAR模型的优势在于:一是模型数据的限制较少,普适性强;二是能够充分利用原有变量的所有信息,避免对不同频次数据的同频化处理,最大程度减少信息缺失,保证估计的有效性;三是混频VAR可避免因将时间序列进行降频处理带来的样本容量减少等问题。因而,根据本文的数据样本特征,选用混频VAR模型方差分解结果作为权重信息是恰当的。具体的权重信息计算分为两个步骤:第一步,利用建立的MFVAR模型得到各期方差分解值,表2列出了Matlab12软件估计得到的12个滞后期各变量对G的方差分解结果;第二步,借鉴邓创等(2016)[13]等的做法,将12期各期的方差分解结果进行算数平均,最终得出各变量的权重。根据表2的方差分析结果,将各个变量季度方差分解的均值分别加总得到计算得到利率(I)、市盈率(S)、房价(H)、汇率(E)、不良贷款率(L)和经济增长率(G)的权重分别为0.135、0.414、0.11、0.155、0.009和0.177。从结果来看,权重占比最高的是市盈率,而最低的是不良贷款率。
(四)金融稳定状况指数的合成
依据上述得到的各变量权重,按照下列公式合成得到FSCI指数。具体如下:
表2 MFVAR模型中G的方差分解表
图1 我国金融稳定状况指数变动趋势图
四、我国金融稳定状况的判定与分析:历时视角
(一)我国金融稳定状况的判定
依据前文对金融稳定内涵的界定,借鉴Kakes等(2004)的金融稳定状况判定规则,本文将金融稳定状况分为金融失衡、金融亚稳定和金融不稳定三种状态[14]。不同状态的判断依据为,根据金融稳定状况指数得到其样本均值和标准差,将金融稳定的上界临界值确定为样本均值减去标准差,金融不稳定的下界临界值确定为均值加上标准差,而两个临界值之间确定为金融亚稳定。在本文分析的样本区间里,FSCI的样本均值为0.00088,样本标准差为0.0478,则得到金融亚稳定的区间为[-0.0469,0.0486]。图1中的虚线标示出了金融稳定的临界值区间,上下两条长虚线分别表示样本均值加上和减去标准差。则金融稳定状况的判定标准为,如果FSCI超过上界即为金融失衡,如果跌出下界即为金融不稳定,介于上下界之间即为金融亚稳定。根据这一判定规则,我国金融稳定状况判定如表3,为更清晰起见,在图1上也标出了对应的状态区间。
表3 我国金融稳定状况判定
(二)我国金融稳定状况的历时分析
从图1可以看到,整体上我国金融稳定状况指数(FSCI)具有明显的波动特征,而且这种波动特征在2010年第3季度之前表现得尤为明显,之后波幅逐渐缩小,基本在金融稳定区间内小幅震荡。根据表3的金融稳定状态判定结果表明,2005年至2017年间我国金融体系运行出现由金融失衡转向金融不稳定进而趋向金融稳定的演进态势。
具体而言,对于区间Ⅰ的三个子区间对应的是金融失衡状态。这种金融失衡在2007年第2季度至2008年第1季度表现得尤其明显。最主要的表现在于资产价格暴涨,以至于严重偏离内在价值,这又以股票价格和房地产价格表现最为明显。2016年10月上证综指月度收盘点位为1837点,之后至2017年6月快速拉升至3820点,又一口气上涨到2017年10月的5954点的历史最高月度收盘点位,涨幅接近224%。在此期间的2007年10月31日上证综指还创下6124点的单日交易最高点位,至今也未打破这一高位。股价如此大的涨幅明显表明当时我国股票市场出现过热状态,股价严重偏离价值中枢,出现严重高估。同时,房价也大致经历了类似的变化过程。以全国70个大中城市新建住宅价格指数同比增长数据为例,2006年6月增长率为6.6%,但是到了2007年11月的增长率为12.2%,几乎翻了一倍,一些热点一线城市的房价涨幅更高。例如,2006年3月北京市新建价格指数同比上涨7%,而到了2007年10月则同比上涨17.8%。实际上,我国宏观经济在2007年也出现了相对过热的苗头,以不变价计算的年均经济增速达到了14.2%,其中在2017年6月更是创下了迄今为止14.9%的新高。此时高速的经济增长掩盖了长期存在的国内外经济双重失衡的矛盾,而2008年全球性金融危机的爆发及随后而来的外需疲软则使得这个矛盾被显性化[15]。这为后来的金融不稳定埋下了“祸根”。类似的,同处金融失衡状态的其他两个区间也经历了类似的股价上涨过程。2015年第1季度至2015年第2季度之间,上证综指在2015年6月的收盘价达到了4277点,其中还一度达到了迄今为止的次高点5178点,与宏观经济持续下行形成强烈反差,实际上也出现了一定程度的过高估值情况。
针对宏观经济中存在资产价格快速上涨并积累系统性风险的情况,央行一直采取逆经济风险调节的紧缩性货币政策,不断提高存款准备金率和基准利率,控制货币供应总量,以遏制资产价格的过度膨胀。大型商业银行的存款准备金水平从2006年7月的8%一直调高到2008年9月的17.5%的高位,而存贷款基准利率也一路上调,分别从2006年4月的2.25%和5.58%调高到2008年10月的4.14%和7.47%,存款基准利率几乎翻倍,而贷款基准利率则调高了33.8%,货币紧缩力度可谓之大。在此政策作用下,我国实际M2增速开始回落,2016年3月的实际M2增速为16.54%,而到了2008年3月则大幅降低到了7.89%,几乎缩水一半。在此背景下,资产价格也应声而落,股票价格逐级走低,到2018年1月上证综指月度收盘已低至4383点,以后也一直逐级下探。到了2008年下半年,美国次贷危机带来的负面影响开始传导到我国,股票市场开始加速下跌。房地产市场也同样经历下跌过程,全国70个大中城市新建住宅价格月度指数从2008年1月的12.2%直线下跌至2009年3月的-1.9%。虽然针对此次百年不遇的金融危机,我国政府和金融当局果断决策,出台以“四万亿”大规模财政资金刺激、连续大幅调低存款准备金率和存贷款基准利率等一系列经济政策,货币政策实际上全面转向宽松,但仍然没能阻止资产价格破裂。事实上,在金融不稳定区间Ⅲ内,正是资产价格加速下跌的时期,资产泡沫已经被刺破[16-17]。资本市场基本丧失了基本功能,房地产市场也一片低迷,此时期资本市场的功能实际上已经部分丧失。与此形成鲜明对比的是,作为我国金融体系中流砥柱的银行经营却持续向好,不良贷款率持续下降,很大程度上维持了金融体系的正常功能,为实体经济投融资活动提供了有力支撑。从图2显示的我国商业银行不良贷款趋势图来看,整体上我国银行不良贷款呈现快速下降并趋稳态势,不良贷款率从2006年初的8%快速降低至2011年9月的0.9%的最低点,而后虽有所反弹,但基本维持在2%的较低水平。尤其在金融不稳定的区间Ⅲ内不良贷款率快速下降,银行经营绩效持续向好,与此时期资产价格的崩溃形成鲜明对比。可以说,银行体系已成为我国金融体系稳定运行的压舱石。
图2 我国商业银行不良贷款变化趋势
需要注意的是,从2009年开始由于监管环境的宽松甚至默许以及投资项目激增带来的需求刺激,造成我国影子银行业务活动出现爆发性增长。以影子银行业务的典型代表银行理财产品为例,根据Wind数据显示,2010年以后理财产品种类和数量出现爆发式增长,并且以非保本的结构性理财产品为主。银行大量发行表外性质的理财产品并且对接信托等通道大肆进行表外投融资活动,使得杠杆率大幅上升,流动性风险增加,同时,企业和政府过度借贷导致信用风险也不断增加。根据李扬,张晓晶(2015)的研究,我国经济整体的杠杆率从2009年开始显著上升,债务融资工具的期限越来越短[18]。影子银行隐藏的风险也越来越大,尤其是流动性风险越发凸显。2013年6月银行同业拆借市场出现了所谓的“钱荒”事件,使得货币市场出现了短暂巨幅波动,但随着央行一系列调控流动性措施的出台,金融市场的运行很快趋于平静,并没有引发系统性风险。然而,随着我国影子银行规模的不断扩大,银行体系的资金开始出现脱媒化的趋势。这意味着传统的货币供应量M2统计口径已经难以涵盖社会资金流通全貌,仅依靠M2已经难以对社会资金进行全面准确观测,也就难以对金融体系的运行进行有效管控,而社会融资总规模能够更加全面完整地从资产端对全部资金投向进行统计,从而成为观测金融体系运行动向的新指标。这也为我国金融稳定状况的驱动因素分析提供了新线索。
五、进一步分析
通过MFVAR模型的方差分析结果和上述金融稳定演进的事实分析,可以看到以股票价格和房地产价格为代表的资产价格波动是驱动我国金融稳定状态转换的重要因素。席勒教授认为资产价格过度上涨偏离自身的价值形成正态泡沫,而资产价格大幅下跌,并引发恐慌性抛售,则形成负态泡沫。前者与金融失衡相对应,而后者造成金融不稳定。实际上,金融失衡、金融亚稳定和金融不稳定的转换伴随着的就是正态泡沫向负态泡沫转换过程中经历的泡沫生成、累积、收缩和破裂的整个过程。米什金将这个过程概括为正向冲击、乐观繁荣、非理性疯狂、获利抛售和大恐慌五个具体阶段。那么,资产泡沫背后的推动力又是什么?理论上,资产价格和物价的持续上涨均是一种货币现象,直接原因都是货币的超经济发行,或货币地区分布的超经济集聚[19]。也就是说分析我国资产价格的形成必然要从广义货币供给量(M2)着手。然而,一个不可忽略的事实是,2010年以来我国银行表外业务创新提速,影子银行业务迅猛发展,非银行金融机构在金融体系中的规模占比越来越高,资金流向也出现了明显的脱媒化特征,作为从金融机构负债方统计得到的M2指标已经难以涵盖社会信用活动情况。在这种情况下,从金融机构资产方,涵盖银行信贷、表外信用、直接融资和其他方式等全面统计为实体经济提供资金支持状况的社会融资规模增量指标越来越受到关注。此外,该指标相比于M2更能反映社会整体融资结构的合理性,从而可以实时监测和预防系统性金融风险的发生[20]。
为了更加全面的探究金融稳定背后的驱动因素,本文将广义货币供应量和社会融资总规模同时进行对比,下图3显示了两者的变化趋势图。可以看到,2010年之前,M2和社会融资规模指标变化趋势基本一致,但是之后开始出现背离现象,M2呈现下降态势,而社会融资规模则保持相对稳定,尤其是从2014年开始两者之间的剪刀差越拉越大。从两者指标内涵及构成来看,这反映了近年来流转于银行体系之外的社会资金规模越来越大的现实。关于这一现象,盛松成(2017)认为是近年来金融强监管下金融去杠杆带来的实际效果,更多的原来的银行体系空转的资金流入到了实体经济,这样必然带来M2的下降和社会融资规模的增加[21]。而鲁政委等(2016)将其归结为2014年下半年以来商业银行债券投资和股权及其他投资的快速增长,其中主要表现在商业银行通过同业或委外渠道对非银行金融机构的投资大大增加[22]。事实上,这些业务正是近年来我国影子银行活动的典型代表。而方先明, 权威(2018)的研究已表明影子银行规模增加会对商业银行同业拆放利率、房地产价格、股票市场价格指数和人民币实际有效汇率指数产生正向冲击[23]。那么,包含影子银行统计口径的社会融资规模指标将会对金融稳定产生如何的冲击?鉴于此,为了更客观和得到更加深入的研究结论,本文将包含影子银行活动的社会融资规模指标也纳入分析框架,与FSCI和经济增长率建立能够灵敏捕捉到经济变量时变特性的TVP-VAR模型进行实证分析。同时,为便于对比,本文同时也建立M2与FSCI和经济增长率的TVP-VAR模型,以期发现两者对于FSCI的时变性影响差异。
图3 M2(虚线)与社会融资规模(实线)变化趋势对比
与传统的VAR模型不同,TVP-VAR模型的参数具有时变性,能够更加科学地刻画变量之间的非线性变化关系,而且更够得到三维全样本脉冲响应图像,克服了二维时点和同期脉冲响应只能反映局部响应特征的弊端,在宏观经济变量关系研究中也得到了越来越广泛的应用。本文以FSCI、社会融资规模、经济增长率的TVP-VAR模型为例,简要说明模型参数设定和估计过程。本文借助OxMetrics6.0软件实现数据模拟和参数估计,具体数据模拟原理描述过程略去。在进入模型之前,首先,对各变量进行了平稳性检验,结果表明各变量均在1%显著性水平通过平稳性检验。其次,根据经验设定参数初值为
uβ0=uα0=uh0=0,Σβ0=∑α0=∑h0=10×I,并先验假定(Σβ)i-2~Gamma(40,0.02),(Σα)i-2~Gamma(4,0.02),(Σh)i-2~Gamma(4,0.02),利用MCMC方法模拟100000次,以得到充足的有效样本。再分别估计滞后1至6阶模型,根据边际似然值确定最优滞后阶数为2阶。由此得到的样本自回归系数、样本路径和后验密度图(鉴于篇幅略去),从中可以看出样本的自回归系数稳定下降,样本路径图显示数据也非常平稳。这表明通过预设参数的MCMC抽样获得了足够的不相关有效样本。从参数估计结果的收敛性来判断,参数的各个Geweke值均未超过5%的临界值1.96,表明收敛于后验分布的零假设不能被拒绝。无效因子inef是测度抽样有效性的指标,它可以用来计算既定抽样次数下所能获得的不相关样本个数,该值越小表明抽样越有效。从表4可以看出,各参数的Inef值都远小于抽样次数100000次,其中最大取值约为80。这意味着在连续抽样100000次的情况下,我们至少能获得约1250个不相关的样本。
表4 TVP-VAR模型参数估计结果
为得到更加稳健的结论,本文直接对TVP-VAR模型得到的包含时间和时期冲击的三位脉冲立体响应图进行分析。图4和图5显示了M2对FSCI的影响和社会融资总规模对FSCI的影响。图中可以明显看到两者对FSCI的影响具有明显的时变性特征。整体上,M2不仅在短期对FSCI施加影响,而且在长期内这种影响仍然持久,相反地,社会融资规模对FSCI的影响主要体现在短期。此外,还可以看到,在金融失衡区间Ⅰ内的2007年下半年至2008年初以及2015年上半年,两者对FSCI的正向促进作用更加明显,这说明两者均加速了金融失衡的出现,而且从图形上看,M2在长期内对金融失衡的驱动力量更大更持久。
图4 M2对FSCI的影响 图5 社会融资总规模对FSCI的影响
这可能是由于:一是,M2对资产价格影响具有全局性特征,影响面更广。可以说,理论上货币供给量增加是任何资产价格膨胀的必要条件。二是,M2是从银行体系负债方得到的指标,更能够体现出货币创造的效果,而货币创造过程是货币乘数长期作用发挥的结果。相比之下,社会融资规模更加从资产方统计资金流入实体经济的情况,相当于这些资金漏损出银行体系,也就降低了货币乘数放大的效果,自然长期内的影响较小。三是,M2更具规模性而社会融资规模更具结构性特征。社会融资规模可以对不同地区、行业、部门获得的流动性以及不同融资工具、融资渠道的资金使用情况进行细分,更能直接和集中作用于金融体系本身,在数量之外更具结构和价格意义,其对价格的当期影响更为稳定[24]。四是,M2为单一性指标,而社会融资规模了包含银行本外币信贷、表外资产、信托、债券等各类资金投向,指标更加综合,相比于短期,长期视域内各变量之间可能产生对销性抵补影响,这也使得长期内对FSCI影响较小。
六、结论及启示
当前,我国宏观经济正处于结构转型时期,金融体系运行不稳定因素不断增加。在“牢牢守住不发生系统性风险底线”的背景下,金融稳定管理已成为重中之重。金融稳定也被摆在“稳就业、稳金融、稳外贸、稳外资、稳投资、稳预期”的核心位置。本文在利用MFVAR模型合成得到我国金融稳定状况指数(FSCI),研究发现2010年第3季度之前我国金融体系在金融失衡和金融不稳定之间快速转换,之后才逐渐处于金融相对稳定的状态。此外,本文还发现股票市场是我国金融不稳定的重要驱动因素,而银行体系则成为稳定金融体系运行的核心支撑。为探究背后驱动金融不稳定的因素,本文进一步运用具有时变参数特征的TVP-VAR模型对M2和社会融资规模与FSCI和经济增长率之间的关系进行了研究,三维全样本的脉冲响应结果表明社会融资规模为驱动我国金融稳定状况的短期因素,而M2则无论在短期还是长期均能持久影响我国金融体系的稳定运行。上述结论给予我们如下启示:
第一,应从功能观的角度来正确认识和理解金融稳定的内涵,强化金融稳定的区间管理思维。金融稳定管理目的在于促进经济增长,实现双方良性互动循环。因此,不能脱离经济增长来理解金融稳定。金融稳定是金融体系整体属性特征的判断。绝对意义上的金融稳定仅是一种理想状态。一般地,一国金融体系运行将长期处在金融亚稳定状态。这也从本文对我国2006年至2017年金融稳定状况的评估结果中得到印证。因而,结合金融稳定上述特征,本文建议央行在对金融稳定科学测度基础上,确定金融稳定的上下边界,发挥金融稳定发展委员会中的特殊地位,积极协调其他金融监管机构,对金融稳定进行区间动态管理,保持金融机构和金融市场运行处在相对稳定状态。
第二,稳定股票市场运行是当前金融稳定管理的重中之重。资本市场的关联度高,对市场预期的引导作用大,具有重要的枢纽功能,是稳经济、稳金融和稳预期的关键。首先,提升上市公司质量,要把好入口关,真正把资质优良、前景向好和注重履行社会责任的公司优质筛选出来,同时,尽快完善退市机制,坚持优势劣汰的市场原则,坚决把绩效持续恶化、市场发展前景黯淡和弄虚造假的上市公司清理出资本市场;其次,强化以信息披露为核心的市场监管,建立上市公司信息披露规则体系,完善信息披露内容,改变目前偏重披露财务信息而忽略非财务信息的现状,提高信息披露的质量,完善信息披露违规的联合惩戒机制,保证信息披露的真实性和完整性;最后,切实保护中小投资者的利益,恢复投资者对资本市场的信心,稳定广大投资者对资本市场向好发展的预期。
第三,央行短期内要密切关注社会融资总规模变化,同时长期内要锚定M2总量水平,将两者有机结合,共同作为监测我国金融体系稳定状况的预警性指标。金融稳定管理的根本性目标是使金融体系能够更好的服务实体经济发展。虽然社会融资总规模能够更加精确地监测金融服务实体经济的情况,但是也不能忽视M2的变化,更不能将二者对立起来,两者是互补而不是替代关系[25]。实际上,“管好货币供给的总闸门”始终是金融工作的重点任务。央行应进一步将宏观审慎评估体系(MPA)作为金融稳定管理的重要抓手,与微观审慎监管部门有机配合,控制好广义信贷增长,合理设定广义信贷的增速上限,从而实质上约束M2总量的膨胀。此外,需要注意的是,当前社会融资规模指标短期内迅猛增长。2019年1月的社会融资新增规模达到了4.64万亿元的历史最高水平。央行应充分关注可能会对金融体系运行带来的不稳定因素。