动态金融状况指数的跨国效应研究

秦研 余杰 范从来

摘 要：本文首先使用TVP-SV-FAVAR和动态贝叶斯模型平均构建了金融状况指数，然后以金融状况指数作为金融周期的代理变量，使用TVP-SV-VAR模型探究了中国、美国、欧元区和日本之间金融周期的相互联系。与以往研究主要关注全球金融周期趋同的特征不同的是，本文研究并发现中国的金融周期与美，欧，日有分化特征。具体来说，中国与美国在整个样本区间内都表现出金融周期分化的特征;在2009年以后，中国与欧元区之间出现了金融周期分化;在2012年之后，中国与日本的金融周期开始分化。本文的结论提示相关人员应该关注我国与世界主要国家金融周期的分化特征，并据此实施有针对性的经济政策。

关键词：金融状况指数;外部金融冲击;金融周期;TVP-SV-VAR模型

中图分类号：F830.9 文献标识码：A 文章编号：1003-5192（2021）05-0063-06 doi：10.11847/fj.40.5.63

Abstract：In this paper， we first construct financial conditions indexes for China， the United States， the Eurozone and Japan via TVP-SV-FAVAR model and dynamic Bayesian model averaging. Using these financial conditions indexes as proxy variables for the financial cycle， we then employ a TVP-SV-VAR model to study the interrelationships of financial cycles among these countries. Unlike previous studies that focused on the convergence of the global financial cycle， this article finds that Chinas financial circle is different from those of USA， Eurozone and Japan. We find that China and the United States show the characteristics of financial cycle differentiation throughout the sample. After 2009， there is a financial cycle differentiation between China and the Eurozone. After 2012， the financial cycle between China and Japan begins to differentiate. Our findings show that we should pay attention to the differentiation of financial cycles between China and other major countries， and implement targeted economic policies accordingly.

Key words：financial conditions index; exterior financial shocks; financial cycle; TVP-SV-VAR model

1 引言

随着全球化的不断推进，各国之间经济体系的联系不断加深，与此同时，作为实体经济血脉的金融体系的一体化程度也不断提高。全球金融一体化是一把双刃剑，它一方面提高了资源跨国最优配置的效率，促进了全球经济的发展，另一方面也造成了金融风险的跨国传染，加剧了外部冲击对本国经济、金融体系的影响。2019年的中央经济工作会议指出，当前国际金融体系“仍处在国际金融危机后的深度调整期，……全球动荡源和风险点显著增多”。因此，研究国际金融市场外部冲击对我国金融体系的影响既有理论的必要性，也有现实的紧迫性。

与实体经济发展具有周期性波动一样，金融体系的发展也具有周期性。在关于金融周期的研究中，大部分研究者发现全球金融周期具有一致性，即各国之间金融周期的繁荣阶段和衰退阶段大致相同[1～4]。这些研究大多基于大量国家的样本或者发达国家的样本，这说明金融周期的趋同是长期发展的趋势和普遍的现象。但是，各国金融市场的发展存在差异也是客观事实。就中国来说，邓创和徐曼[5]发现中美金融周期的协动性存在时变特征，同时，美国的金融周期具有“短扩张、长收缩”的特征，中国的金融周期具有“长扩张、短收缩”的特征。陈晓莉和张方华[6]研究发现中国的金融周期具有特殊性，中国金融周期与东南亚国家之间的同步性较低。陈晓莉和刘晓宇[7]使用动态因子模型研究了全球金融周期对于中国经济的影响，发现全球金融周期对中国经济周期运行具有显著影响。邓创和徐曼[8]基于动态溢出指数的方法，发现中美金融周期的波动溢出效应是时变的。这些研究提示，中国的金融周期很有可能与其他国家具有不同的特征，中国金融周期与其他国家金融周期之间的关系在不同的时间段可能是不同的。Borio[9]指出，在研究金融周期相关的问题时，各国金融周期的不一致性比趋同性更加值得关注，各国金融周期的不同发展速度和轨迹（different speeds and phases across globe）背后的政策含义需要仔细思考。

以上对文献的梳理说明，尽管金融周期趋同是全球范围内的大趋势，但是就目前来说，中国的金融周期有可能与其他国家和地区的金融周期存在差异。基于这个视角，本文使用Koop和Korobilis[10]提出的基于TVP-SV-FAVAR和動态模型平均的方法构建了相关的金融状况指数，并通过金融状况指数研究了中国金融周期与美国、欧元区以及日本这三个主要国家和地区的金融周期之间的时变特征。本文在度量金融周期时采用与邓创和徐曼[5，8]，陈守东等[11]，马勇等[12]相同的做法。

本文研究的金融状况指数的跨国效应是指通过金融状况指数来研究一个国家（或地区）金融状况对另一个国家（或地区）金融状况的影响，这些影响同样体现在金融周期上。本文发现，中外金融周期存在一定程度的分化：中美金融周期在整个研究样本内都表现出分化的特征;中国与欧元区在2009年以后金融周期开始分化;中国与日本在2012年以后出现了金融周期分化。与以往研究中主要关注全球金融周期趋同的大趋势不同，本文的研究在理论和政策层面都提供了新的见解：在理论层面上，研究者在构建模型时应该关注我国金融市场与其他国家的差异;在政策层面上，政策制定者应该注意区分外部金融冲击的类别，从而提高政策的针对性。

2 四个国家和地区金融状况指数的构建

2.1 构建方法

金融状况指数首先由Goodhart和Hofmann[13～15]提出，他们使用短期利率、汇率、股票价格和房地產价格这四个变量的加权平均构建了金融状况指数。但是，这四个变量并不能完全反映金融市场的整体状况，诸如货币供应量、债券价格、信贷规模等变量也能影响金融市场的运行。所以，本文在构建金融状况指数时面临的首要问题是合理地在众多金融变量中进行选择，为了避免先入为主，本文使用DMA方法综合不同模型的信息。

动态性是经济系统的重要特征。国内的研究多数采用常系数线性模型来构建金融状况指数，但常系数线性方法不足以充分体现经济系统的时变性质。为了充分体现动态性对于构建金融状况指数的重要性，本文使用了TVP-SV-FAVAR模型。

记Xt为候选数据集，它总共包含了N个候选金融变量。假设模型需要在N个候选金融变量中进行选择，根据不同的变量组合，总共可以得到J个不同的模型，记其中的第j个模型为Mj（j=1，…，J），则结合DMA方法的TVP-SV-FAVAR模型的设定如下

从上述模型设定中可以看出，对于N个候选金融变量，总共有J=2N-1个不同的模型。如果固定其中K个变量始终包含在金融状况指数中，那么总共有J=2（N-K）个模型。

2.2 数据和金融状况指数的构建结果

对于美国，本文直接使用芝加哥联储发布的美国全国金融状况指数。对于中国，欧元区和日本，本文参考Goodhart和Hofmann[13～15]选择了各自的短期利率、汇率、房地产价格和股票价格的代理指标，同时本文还纳入了货币供应量、长期利率、信贷规模和风险相关的指标。Koop和Korobilis[10]认为金融状况指数应该独立于实体经济的运行，从而只代表金融体系的状态，所以本文还需要从金融变量中剔除掉实体经济的信息。因此，对于欧元区和日本，本文选择了他们的工业增加值、通货膨胀率和失业率作为实体经济的代表，然后从金融变量中剔除这些变量的影响;对于我国来说，由于失业率数据不够完善，因此本文只选择了工业增加值和通货膨胀率作为实体经济的代表，然后从金融变量中剔除掉这两个变量的影响。

在金融数据的预处理方面，本文首先对数值较大的变量取对数，对具有明显季节性因素的变量进行季节调整，然后参考Hatzius等[16]的做法，对所有金融变量使用HP滤波去除他们的趋势性成分。对于实体经济变量，本文则不做上述处理，以尽可能消除实体经济变量的所有成分对于金融变量的影响。对于滤波后的金融变量和实体经济变量，本文使用ADF检验和PP检验来验证它们的平稳性，只有当两个检验都显示变量是平稳的，本文才认为它是平稳的。

本文的数据来源于Wind数据库、中经网统计数据库、OECD数据库，美国的金融状况指数来源于芝加哥联储网站。数据区间是1996年1月到2020年9月，因为从这个时期开始，我国的货币政策中介目标开始比较明确为以货币供应量为主，并持续至今，而1996年之前的中介目标是以依靠现金投放和信贷规模控制为主。并且从1996年1月开始，我国官方开始较为详细地公布M0，M1，M2等货币量的月度数据，之前数据并不完整，很多年份只有年度数据。为了保持数据的一致性，外国的时间点的选择与中国的同步。此外本文想要尽可能包含更多的数据，研究各国金融状况指数在较长时间内的相互作用。在选择的数据中部分数据存在缺失值，因此本文的数据集是非平衡的，Koop和Korobilis[10]的估计方法让本文能够处理这种非平衡数据，因此不会对估计结果造成太大的影响。对于月度数据，本文取它的月度平均值作为该变量的月度数据。

经过上述处理后的所有变量都是平稳的，符合进一步开展实证研究的要求。

模型通过标准化的技术，将所有金融状况指数处理成均值为0、方差为1的变量，同时令金融状况指数上升表示金融状况改善，金融状况指数下降表示金融状况恶化。根据本文的实证结果，在2008年爆发全球金融危机期间，四个金融状况指数都处于最低点，这说明本文构建的金融状况指数反映了重大的国际金融事件。同时也可以发现，中国的金融状况指数与其他国家和地区的金融状况指数存在一些差异，这说明我国的金融体系除了受到全球金融周期的影响以外，还具有自身独有的特点。

3 外部金融冲击对中国金融状况的影响

3.1 实证模型

为了研究外部金融冲击对我国金融状况的时变影响，本文使用了TVP-SV-VAR模型，它最早由Primiceri[17]提出，其最大的特点是模型的参数和协方差矩阵都具有时变特征。一个p阶的TVP-SV-VAR模型的设定如下

本文采用Del Negro和Primiceri[18]提供的估计方法来估计上述模型。

3.2 实证结果

本文使用AIC准则、BIC准则和SC准则确定模型的最佳滞后期为2阶，模型的先验分布的设定参考Nakajima[19]。TVP-SV-VAR可以对样本区间内的每一个时间点都给出其脉冲响应函数，因此实证研究中通常给出两种脉冲响应函数。第一种是时点脉冲响应函数，它与传统脉冲响应函数类似;第二种是等间隔脉冲响应函数，它的纵轴是脉冲响应值，横轴则是每个时间点，反映的是全样本时间段内不同滞后期的脉冲响应函数的特征。由于金融冲击在正常时期和危机时期有不同的表现，它在危机时期会加剧经济的波动[20]。在绘制时点脉冲响应函数时，模型区分了正常时期和危机时期，以此探究外部金融冲击在两个不同时期对中国金融状况的影响。对于危机时期，本文选择了1998年1月、2009年1月和2020年3月三个时间点，分别表示亚洲金融危机、次贷危机和新冠疫情造成的全球经济衰退。对于正常时期，本文选择了2002年1月、2015年1月和2019年1月三个时间点。

在全球化的背景下，两国之间的金融状况存在相互的影响。因此，在利用脉冲响应函数分析两个国家之间金融周期的关系之前，必须阐明一个关键问题：只从一个方向上分析某个国家的金融冲击对另外一个国家的金融状况的影响，是无法说明两者金融周期之间的关系的，必须进行双向分析才能得出最终的结论。例如，如果发现国家A的正向金融冲击对国家B的金融状况有负面影响，是不能从这一发现中得出“A，B两国金融周期分化”的结论，这是因为两国之间的金融状况存在相互的影响;如果B国的正向金融冲击对A国金融状况有正面影响，那么就需要比较这两种效应之间的大小，才能确定两国之间互相影响的总效应。本文将这一关系归纳在表1中，在后面的分析中，本文将始终遵循表1的框架来归纳最终的结论。

首先分析中美两国金融周期之间的关系。图1给出了一个标准差的正向金融冲击下我国金融状况指数的脉冲响应函數，在正向金融冲击下，美国的金融状况将会改善。

从危机时期的时点脉冲响应函数中可以看到，美国金融状况的改善在刚刚开始的阶段也会使得我国的金融状况得到改善。在亚洲金融危机期间，美国金融状况的改善对中国金融状况的正面影响持续了大约6个月;而在次贷危机和新冠疫情期间，这种效应则持续了大约4个月。但是从长期来看，美国金融状况的改善反而会造成我国金融状况指数的恶化，且这种不利影响持续的时间很长，在24个月之后仍然没有消失。在亚洲金融危机期间，美国金融冲击对我国的长期不利影响较小，但是在次贷危机和新冠疫情期间，美国金融冲击对我国的长期不利影响则很大，且次贷危机期间的影响程度大于新冠疫情期间。这一结论也能在正常时期的时点脉冲响应函数中得到印证，正常时期的时点脉冲响应函数的反应方式与危机时期类似，不同的是美国金融状况的改善对我国冲击的程度相差不大。

从等间隔脉冲响应函数中，可以更加清晰地看出正向的美国金融冲击下我国金融状况指数的时变反应。在整个样本期间，向前1期的脉冲响应函数都是正值。在2004年以前，向前6期、向前12期和向前18期的脉冲响应值都较小，这说明美国的金融冲击对我国的长期不利影响较小。2004年之后，这种长期不利影响则迅速增大，在次贷危机期间，美国金融冲击对中国的长期不利影响达到最大值，次贷危机结束至今，这种长期不利影响的程度则比较稳定。

为了全面分析中美两国金融周期的相互作用，本文还需要讨论中国的金融冲击对美国的影响，因此本文在图2绘制了正向的中国金融冲击对美国金融状况的脉冲响应函数。在正向金融冲击下，我国的金融状况正开始改善。从时点脉冲响应函数中可以看到，无论是正常时期还是危机时期，中国金融状况的改善都会使得美国的金融状况恶化，区别在于不同时间点的反应程度有所不同。从等间隔脉冲响应函数的图像中可以发现，在大约2010年以前，中国的正向金融冲击对于美国金融状况的不利影响逐渐减小，而2010年以后，中国的正向金融冲击对美国金融状况的短期不利影响很小，但是长期不利影响则逐渐扩大。

结合对图1和图2的分析可以发现，短期内，美国的正向金融冲击使得中国金融状况改善，但长远看来，两国的正向金融冲击对另一方都有不利的影响。因此，遵循在表1中的分析，本文认为中美两国在整个样本区间内都存在金融周期“长期分化”的特征。

图1和图2分析了中美两国金融周期之间的联系，类似地也可以用脉冲响应函数对中国与欧元区的金融周期之间的联系、中国与日本的金融周期之间的联系展开分析。限于篇幅，本文不再将脉冲响应函数图进行罗列，只将主要结果给予简要陈述。

关于中国与欧元区金融周期之间的联系，脉冲响应函数图像表明：在2009年以前，由于欧元区的金融冲击对中国的金融状况存在负面影响，而中国的金融冲击对欧元区的金融状况存在正面影响，因此结合表1中的结论，还不能判断2009年之前两个国家或地区之间金融周期的关系。而在2009年之后，中国和欧元区的金融冲击对另一方都有负面效应，因此根据表1本文认为在2009年之后，中国和欧元区的金融周期出现了分化。

关于中国与日本的金融周期之间的联系，脉冲响应函数图像表明：在2000年以前，正向的日本金融冲击对中国的金融状况指数几乎没有影响，所有期限的脉冲响应值都接近于0，在2000年之后则对中国的金融状况指数有负面的影响;正向的中国金融冲击在2012年之前对日本的金融状况指数有正面的影响，但是在2012年之后对日本的金融状况指数有负面的影响。因此，在2012年之后，中国和日本的金融周期开始出现分化的特征。

3.3 对实证结果的进一步讨论

基于大样本的跨国研究通常发现各国之间的金融周期有趋同的趋势[1，2]，而本文的结论与之有明显的差异，这提示研究者在关注金融周期趋同的大趋势之外，还应该关注我国自身的独特性。实际上，在次贷危机之后，我国在金融市场的发展方面与美、欧、日三个国家和地区之间存在明显的差异。

在次贷危机期间，美国启动了以量化宽松为主的非常规货币政策，虽然这一非常规货币政策在2015年1月暂时退出了，但是美联储在本次新冠疫情爆发前夕就已经开始讨论降息的可能性，新冠疫情正式在美国爆发后则一次性将联邦基金利率降到了0，同时重启无限期的量化宽松。因此，在次贷危机之后，中美金融周期分化也是合情合理的。出乎本文意料的是，在整个样本区间内两国的金融周期都表现出分化的特征，对于这一现象背后的原因需要研究者在未来的研究中继续深入探讨。

2009年之后，欧元区深受次贷危机和欧洲主权债务危机的影响，同样启动了大规模资产购买计划，新冠疫情在欧洲蔓延之后，欧洲央行启动了“疫情紧急购债计划”和定向长期再融资便利，这些操作实际上与美国的量化宽松并无本质差别，同时，欧元区至今仍然维持着负利率政策。2012年安倍政府上台后，日本在“安倍经济学”的指导下，由其中央银行背书，日本的金融市场进入了大宽松的时代，在2016年成为亚洲第一个实施负利率政策的国家，其负利率政策同样维持到了现在。与欧元区和日本相比，虽然我国的危机应对政策造成了金融市场的一些波动，但是总体上保持了平稳发展的态势，我国始终没有采用无限量量化宽松的做法，利率水平也稳定在较为合适的水平，货币供应量的增长速度也没有出现大幅波动。由此看来，我国与欧元区在2009年之后、与日本在2012年之后的金融周期出现分化并不是意料之外的事情。

4 結论与建议

本文首先利用TVP-SV-FAVAR模型和动态模型平均法，基于1996年1月到2020年9月的月度数据，度量了中国、欧元区和日本的金融状况指数，将这三个金融状况指数和美国芝加哥联储发布的美国金融状况指数结合起来，利用这四个金融状况指数建立了一个四变量的TVP-SV-VAR模型，以此研究了我国金融周期与其他三个国家和地区金融周期之间的关系。发现我国的金融周期与美国、欧元区和日本之间都存在时变特征，但又有所不同。本文发现：（1）从总体上来看，中国和美国的金融周期在整个样本区间内都表现出分化的特征。（2）在2009年之前，中国和欧元区金融周期的关系不明确，而在2009年之后，中国与欧元区的金融周期开始具有分化的特征。（3）在2012年以前中国与日本金融周期的关系不明确，而在2012年之后，中国和日本的金融周期开始出现分化的特征。

本文的结论具有一定的理论价值。Borio[9]指出，在次贷危机之后将金融市场纳入到宏观经济模型中已经成为理论研究中亟待解决的问题，他认为在使用模型刻画金融市场的特征时，首先需要进行足够的实证研究，明确金融市场、金融周期与实体经济周期之间的关系。本文的研究表明，我国金融市场的状态和金融周期的演变与世界其他主要国家之间存在明显的差异，在使用理论模型分析外部冲击与我国金融市场的关系时必须要考虑这些差异。不假思索地假设我国金融市场与其他金融市场之间存在对称性，虽然能够大大简化模型求解的难度，但是得出的结论极有可能存在偏误。

同时，本文的结论也具有政策价值。由于次贷危机之后我国与美、欧、日的金融周期出现了分化，因此在面对外部金融冲击时，政策制定者应该首先仔细区分冲击的类别。正向的外部金融冲击对于我国来说并不一定是好的，外国金融状况的改善可能通过资本外流、汇率变化以及利差变化等渠道对我国金融市场造成损害。因此，在当前外部环境高度不确定、金融市场风险点增多的情况下，可以通过加强跨境资本宏观审慎管理、加强汇率管理等手段应对外部金融冲击。

参 考 文 献：

[1]Claessens S， Kose M A， Terrones M E. How do business and financial cycles interact[J]. Journal of International Economics， 2012， 87（1）： 178-190.

[2]Rey H. Dilemma not trilemma： the global financial cycle and monetary policy independence[R]. NBER Working Papers NO.21162， 2015.

[3]Passari E， Rey H. Financial flows and the international monetary system[J]. The Economic Journal， 2015， 125（584）： 675-698.

[4]安蕾，戴金平.金融周期是否存在全球趋同性？：基于β收敛和两级潜在因子模型的证据[J].世界经济研究，2020，（8）：31-41，135-136.

[5]邓创，徐曼.中美金融周期的协动性及其传导途径分析[J].世界经济研究，2015，（11）：12-20，127.

[6]陈晓莉，张方华.中国与东亚、东南亚国家和地区金融周期趋同性研究[J].国际金融研究，2017，（11）：3-12.

[7]陈晓莉，刘晓宇.全球金融周期波动对中国经济的溢出效应研究[J].国际金融研究，2019，（11）：57-67.

[8]邓创，徐曼.中美金融周期波动的溢出效应与传导机制研究[J].当代财经，2019，（10）：60-72.

[9]Borio C. The financial cycle and macroeconomics： what have we learnt[J]. Journal of Banking & Finance， 2014， 45： 182-198.

[10]Koop G， Korobilis D. A new index of financial conditions[J]. European Economic Review， 2014， 71： 101-116.

[11]陈守东，孙彦林，刘洋.中国金融周期与景气循环研究[J].数量经济研究，2016，7（1）：15-27.

[12]马勇，张靖岚，陈雨露.金融周期与货币政策[J].金融研究，2017，（3）：33-53.

[13]Goodhart C， Hofmann B. Financial variables and the conduct of monetary policy[R]. Sveriges Riksbank Working Paper Series， NO.112， 2000.

[14]Goodhart C， Hofmann B. Asset prices， financial conditions， and the transmission of monetary policy[J]. Proceedings， 2001， 114（2）： 198-230.

[15]Goodhart C， Hofmann B. Asset prices and the conduct of monetary policy[A]. In Baum C F， ed. Royal Economic Society Annual Conference 2002[C]. Royal Economic Society， 2002.1-20.

[16]Hatzius J， Hooper P， Mishkin F S， et al.. Financial conditions indexes： a fresh look after the financial crisis[R]. NBER Working Paper No.16150， 2010.

[17]Primiceri G E. Time-varying structural vector autoregressions and monetary policy[J]. Review of Economic Studies， 2005， 72（3）： 821-852.

[18]Del Negro M， Primiceri G E. Time-varying structural vector autoregressions and monetary policy： a corrigendum[J]. Review of Economic Studies， 2015， 82（4）： 1342-1345.

[19]Nakajima J. Time-varying parameter VAR model with stochastic volatility： an overview of methodology and empirical applications[R]. Institute for Monetary and Economic Studies， Bank of Japan， 2011.107-142.

[20]Brunnermeier M K， Sannikov Y. A macroeconomic model with a financial sector[J]. American Economic Review， 2014， 104（2）： 379-421.