GDP缺口預測中金融變量預測能力的分析

摘 要:2008年的金融危機對全球的經濟產生了深遠的影響，因此，在預測主要宏觀經濟指標時就應更多的考慮金融變量。通過利用主成分分析得到了能夠反映中國金融狀況的幾個主成分，并利用這些金融主成分對GDP缺進行了預測。本課題通過比較分析來評價金融主成分在預測GDP缺口中的作用。

關鍵詞:GDP缺口;金融主成分;Stock-Watson擴散指數法

中圖分類號:F830文獻標志碼:A文章編號:1673-291X(2010)24-0059-03

引言

2008年由美國次貸危機引發(fā)的金融危機對全球經濟都產生了深遠的影響，而隨著中國金融市場的不斷開放，這次危機對中國的金融市場也造成了一定的沖擊。根據經驗，一國的金融變量與宏觀經濟指標之間存在著復雜的聯(lián)系。Tobin(1969)提出一國的金融市場受到沖擊，這種沖擊不僅會影響本國的金融市場，還會影響到本國的宏觀經濟的走勢。因此，在預測宏觀經濟指標時充分考慮金融變量的影響就具有重要的意義。

由于金融變量比較多，而直接將這些變量引入模型會大大降低模型的自由度，因此，這里采用的是Stock和Watson(2002)提出的擴散指數方法。他們的方法是利用主成分分析從大量的潛在信息指標變量中獲取信息，然后以這些主成分作為預測的基礎變量。

一、模型和數據

本文采用的方法是Stock和Watson(2002)提出的擴散指數方法(以下縮寫為SW)。所有序列都通過ADF平穩(wěn)性檢驗。若序列在5%的顯著性水平下出現了單位根，則對原序列進行差分處理。在SW的方法中，為了避免度量單位和個別數據發(fā)散對潛在因素估計的影響，所有的數據都作了標準化(即減去均值再除以標準差)。

(一)基本模型

SW過程的基本假設是一系列的預測變量Xt和被預測變量yt可以用以下不可觀測的因素Ft描述。

即Xt=∧Ft+et yt+k=α(L)yt+βFt+ηt+k (1)

其中，∧為因子負荷矩陣，α(L)為預測變量的自回歸函數，β是金融因素的系數向量。這里我們假設誤差相et在變量間是弱相關的，預測誤差ηt+k與不可觀測的因素間是無關的(即E[ηt+k|Ft]=0)。

本文利用主成分分析獲得幾個不可觀測的因素，這些因素可以反映金融部門狀況的大部分信息，并分析這些因素在預測宏觀經濟變量中的作用。這里，我們所用的預測方程如下:

yt+k=αjyt-j+βjπt-j+γijFi，t-j+ηt+k (2)

其中，y是GDP缺口，π是通貨膨脹率，模型中選擇主成分分析中前七個主成分作為模型的解釋變量。模型中各解釋變量及其滯后項的選擇是使AIC值達到最小，隨著模型擬合程度的提高AIC的值會變小。

為了簡化預測模型一般情況下會給定預測期限。在一些研究中通常所選擇的預測期限為一年或兩年(即對于季度數據來說為4或8)，這樣的期限也比較符合貨幣政策制定的要求。Smets和Tsatsaronis(1997)也提出在這樣的預測期限下，金融變量對經濟行為的預測能力是比較強的。

(二)模型的比較

本研究除了要建立GDP缺口的預測模型外，還要通過比較分析來評價金融變量對宏觀經濟的預測能力。Estrella和Hardouvelis(1991)，Estrella和Mishkin(1997)的研究表明利率的期限結構對宏觀經濟指標有著重要的影響。在大多數的研究中股價指數也是一個重要的宏觀經濟先行指標。因此，本文中我們用短期利率、收益率曲線斜率、股價指數實際增長率作為解釋變量建立GDP缺口的預測模型，并與加入金融因素的模型進行比較，根據兩個模型的擬合效果來評價金融條件變量在預測GDP缺口中的作用。

這里我們將用兩種方式進行模型之間的比較。首先，將僅包含以上三個金融變量的模型與上一部分建立的模型(2)進行比較。其次，將三個金融變量加入到模型(2)中再與原來的模型進行比較。通過以上兩種方式的比較來判斷金融主成分在預測GDP缺口中的作用。

(三)數據

本文數據為季度數據，數據來源主要是《中國人民銀行統(tǒng)計季報》和《中國經濟景氣月報》。金融變量的選取主要參考了William English ，Kostas Tsatsaronis和Edda Zoli(2005)的研究成果。本文所選取的用于主成分分析的22個變量(如表1所示):

上面變量的數據為從1995年第一季度至2009年第四季度的季度數據，對于那些原序列在5%的顯著性水平下沒有通過單位根檢驗的個別變量這里進行了差分處理，因此以下的研究數據為1995年第二季度至2009年第四季度。對于受到季節(jié)因素影響的變量，如GDP、投資等，這里我們用X12方法進行了季節(jié)調整。

表1中股價指數的選擇的是上證綜合指數季度最后交易日的收盤價，長期利率為金融機構五年期存款利率，短期利率為金融機構一年期存款利率。實際利率為名義利率減去通貨膨脹率。GDP缺口為實際GDP與潛在GDP的差額，其中潛在GDP為用HP濾波方法得到的GDP趨勢。同樣地，可以通過計算得到投資缺口、房屋銷售價格指數缺口和股價指數缺口。需要注意的是其中實際房屋銷售價格指數為房屋銷售價格指數減去通貨膨脹率，而實際股價指數為股價指數除以消費價格指數。

二、實證分析結果

這一部分主要給出本文的實證分析結果，主要有主成分分析結果、GDP缺口預測模型的估計結果以及模型的比較結果。

(一)主成分分析結果

對于本文第二部分提出的22個基本變量用SPSS13.0進行主成分分析可以得到表2的結果。

在表2中只列出了特征根大于1的主成分，最后的列為各主成分的累計解釋能力，即前7個主成分可以解釋22個金融變量信息的83.066%。本文的研究就是利用這7個金融主成分來進行分析的。

(二)GDP缺口預測模型實證結果

根據本文第二部分介紹的模型可以建立GDP缺口的預測模型，模型中解釋變量及其滯后項的選擇是使AIC值達到最小，由此可以得到表3右側的模型結果。表3的括號中的數字表示變量滯后的階數。由以上結果可以看出，利用金融主成分建立的模型擬合效果還是比較理想的。模型R2=0.6，參考William English ，Kostas Tsatsaronis和Edda Zoli(2005)的研究結果，這里我們認為R2在40%～85%之間是比較理想的。

(三)模型比較分析

首先是利用三個重要的金融變量建立GDP缺口預測模型，即短期利率(金融機構一年期存款利率)、收益率曲線的斜率(金融機構五年期存款利率與一年期存款利率的差額)和股價指數的實際增長率。將以上模型與用金融主成分建立的模型進行比較，結果(如下頁表3)。

從表中的比較不難看出利用金融主成分建立的預測模型的擬合效果比較理想，模型的擬合優(yōu)度從0.446683提高到

0.602074，提高了34.79%。

其次，將金融主成分加入到金融變量預測模型中，其預測結果(如表4)。

從表4的結果可以看出，加入金融主成分后模型的擬合效果有了很顯著的提高，R2由原來的0.446683提高到0.607944。而這一結果與僅用金融主成分預測的結果沒有明顯的差異，這說明本文所估計的金融主成分對于GDP缺口的預測具有著重要的作用。金融主成分所包含的信息要遠遠超過幾個主要金融變量所包含的信息。

結論

本文通過引入金融主成分建立了GDP缺口的預測模型，并通過比較分析對這些金融主成分的預測能力進行了評價。從以上的模型結果可以得到以下結論，首先，金融因素對實體經濟可以產生深遠的影響，因此在對宏觀經濟進行預測時就要更多的考慮金融部門的影響。其次，在預測GDP缺口時如果只考慮有限的幾個金融變量會損失掉大量的信息，因此要考慮盡可能多的加入金融變量。最后，模型中如果解釋變量過多會降低自由度，因此利用Stock-Watson擴散指數法可以在不影響自由度的前提下考慮大量的金融變量對GDP的影響。

參考文獻:

[1]Tobin.A general equilibrium approach to monetary theory [J].Journal of Money，Credit and Banking，1969，(1): 15-29.

[2]Stock，JH，M W Watson.Macro economy forecasting using diffusion indexes[J].Journal of Business Economv Statistics，2002，(2):147-162.

[3]Smets，F，K Tsatsaronis.Why dose the yield curve predict economic activity? Dissecting the evidence for Germany and the United States[J].BIS Working Papers，1997，(49).

[4]William E Kostas T，Edda Z.Assessing the predictive power of measures of financial conditions for macroeconomic variables[J].BISPapers chapters(economy volume )，2005，(22):52-228.[責任編輯 劉嬌嬌]