對中國影子銀行規模的預測并檢驗其與A股市場的關系

李錦成

摘 要：首先通過GDP、M2和信貸規模數據測算1996—2015年中國影子銀行月度規模數據。利用ARIMA（4，1，5）預測截至2016—2018年初的影子銀行月度規模數據，結果發現預測值有顯著的下降趨勢。通過協整檢驗和誤差修正模型檢驗中國影子銀行與A股市場的長期穩定與動態關系，結果發現影子銀行對A股市場存在-7%的動態影響性。

關鍵詞：影子銀行；ARIMA模型；協整方程；誤差修正模型

中圖分類號：F832 文獻標志碼：A 文章編號：1673-291X（2016）12-0050-05

一、理論基礎

測算影子銀行規模，只要測算出需要觀察的每個時期的實際貨幣需求量（實體經濟規模）與從商業銀行得到的信貸（信貸規模）之差，就算出這個時期非銀行流通出的影子銀行規模。那么，測算貨幣實際需求量需要測算出貨幣實際需求系數，通過需要觀察的區間內當期實際GDP乘以貨幣實際需求系數來得出實際貨幣需求量。貨幣實際需求系數可以用需要觀察的當期的M2總值除以同期GDP總值。人民銀行公布的M2和信貸規模為月度數據，而國家統計局公布的GDP數據為季度數據，那么，就需要對季度數據轉換成月度數據才可以橫向測算，最終可以算出月度影子銀行規模數據，從而進行實證檢驗。

利用ARMA模型可以預測時間序列，但本文要檢測的影子銀行規模序列、上證指數序列等都屬于經濟和金融序列，通常不穩定，ARIMA模型屬于ARMA模型的擴展，針對于不穩定的時間序列，例如經濟和金融時間序列。具體表達形式為ARIMA（p，d，q），p為自回歸過程階數，d表示差分階數，q表示移動平均過程的階數。若時間序列為非平穩的，則需要通過d階差分平穩過程然后建模ARIMA。通過單位根可以檢驗時間序列的平穩性，本文通過ADF檢驗方法來檢驗影子銀行規模時間序列和上證指數時間序列的平穩性。

經過d階差分后的ARMA（p，q）模型就是ARIMA（p，d，q）， 然后，通過檢驗模型的參數顯著性與平穩性來確定模型是否合理。進一步檢驗模型，假設影子銀行、上證指數、成交量在某個經濟系統內聯系在了一起，那么從長遠看，這些變量存在著穩定的長期均衡關系，受到季節或其他隨機干擾，這些經濟變量會偏離均值，但隨時間推移最終會回歸均值，這就是協整關系，它可以表達兩個或多個序列的長期穩定關系，即如果兩個或多個非平穩時間序列的線性組合是平穩的，那么這些非平穩的時間序列被認為存在協整關系。如果變量間存在長期穩定的關系，即協整性，則可以通過建立誤差修正模型來檢驗變量間的相關性。

二、實證檢驗

首先，季度GDP數據存在顯著的季節趨勢，利用X12法對其進行季節調整，再對1996—2015年季度GDP數據進行高頻化轉換為月度GDP數據，然后，測算出1996—2015年月度GDP總值，通過對應時期內M2總值除以GDP總值算出貨幣需求系數，再利用貨幣需求系數乘以實際月度GDP算出實際貨幣需求量，再減去對應月度信貸規模得出影子銀行規模。影子銀行規模、上證指數價格、成交量作為經濟和金融數據屬于非平穩序列，通過取對數來進一步觀察（如下頁圖1所示）。

其次，對滯后期進行檢驗來確定滯后階數，原則上，通過VAR模型的ACF和PACF來識別階數是比較困難的。所以，在實際應用中一般采用逐步升級的方法，找出最恰當的模型階數。從下頁表1中可以確定最大滯后階數為六階。

再利用常用的單位根檢驗方法ADF方法檢驗單位根。從下頁表2各變量單位根檢驗中，三個變量的ADF值并為大于5%和1%的臨界值，為I（1）單整，即在一階差分后序列平穩。

從本文圖2可以明顯看出，影子銀行、上證指數價格和成交量一階差分序列可見，一階差分不再具有趨勢特征，時間序列DY1=dln（shadowbank），DY2=dln（price），YD3=dln（volume），經過ADF檢驗，序列平穩化，這樣確立了差分次數后，就可以繼續對影子銀行序列進行ARMA模型分析。

通過對dln（Y）序列的自相關函數圖和偏自相關函數本文圖3中可以看到，他們都是明顯拖尾，因此可以設定ARMA過程。

根據自相關函數和偏自相關函數圖可以看出自相關函數在4，5階時落在了2倍標準差邊緣，則q階可到5階，而偏自相關函數的3，4階也正好落在2倍標準差邊緣，則p階可到4階，這導致無法有效采用傳統的Box-Jenkins方法確定模型的階數。所以，通過反復對模型進行估計比較不同模型的變量對應參數的顯著性來確定模型階數。既有：ARMA（4，5）。

從下頁表3中可以看出，通過各種模擬擬合的參數檢驗結果看，ARMA（4，5）模型擬合效果解釋變量的系數估計值并沒有完全在15%的顯著水平下顯著。

由于移動平均自回歸目的是為了預測，通常分為動態和靜態兩種預測，由于靜態預測更加直觀，所以繼續對影子銀行進行未來兩年的預測直至2018年初（如本文圖5所示）。

本文圖5中藍線代表了影子銀行規模預測值，預測了二年的區間，從2016年初至2018年初，兩條虛線則提供了2倍標準差的置信區間。從本文圖5中可以看出，Theil不相等系數0.03，表明模型的預測能力較好，分解表明偏誤比例較小，方差比例很小，說明實際序列的波動較大，而模擬序列的波動很大，總體來看模型預測效果良好。

從預測本文圖6中也可以看出，十八屆三中全會以后，也就是從2013年底開始，影子銀行規模開始有下降的趨勢，尤其是在2014年底有顯著的變化。模型預測了2016年1月至2018年1月，可以看出，在2016年底，影子銀行規模會產生V型底，影子銀行的快速下降可能是以下幾種原因導致：（1）2015年后經濟下行背景下，中央供給側改革有一個快速的成效在2017年初產生，那么，商業銀行信貸將重新進行市場化配置，曾經得不到信貸資金需要借助影子銀行的中小企業得到了銀行的支持，導致影子銀行規模快速下降。（2）美聯儲在2017年初加息再次導致中國外匯儲備快速流出，不但使銀行間流動性快速下降，甚至導致了影子銀行規模也快速下降。總的來看，影子銀行規模呈現逐漸下臺階的趨勢，也說明未來貨幣政策部門對中國多年來貨幣超發的情況會有所改善。

影子銀行這種波動性是否會對中國A股市場產生影響，二者間是否存在相關性，本文將接著對中國影子銀行序列和上證指數及成交量進行協整檢驗，來驗證二者之間是否存在長期性關系。

模型表達式為：

對殘差序列 t進行單位根檢驗，結果顯示 t序列在1%的顯著性水平下拒絕原假設，因此可以確定 t為平穩序列，這表明，1996—2015年的月度影子銀行規模數據與上證指數存在協整關系。

表5 殘差項ADF檢驗

檢驗了中國影子銀行規模與A股市場的協整關系，為了進一步考察二者的動態關系，現通過誤差修正模型來進行分析。首先另殘差項為ECM（如表6所示）。

模型表達式為：

從以上公式可以看出，T檢驗值均顯著，誤差修正的系數為0.1827，這說明長期均衡對短期波動的影響適中。其經濟意義是：當短期波動偏離長期均衡時，將以18%的的調整力度將非均衡狀態拉回至均衡狀態。長期均衡動態關系中影子銀行的系數為-7%，說明在長期動態關系中，中國影子銀行規模的變化與上證指數的變化呈現負相關性，即影子銀行的增長會抑制A股市市場上漲，起到了分流金融市場資金流的作用。

三、小結

本文利用ARIMA（4，1，5）預測了截至2018年初的中國影子銀行規模數據，其走勢并沒有呈現出逐漸攀升的趨勢，模型預測結果2016年后影子銀行開始下降，或許是對供給側改革產生效果的一種正反饋。而預測圖形中也顯現出一個短期的快速脈沖現象，2016年全球經濟處在一個美國加息的周期中，或許是美國自2015年底的首次加息后的二次加息對中國貨幣市場產生了一個短期的溢出效應，境內影子銀行快速下降后V型反彈，總之，美國的加息勢必會導致中國境內影子銀行的流出，這或許可以解釋預測的這種短期現象。

通過協整方程檢驗了中國影子銀行規模和A股市場的長期關系，結果顯示的確二者存在著長期的穩定關系，因為影子銀行代表了貨幣在非銀行體系的流動性，而股票市場對流動性有著最高的需求，流動性越高，股票市場的風險溢價也會越高，在股市的估值模型中，除了未來現金流業績增速外，流動性是最重要的。通過誤差修正模型檢驗了中國影子銀行規模和A股市場的動態關系發現，影子銀行對A股市場有-7%的影響性，即影子銀行增長，股票市場下降，影子銀行分流了一定貨幣量，對股票市場的流動性會有一定的影響性。