互聯網金融信息優勢對同業市場利率影響的實證研究
——基于商業銀行經營決策分析

張李義，涂 奔

(武漢大學信息管理學院，湖北 武漢 430072)

一、引 言

2013年以來，互聯網的日益普及和互聯網技術的快速發展，正與金融行業深度融合，創造了稱為“互聯網金融”的新金融模式[1]，借助互聯網技術的信息優勢，互聯網金融在有效降低交易成本、消除金融歧視、擴展服務邊界等方面表現卓越，以支付寶、財付通等為代表的互聯網金融產品也在不斷沖擊著傳統商業銀行的部分金融業務*中國人民銀行2013年7月20日放開了貸款利率下限，2015年10月24日放開了存款利率上限。在此期間也迎來了以余額寶、P2P為代表的網絡理財、網絡借貸等的爆發式發展。。例如，網絡借貸的貸款利率在一定程度上貼近了小微借貸市場的真實利率水平；互聯網基金匯集了大量碎片化的社會閑散資金，加劇了存款利率的市場競爭；第三方支付沖擊了銀行結算、清算類手續費收入這一重要中間業務收入來源*2013年根據中國16家上市銀行數據測算，手續費收入與主營業務收入平均之比達到19.52%。。可見，依托互聯網特有的信息搜集、處理以及傳遞的優勢，互聯網金融的發展對商業銀行的經營行為產生了一定程度的重塑作用，商業銀行將被迫調整其經營決策，進而反映在市場利率的變動中。

二、相關文獻回顧

由于信息不對稱，傳統金融市場上容易產生諸如代理人、道德風險和逆向選擇的問題，故市場參與者所擁有的市場信息質、量與其未來的投資收益顯著相關，這就是所謂的“信息優勢”。目前中外學者對“信息優勢”研究大多采用定性描述方法，研究主要集中在股票投資領域。國際方面，Sias et al.(2006)證明了機構交易與超額收益的正相關可以被機構的信息優勢解釋[4]，Chemmanur et al.(2009)發現機構投資者可以提前獲知股票增發信息，并利用該信息在市場上交易[5]；國內方面，孔東民和柯瑞豪(2007)發現，在盈余公告前，機構有更大的優勢獲取公司信息，且持倉變化與盈余正相關[6]，陳卓思等(2008)發現過去表現較好的股票會吸引機構增加持倉，且機構增持的股票相對減持的股票在后續的表現更好，這種現象在一定程度上反映了機構具有相對較強的信息處理能力[7]，朱彤和葉靜雅(2009)發現機構大幅減倉的股票組合隨后的收益會持續下降，并且沒有表現出均值回復的特征，從而判斷出機構投資者的交易是基于信息的[8]。綜上所述，這些學者們主要通過對比二級市場機構投資者與散戶的不同投資行為或投資收益率，先后提出及確立了“信息優勢”假說，但總體而言缺乏對信息優勢的量化和實證。

對比傳統金融市場，互聯網金融市場是信息主導市場，天然具有互聯網特征，即以信息獲取、利用為導向；互聯網金融市場還有兩個重要特性：一是邊際成本遞減(甚至可以趨近于0)；二是網絡效應(也稱為網絡外部性)，即網絡參與者從網絡中可能獲得的效用與網絡規模存在明顯的相關性。因此，互聯網金融的很多模式只要能超越一定的“門限規模”就能快速發展從而取得競爭優勢，并且隨著互聯網金融的發展，金融系統將逐漸趨向瓦爾拉斯一般均衡對應的無金融中介或市場情形[9]。鑒于此，以上述有關信息優勢的研究為基礎，本文將互聯網金融相較于傳統金融在信息采集和利用上的優勢稱為“互聯網金融的信息優勢”，是指依托互聯網，市場資金能夠通過信息擴散進行金融脫媒、去中介化，一方面提高了風險控制和管理效率，另一方面拓展了交易可能性邊界；對于市場參與者而言，信息的獲取途徑更加豐富、交易各方信息不對稱程度大大降低，從而減少了信息的采集成本和交易過程中信息博弈的不必要消耗，最終能夠增進交易各方的收益和社會福利。

三、互聯網金融的信息優勢

本文將用兩個模型來體現互聯網金融對信息采集和利用的正向激勵，然后推導出互聯網金融的信息優勢與市場參與者投資收益間的相互關系。

(一)信息采集收益-成本控制模型

本文建立了一個信息采集“收益-成本控制模型”以考察互聯網金融與信息優勢的相互關系。金融市場中，任何市場參與者在信息采集的過程中都存在收益與成本的最優化問題如下：

π=p-Tc

(1)

π為凈收益，p是市場參與者通過信息采集后獲得的收益，Tc是信息采集的總成本。

定義市場參與者的收益函數p為：

p=F(I)=λf(i)

(2)

λ為能夠從信息采集中獲益的比例(0<λ<1)；i為優勢信息，它能夠反映市場的真實狀況；此外，f′(i)>0，f″(i)<0。公式(2)表明市場參與者獲得的收益是信息的函數，與采集信息的質量有關，與能夠從采集信息中獲得的收益比例有關。

定義能夠采集到的信息I為：

I=e+ε

其中，e為信息采集所付出的努力，ε是白噪聲，代表了其他隨機性因素，其方差為σ2，σ2受制于市場參與者與信息源的距離，距離越大σ2越大。該公式表明信息采集不僅取決于市場參與者的努力，也受隨機因素ε的影響。

定義優勢信息i為：

i=β(e+ε)

(3)

β為采集到的真實、有用信息在所有可獲得信息中所占到的比例(0<β<1)，它在一定程度上代表了市場參與者所掌握的信息接近于市場真實信息的程度。

進一步，定義信息采集成本函數：

(4)

c為信息采集單位成本，是隨機因素ε方差σ2的增函數，且c′(σ2)>0，c″(σ2)>0。這意味著采集信息偏離真實信息的程度越大，采集信息所需要付出的單位成本就越高。

將這些函數一起代入公式(1)，可知信息采集的預期凈收益為：

(5)

將f[β(e+ε)]泰勒展開，得到：

(6)

其一階極值條件為：

dE(π)/de=λβ[f′(βe)+(1/2)β2f?(βe)σ2]-c(σ2)=0

(7)

為了獲得顯式解，不妨設定f(i)=iα，其中0<α<1，帶入公式(7)可得：

(8)

公式(8)表明de/dσ2的符號主要取決于c′(σ2)，也即取決于σ2。當c′(σ2)較大時，根據前文假設，也即σ2對c影響較大時，de/dσ2<0，這意味著市場參與者采集信息的努力會減弱；由于互聯網的優勢，在互聯網金融新興市場，市場參與者與信息源的距離大大縮短，如果c′(σ2)足夠小，當滿足c′(σ2)<(1/2)λα(α-1)(α-2)βαeα-3條件時，de/dσ2>0，意味著只要市場參與者遠離信息源，它就會付出充分的努力去彌補。

進一步地，可以通過公式(7)得到：

(9)

(10)

公式(9)表明對于互聯網金融市場而言，信息采集付出的努力越多，從信息采集中獲得收益的比例就越高；公式(10)表明信息采集付出的努力越多，采集到信息的質量就越好，獲得信息優勢的可能性就越大。這充分說明了互聯網金融鼓勵通過市場參與者的足夠努力充分獲取信息優勢。

(二)含有信息優勢因素的拉姆齊模型

根據Koopmans(1965)的研究[10]，在經典的拉姆齊模型中，市場參與者t時刻的效用函數為ut(ct)，ρ為貼現系數(ρ>0)，ct為消費支出，人口以速率n增長，那么市場參與者的效用函數為：

(11)

式中，e-ρtut(ct)表示將第t期的消費效用按照ρ貼現到第0期使用；ρ越大表明與現期消費相比遠期消費的價值就越低，令ρ>n以保證U不無窮大，且對應人口增長越快，單位福利越少。

進一步地，在時刻t，令kt為個人資本，at為個人財富，bt為個人債務，暨at=kt-bt；令wt為工資收入，rt為真實利率；令λf(kt)是規模報酬不變的生產函數，于是有：

dat/dt=wt+rtat-ct-nat

(12)

這是個人消費效用最大化的第一個約束條件。

如果考慮時間的推進，還存在第二個約束條件為：

(13)

公式(13)對應隨著時間的流逝個人資產的貼現值趨于漸進非負，也即人均資產的凈貼現值(由rt-n決定)不能為負，否則在未來遠期的某個時刻市場參與者會停止投資*也可以認為長期的個人債務的增長速度不能超過rt-n，否則收益將為負。。

根據歐拉定理可以得到：

λf′(kt)=rt

(14)

λf(kt)-ktrt=wt

(15)

公式(14)、(15)表明資本的邊際等于利率；勞動的邊際等于工資率。

現在，市場參與者的最優效用問題，變為在約束(12)、(13)條件下，求解公式(11)的最大值。可運用Hamilton系統求解，定義Hamilton方程為：

Ht=ut(ct)exp(-(ρ-n)t)+μt(wt+(r-n)at-ct)

因此，方程一階最優條件為：

(16)

dμt/dt=-?H/?a=-(rt-n)μt

(17)

橫截性條件為：

(18)

在均衡時，個人總債務必定為0，因此均衡時bt=0，at=kt，帶入公式(14)～(17)得到：

λf(kt)=dkt/dt+ct+nkt

為了進一步得到顯式解，假設效用函數為CARA效用函數：

ut(ct)=-(1/α)e-αct，α>0

于是解得：

dct/dt=α-1(rt-ρ)

(19)

假定初始消費水平為c0，由公式(19)得到：

(20)

公式(20)表明，個人消費ct與真實利率rt有關，rt也對應著市場參與者消費與儲蓄之間的均衡。

事實上，真實利率rt只能夠由市場參與者根據現有的信息情況進行估計。假定市場參與者按照以下機制估計：

(21)

將公式(21)代入公式(20)，可得：

(22)

(23)

公式(23)表明，信息優勢越強，真實利率估計值越大，即市場參與者能夠獲得的投資收益就越多。

三、互聯網金融的信息優勢對同業市場利率的影響路徑

條件1：假設銀行面向大眾吸收存款D，向信貸市場提供貸款L，同時按照法定存款準備金率α向中央銀行上繳法定存款準備金和超額準備金E；在同業市場上銀行以同業市場利率r借入或拆出資金，單個銀行i的利潤最大化條件為：

πi=Max[rLLi+rEEi+rMi-rDDi-C(Li，Di，Ei)]

式中πi是銀行i的經營利潤；rL為貸款市場利率；rD為存款市場利率；rE為央行超額準備金利率；r為銀行同業市場利率；Mi是銀行i在同業市場的凈頭寸，其表達式為：

Mi=(1-α)Di-Li-Ei

式中，δD、δL和δE是一些正數，代表不同的邊際管理成本。

條件1、2的約束確立了同業市場中單個銀行i的經營決策，如果貸款利率和存款利率沒有管制，完全競爭市場環境下的單個銀行貸款利率會由以下貸款市場的供需均衡決定：

(24)

(25)

在現實情況中，互聯網金融提供了大量網絡理財產品，對銀行活期存款有較強的替代性。互聯網貨幣基金資產配置中銀行協議存款的占比很高，為體現這種影響，假定存款供給函數Ds(rD)也與同業市場利率r有關，代表儲戶可以通過互聯網金融理財產品將閑散資金(甚至包括活期、定期存款)投資于利率更高的貨幣基金市場，因此儲蓄存款供給函數與存款利率正相關，而與銀行同業利率負相關，即對于存款供給函數Ds(rD，r)，?Ds(rD，r)/?rD>0，?Ds(rD，r)/?r<0。

進一步地，將公式(25)銀行儲蓄存款市場均衡中的存款供給函數Ds(rD)引入信息優勢因子γ，不失一般性，假定|Δrc|=γ*參見本文公式(21)。，表示在互聯網金融優勢存在的前提下，市場參與者對市場真實利率的預測更為準確，從而能夠減少交易費用系數，降低交易成本，這等價于市場資金可以獲得高于同業市場利率r的回報。因此互聯網金融的產品收益率可以表示為(r+γ)，γ>0。現在，儲蓄存款供給函數不僅與存款利率相關，而且受同業市場利率及信息優勢因子的影響，對于存款供給函數Ds(rD，r+γ)，?Ds(rD，r+γ)/?rD>0，?Ds(rD，r+γ)/?r<0，?Ds(rD，r+γ)/?γ<0。

假設市場上存在n個貸款需求方、存款供給方及銀行同業資金供給方，根據芮曉武(2014)的研究[12]，借貸、存款市場以及銀行同業市場的均衡條件將變為：

(26)

(27)

(28)

公式(28)中Si(rD，r+γ)是非銀行機構向銀行同業市場資金的凈供給，CB(Central Bank)代表中央銀行公開市場操作的規模和方向。對比公式(25)和(27)，將互聯網金融的信息優勢引入均衡條件后，由于?Ds(rD，r+γ)/?γ<0，在完全競爭市場環境下，儲蓄存款市場的均衡規模要小于未考慮信息優勢的均衡規模。這表明互聯網金融的信息優勢會對銀行業吸納儲蓄存款帶來更大的負面影響，商業銀行為了抵消這種影響，鞏固存款規模，就需要將儲蓄存款的市場利率進一步提高。因此，在沒有存款利率管制的情況下，互聯網金融的信息優勢必然會加快推高銀行存款利率。如果銀行貸款市場利率不會受到互聯網金融的影響*商業銀行貸款利率已經實現市場化定價，在目前互聯網借貸體量很小的情況下可以認為貸款市場利率不受互聯網金融的影響。，在央行外生給定的超額準備金率下，銀行均衡的貸款及超額準備金規模不變，根據公式(28)，銀行儲蓄存款的最優規模會由于互聯網金融的信息優勢影響而減少，銀行負債方對同業資金的需求加大。

為了進一步分析這種影響機制，將公式(25)及(27)轉換為如下形式：

根據隱函數求導法則可得：

(29)

四、互聯網金融信息優勢對銀行同業市場利率影響的實證

本文選擇百度指數*百度指數以百度中文檢索數據為基礎，計算出每個關鍵詞的用戶關注度和媒體關注度的數值，并且以直觀的圖形界面展現。同時，根據不同的關鍵詞，機器自動從新聞搜索中獲取與該關鍵詞最相關的10條熱門新聞，并將新聞按時間順序均勻分布在“用戶關注度”的曲線圖上以字母標識，每個字母對應一條新聞。百度指數每天更新一次，并且提供用戶“1個月”“3個月”“6個月”和最長“1年”的時間區間。作為互聯網金融信息優勢的量化指標。所謂“指數”是以網頁搜索和新聞搜索為基礎的海量數據分析服務，用以反映不同關鍵詞在過去一段時間里的“用戶關注度”和“媒體關注度”，任意關鍵詞的指數都是該關鍵詞在比較期的數值/該關鍵詞在基期的數值*比較期的數值和基期的數值是通過當天的用戶搜索量和過去30天相關的新聞數量相比得到。。因此，一方面可以認為百度指數的強弱反映了公眾的關注程度，另一方面也可以認為反映了關聯信息的共享和流通程度。所以，本文認為特定關鍵詞的百度指數能夠作為量化市場參與者(包括潛在的)信息優勢程度的指標，分析百度指數強弱與網絡理財產品的收益率之間的互動關系可以作為一個有效方法來說明互聯網金融信息優勢對同業市場利率的影響。

(一)互聯網金融信息優勢與銀行同業市場利率波動的關聯研究

本文選取上海銀行間同業拆借利率Shibor中的隔夜拆借利率作為銀行同業市場利率的代表(隔夜利率的波動性最強)*中國人民銀行2007年推出了上海銀行間同業拆借利率Shibor，自推出至今，Shibor作為貨幣市場基準利率的地位基本得到認可。；將關鍵詞“互聯網金融”的百度指數作為互聯網金融的信息優勢的量化，重點分析二者之間的關聯。為此構造函數：

lbw=ln(bw)

dson=Shiboron-Shiboron(-1)

式中，bw為關鍵詞“互聯網金融”的百度指數(該指數的統計頻率為周，如圖1所示)，為了減少數據的波動，對bw做對數化處理。dson為隔夜拆借利率一階差分的周平均，括號內負一代表滯后一期。數據樣本的時間跨度為2013年6月8日至2016年1月2日，共計134組數據，如圖2所示，lbw序列呈現總體上升態勢，而dson序列隨時間增加其波動逐漸減弱。

圖1 “互聯網金融”百度指數(2013年6月～2016年1月)

圖2 “互聯網金融”百度指數與Shibor隔夜拆借利率波動比照

本文采用ADF檢驗對時間序列dson和lbw進行單位根檢驗，檢驗結果如表1所示。

表1 dson序列單位根檢驗

根據檢驗結果，可以確定dson和lbw序列是平穩時間序列。對lbw和dson序列進行格蘭杰因果關系檢驗，檢驗結果如表2所示，可知lbw與dson序列互為格蘭杰原因。

表2 格蘭杰因果檢驗結果

表3 ADL模型參數估計

以上海同業市場隔夜拆借利率波動數列dson為因變量，為考察序列lbw和dson間的動態影響，采用自回歸分布滯后(autoregressive distributed lag model， ADL)模型，回歸結果如表3所示。

dson=0.4091dson(-1)-0.3139dson(-2)-0.3678lbw+0.3647lbw(-1)

從該模型可以看到，對于因變量dson，解釋變量lbw的系數為負，說明了兩者之間的反向變動關系。因此可以初步得出同期dson與lbw負相關，即lbw對dson有負向影響。分析圖3，可以判斷時間序列dson具有一定的波動聚集性，因此可用Engle(1982)提出的自回歸條件異方差(auto-regressive conditional heteroskedastic， ARCH)模型驗證這種特征，并用Bollerslev(1986)提出的廣義的自回歸條件異方差(GARCH)模型加以修正[13][14]。

據此，對上文dson序列的ADL方程做LM檢驗，檢驗結果見表4。

圖3 時間序列dson的波動聚集特征

圖4 序列ht時序圖

HeteroskedasticityTest：ARCHF?statistic2 526762Prob F(1，129)0 1144Obs?R?squared2 516642Prob Chi-Square(1)0 1127

統計結果說明，拒絕εt項存在ARCH效應的P值并不十分顯著，因此，為更好地分析dson的波動性特征，仍需要構造合適的“回歸-ARCH(GARCH)” 模型。對于序列dson而言，通過反復試驗剔除不顯著變量，確定較為合適的回歸方程模型為ADL-GARCH(1，1)模型，其形式為：

dson=c1dson(-1)+c2lbw+c3lbw(-1)+εt

結合Eviews9.0參數估計結果見表5～7。

表5 均值方程參數估計結果

表6 條件異方差方程參數估計結果

表7 序列dson波動模型整體檢驗結果

需要特別說明的是，為了更好地檢驗dson的波動對lbw的反應，在條件方差方程中引入lbw作為外生變量，重點觀察條件方差ht對lbw變化的反應。因此得到模型均值方程為：

dson=0.4254dson(-1)-0.1960lbw+0.1974lbw(-1)+εt

方差方程為：

在均值方程中，dson與lbw明顯負相關；在方差方程中，能夠反映dson波動程度的條件方差與lbw呈明顯負相關關系。圖4是序列ht的時序圖，表明dson的波動呈現逐漸減小的趨勢。

(二)實證結果與分析

2. 事實上，互聯網金融的發展已然從微觀層面影響了傳統商業銀行的經營模式和行為選擇，其中最為顯著的是導致了市場中高流動性、低收益率的資金規模的迅速擴大。數據顯示，伴隨中國金融和資本市場的發展，特別是近幾年來金融機構為應對流動性，超額準備金率呈現逐年走低的態勢。面對互聯網金融的持續發展，中小型銀行由于沒有資本優勢會更加傾向于減少超額準備金，以獲得充足的流動性。

3. 商業銀行經營決策的調整也會及時反應到市場利率的變化中。以當前體量日益龐大的互聯網貨幣基金為例，依托互聯網信息技術優勢和理念創新，貨幣基金從銀行等金融機構間批發式市場走向零售市場，吸引了大量的居民儲蓄存款，促使商業銀行為競爭存款資源而不斷提高存款利率；另一方面，互聯網貨幣基金持有者往往單戶額度小、變現需求頻繁，為保證流動性，互聯網貨幣基金的資金投向主要是商業銀行1個月內到期的協議存款，不同互聯網貨幣基金之間巨量資金的競爭，反過來又可能推動商業銀行協議存款利率的上行。這種情況下，如果沒有外部干預，Shibor利率也會聯動升高。但在現實情況中，Shibor利率是中國貨幣市場的基準利率，承擔貨幣政策傳導中介的功能，為了抵消流動性風險，央行會相機使用公開市場業務，比如進行逆回購或其他短期流動性調節工具(SLO)等投放流動性，使Shibor利率保持平穩。

五、結論與建議

理論上，互聯網金融的發展對銀行經營行為和居民儲蓄行為的影響顯著，互聯網金融的信息優勢進一步增強了銀行存款規模和存款利率對同業市場利率的敏感性。從中國的實際情況來看，互聯網金融的發展增加了市場中高流動性、低收益的資金的規模，進一步降低了傳統商業銀行的超額準備金率，降低了同業市場利率的波動性，增強了同業市場利率的價格發現功能，提升了其作為市場基準利率的有效性。

基于上述理論和數據分析結果，我們認為互聯網金融的發展和體量的增大將加劇銀行間存款市場的競爭，賦予同業市場利率更強的基準參照意義，對促進中國實現真正意義上的利率市場化具有重要意義。存貸款利率的市場化將改變貨幣政策的傳導機制，有利于央行進一步優化貨幣政策目標和工具選擇，促進貨幣政策目標從貨幣供應量轉向通脹率，貨幣政策工具從數量型轉向價格型。結合本文研究結論，可積極推動以Shibor作為基準利率的信貸定價機制，探索以Shibor作為中間目標，通過短、中、長相結合的多種價格型政策工具傳導央行政策導向，進而影響企業、居民的投資、消費行為。

鑒于此，在今后貨幣政策的制定和評估、金融業布局和監督管理研究中，必須充分考量互聯網金融的影響，以提升政策的科學性和前瞻性。但由于互聯網金融出現時間尚短且發展迅猛，中國對互聯網金融的定義尚未完全達成一致，缺乏對互聯網金融的權威統計數據。為此，必須加快建立科學有效的互聯網金融統計機制，這是進一步深入研究的前提。

[1] 謝平， 鄒傳偉. 互聯網金融模式研究[J]. 金融研究， 2012，(12): 11-22．

[3] Poter， N.， Xu， T.T. What Drives China’s Interbank Market？ [Z]. IMF Working Paper， 2009， 189: 25．

[4] Sias， R.W.， Starks， L.T.， Titman， S. Changes in Institutional Ownership and Stock Returns: Assessment and Methodology [J]. Journal of Business， 2006， 79(6): 2869-2910．

[5] Chemmanur， T.J.， He， S.， Hu， G. The Role of Institutional Investors in Seasoned Equity Offerings [J]. Journal of Financial Economics， 2009， 94(3): 384-411．

[6] 孔東民， 柯瑞豪. 誰驅動了中國股市的PEAD[J]. 金融研究， 2007，(10): 82-99．

[7] 陳卓思， 高峰， 祁斌. 機構投資者交易行為特征研究[J]. 金融研究， 2008，(4): 122-130．

[8] 朱彤， 葉靜雅. 投資評級發布日的機構投資者行為與證券的異常收益——來自上海證券市場的證據[J]. 金融研究， 2009，(3): 154-170．

[9] 謝平， 鄒傳偉， 劉海二. 互聯網金融的基礎理論[J]. 金融研究， 2015，(8): 1-12．

[10] Koopmans T.C. On the Concept of Optimal Economic Growth [Z]. Cowles Foundation Discussion Papers， 1965， 238: 19-21.

[11] Bernanke， B.S.， Blinder， A.S. The Federal Funds Rate and the Channels of Monetary Transmission [J]. American Economic Review， 1992， 82(4): 901-921．

[12] 芮曉武， 劉烈宏. 互聯網金融藍皮書: 中國互聯網金融發展報告(2014) [M]. 北京: 社會科學文獻出版社， 2014. 139．

[13] Engle， R.F. Autoregressive Conditional Heteroscedasticity with Estimate of the Variance of United Kingdom Inflation [J]. Econometrica， 1982， 50(4): 987-1007．

[14] Bollerslev， T. Generalized Autoregressive Conditional Heteroskedasticity [J]. Journal of Econometrics， 1986， 31(3): 307-327．