中國金融狀況指數構建及其在通脹中的應用

(1.安徽大學 經濟學院,安徽 合肥 230601; 2.安徽財經大學 金融學院,安徽 蚌埠 233030；3.安徽財經大學 國際經濟貿易學院,安徽 蚌埠 233030)

一、引言

長期以來，貨幣政策制定目標往往追逐經濟增長和物價穩定等總量型指標，卻未必能考量金融系統運行情況，造成資產價格非理性波動以及物價水平與資產價格非同步現象的出現。譬如，央行運用一系列政策工具增加貨幣投放來刺激經濟，若新增的貨幣沒有進入實體經濟，短期內容易造成低通脹和高金融資產并存的現象[1]。特別是經濟面臨衰退時，資產價格由原先上漲趨勢變為直接快速下降，迫使持有相應資產的金融機構確認大幅減值 損失。這種金融系統的順周期性使整個經濟體系極易面臨風險，給實體經濟發展造成巨大威脅。因此，尋求描述金融系統真實運行狀況的指標，并納入貨幣政策框架，意味著將金融穩定、物價穩定共同參與貨幣政策制定和執行框架中，有助于更好貫徹黨的十九大精神，提高金融服務實體經濟能力，以防范系統性金融風險。

金融狀況指數(Financial Condition Index，FCI)本身作為反映一國金融狀況松緊程度的綜合性指標，可以看做金融市場健康的晴雨表，并可以被用來衡量和預測實體經濟發展水平。最初學者們通過一系列金融指標變量綜合構造出了貨幣條件指數(Monetary Condition Index，MCI)，

隨后進一步演化為FCI。由于具有將包含很多經濟信息的多維指標綜合為單一指標的優勢，可以作為重要的政策指示器。從2008年美國次貸危機及隨后的金融危機爆發后，伴隨著房地產市場泡沫和經濟嚴重衰退，這場危機考察了金融部門的“溫度”。很多外國央行(美聯儲、加拿大銀行、德意志銀行和OECD等)和金融機構(高盛、彭博社等)都開始密切監控金融形勢指數FCI。具體而言，代表性的金融狀態指數有圣路易斯聯儲金融壓力指數(STLFSI)，芝加哥聯儲國家金融狀況指數(CNFCI)，彭博金融狀況指數(BFCI)，堪薩斯城金融壓力指數(KCFSI)，高盛財務狀況指數(GSFCI)和芝加哥期權交易所CBOE波動率指數(VIX)。各國央行通過匯總短期國債利率、長期國債利率、信用利差、美元外匯價值和股票價格等指標構造FCI指數，希望通過其數據衡量金融壓力和預測經濟。面對2013年6月我國出現的銀行錢荒現象，中國人民銀行著手探索基于日度數據編制了中國的實時FCI指數。然而，這僅僅是探索階段，數據尚未完全公開。FCI本身就是個相對指標，不同的機構和學者因采取不同指標和不同方法構造出的結果往往是不同的。國內外大多數學者選擇包含利率、匯率、房地產價格、股價等資產價格的變量構成FCI指數，變量選擇上相對單一。可以肯定的是，FCI指數構建過程中，變量選擇上應注重宏觀指標變量選擇的廣泛性和代表性，構建方法上應滿足不同時間段選擇不同指標變量的特殊需要。

鑒于我國沒有官方公布FCI數據，本文試圖在已有文獻研究的基礎上，解決如下兩個問題：第一，如何增強FCI對基本宏觀面的信息囊括能力，提煉和估計FCI模型的系數及權重，從而有效構建的FCI指數使得客觀描述金融系統運行狀況。第二，自2015年以來，經過一系列市場波動的陣痛后，中國金融市場伴隨著結構性變化。這種結構性變化是否導致FCI預測通脹的影響表現出時變和動態特征？解決上述兩個問題對我國宏觀經濟形勢、物價水平做出前瞻性預測具有重要理論與實踐意義。基于以上考慮，本文選擇2003年1月至2017年10月的20個宏觀經濟變量數據構建的FCI指標，利用動態模型平均方法(DMA)構建含有時變系數和隨機波動率的因子増廣向量自回歸模型(TVP-FAVAR)，計算出我國FCI指數，克服傳統方法存在的經濟信息含量少、固定權重和缺乏經濟結構性變化等限制，從而增強了FCI的時效性。利用新的FCI指數有助于對宏觀經濟形勢、物價水平作出前瞻性預測，提高金融服務實體經濟能力，變被動監測為主動防范化解系統性金融風險。

二、文獻綜述

最早金融狀況指數是起源于19世紀90年代，加拿大銀行用再融資利率和匯率構造出貨幣狀況指數(MCI)，進行長期監測。MCI在加拿大銀行的成功運用促使瑞典、新西蘭和澳大利亞等央行相繼效仿，將MCI作為貨幣政策操作目標之一。國際貨幣資金組織(IMF)在1996年公布了美國、英國、法國、德國、意大利、日本共6個國家的MCI。但MCI選取指標過少，將其作為貨幣政策操作目標的做法存在一定的缺陷，因此，對MCI指數的進一步推廣和改進，通過選取更多更廣的指標范圍的FCI得以演化而來。Mayes和Viren(2001)[2]總結了高盛等機構關于FCI應用的實際經驗，建議對FCI進行監測預測經濟發展水平。在此之后，有關FCI的研究主要沿著兩個維度進行展開：(1)FCI具體指標選取。國內外學者大多基于樣本國家的實際情況，根據FCI理論構造基礎以及目的的不同，選擇相對有限的經濟指標來測算FCI。Goodhart和Holfmann(2001)[3]最早采用短期利率、房地產價格、股票價格和實際匯率四個變量作為指標，利用總需求方程分別計算西方七國的FCI，并指出FCI在樣本內對通脹率有良好的預測效果。卜永祥、周晴(2004)[4]拓展了MCI定義，將貨幣信貸增速的指標信息引入MCI的測算。Boivin等(2009)[5]從貨幣傳遞機制角度將指標分為新古典和非新古典兩大類，綜合選擇利率、股票價格、收益率以及借貸者風險等金融變量指標加權構造出FCI。巴曙松、韓明睿(2011)[6]考慮到銀行信貸控制在我國貨幣政策中的重要作用，因此將信貸總量放進FCI指數的構建中，研究結果表明包含信貸總量的FCI對通脹的預測更佳。(2)FCI構建的計量方法。計量方法很多，最終合成方法大多采用對少數金融變量的簡單加權平均值而獲得，權重選取方法依據基于每個變量對實際GDP的影響大小進行估值。常用方法有三類，一是基于向量自回歸模型(VAR)、VECM、SVAR計算得到的脈沖響應值為權重。Swiston(2008)[7]利用VAR脈沖響應分析得到美國的FCI指數，并證明其對產出具有半年的預測效果。Beaton、Lalonde和Luu(2009)[8]選用了商業票據利率、商業貸款利差、消費貸款標準和金融資產，通過結構VECM模型產生的脈沖響應值為權重計算出FCI。二是基于總需求方程縮減式為主的單方程系數和顯著程度來確定權重。Mayes和Virén(2001)[9]利用IS曲線的總需求方程縮減式，結合了房地產價格和股票價格等資產價格的日頻數據計算FCI，結果顯示構造出的新的FCI能夠更好的預測通脹情況。Montagnoli和Napolitano(2004)[10]利用狀態空間模型及卡爾曼濾波算法構造具有動態權重的FCI數據。卞志村、孫慧智和曹媛媛(2012)[11]則利用狀態空間模型對中國數據構建了時變的金融狀態指數，并得出FCI對未來產出和通脹具有良好的預測能力。三是利用降維思想進行因子分析或者主成份分析獲得權重系數。為了吸收更多的金融變量參與FCI構建，除了傳統的向量自回歸模型，學者們利用降維思想，采用因子分析和主成分方法對高維經濟變量提取公共因子和主要成分作為FCI的構造指標，其權重則由原變量在共性因子或者主要成分中的比重所決定。English、Tsatsaronis和Zoli(2005)[12]選取了利率、匯率和金融資產價格等共50個金融變量指標，利用主成分方法構建了FCI。Hatzius等(2010)[13]選擇了45個金融指標，如利率、商品價格指數和市場波動率等金融變量季度數據進行簡單的主成分分析構建FCI來反映未來經濟信息。

隨著FCI研究的不斷深入，國內外學者通過對不同國家的FCI數據預測未來經濟形勢，特別是關注物價水平的預測。針對FCI預測通脹的方法上，主要集中與建立循環方程式、隨機游走模型為基礎的預測模型。Goodhart和Holfmann(2001)[3]利用總需求縮減式對12個國家的FCI和通脹方程式進行比較，發現房價比股票價格更能夠預測通脹。Tkacz和Wilkins(2006)[14]利用加拿大的數據，得出的房價指標參與的FCI相比股價參與的FCI更容易預測未來產出和通脹水平。Thompson等(2015)[15]采用主成分分析法和卡爾曼濾波法兩種方法建立了南非的FCI指數，成功預測出南非未來經濟的增速減緩。封北麟、王貴民(2006)[16]根據我國實際經濟情況，選擇實際房地產價格指數、實際股票價格指數以及實際貨幣供應量等指標，利用VAR脈沖響應系數來確定各指標的權重構建FCI指數。結果發現，包含上述指標的FCI對通貨膨脹具有更好的預測能力。封思賢等(2012)[1]利用廣義脈沖響應函數計算我國FCI指數，實證分析得到FCI具有對通脹未來趨勢的預測能力。并對不同狀態下的通脹預測效果進行比較。許滌龍，歐陽勝銀(2014)[17]構建可變參數特征的狀態空間模型，得出FCI波動特征能夠協調樣本期內宏觀經濟金融的整體平穩形勢。

總體看來，國內外學者構建和應用FCI存在以下三點不足：第一，FCI模型變量選擇上，一般包含反應利率、匯率、資產價格的少數變量，這樣容易弱化FCI對基本宏觀面的信息囊括能力，不利于對宏觀經濟形勢、物價水平作出前瞻性預測。第二，FCI模型的系數及權重基本采用靜態或者簡單動態形式，而事實上FCI需要依賴于宏觀經濟變量真實數據而提煉出來，因此系數和權重應該由數據本身估計出來的，而不是人為假定。第三，不同時期的經濟結構有所差異，考慮到我國經濟仍然處于結構性變化調整過關期，FCI作為金融市場健康的晴雨表，應當表現出領先通脹的非線性時變預期能力。有鑒于此，本文參考了Koop和Korobilis(2013)[18]的處理方法，抽取大量宏觀經濟指信息，利用動態平均方法(DMA)結合時變模型來構造FCI。時變模型增強了對宏觀經濟變量的信息囊括能力，體現了系數和負載矩陣不同時期的隨機性。結合DMA方法對時變模型進行優化處理，允許不同時間段選擇不同指標變量，從而保證了FCI時效性。隨后，本文采用馬爾科夫區制轉移向量自回歸模型(MSVAR)分析新的FCI指數和未來期的通脹之間的兩區制效應，驗證新FCI指數短期內具有明顯領先通脹的非線性時變預期能力。此結論將有助于準確反應通脹預期，有效降低通脹風險，提高貨幣政策實施效果。

三、FCI指數預測通脹的機理分析

Goodhart和Hofmann(2001)[3]最早利用利率、匯率和股價等金融信息構建FCI指數，用于刻畫金融市場的健康狀況以及預測未來通脹水平。從理論上分析，FCI指數主要通過利率、信貸、資產價格和匯率等途徑綜合影響通脹趨勢，體現了金融體系向實體經濟傳導路徑。

根據凱恩斯理論，在金融市場完善條件下，貨幣當局通過利率渠道影響通脹水平。假設央行實施降低名義利率的擴展性貨幣政策，從而降低短期的實際利率。根據利率期限結構理論，長期利率是未來短期利率預期的平均，降低短期利率會影響到長期真實利率變化。通過長期利率降低進而造成企業投資成本減少，投資需求增加，最終會導致通脹水平增長。同時，通過長期利率降低也會造成居民儲蓄減少，個人投資和消費支出的增加，最終也會導致通脹水平的提高。傳統利率渠道能夠發揮作用的前提是金融市場完善條件下，各種金融資產可以進行相互替代。因此，利率對通脹的調控效果在市場化程度較高的發達國家相對明顯。根據利率傳導過程可以看出，利率在整個經濟運行過程中賦予重要中介傳遞作用，是影響通脹水平的重要金融變量。

然而，事實上不存在金融市場是完善的，信息不對稱會導致逆向選擇和道德風險的出現。因此，根據Stiglitz和Weiss(1981)[19]提出信貸傳導渠道理論，貨幣政策可以通過信貸傳導影響通脹水平。央行運用法定存款準備金、再貼現及公開市場操作等貨幣政策工具調節貨幣總量，改變金融機構的信貸規模，造成依賴于銀行貸款的企業投資和個人耐用品消費等需求的變化，從而促使通脹水平產生變化。根據信貸傳導渠道可以看出，貨幣供應量是影響通脹水平的重要金融變量。

除了利率和信貸傳統渠道影響通脹水平外，貨幣政策還可以通過對不同資產價格渠道影響通脹水平。這里僅以股市和房地產市場為例展開分析。理論上，基于股市的傳導機制主要表現以下幾個方面：(1)根據托賓Q理論，股價與投資支出存在內在聯系。當股價上漲，使得企業市值與資本重置成本的比值(Q值)增高，刺激更多企業增加投資支出從而帶動社會總需求擴張和價格水平上漲。(2)基于信貸觀點的資產負債表效應，當股價上漲，企業凈市值隨之增加，使得企業面臨的道德風險減少，從而促使金融機構放貸數量增多和企業投資支出的增加，最終也會影響通脹水平。(3)從資產流動性角度考慮居民資產負債情況，股價上升時，居民擁有的流動性強的金融資產價值也隨之上漲。居民預期未來不確定性的概率減小，從而通過其消費意愿促使耐用品的消費支出增多，最終促進價格水平上漲。(4)從居民的財富效應分析，當股票價格上漲，居民的金融財富價值上升，從而增加了居民的終身財富，并促使消費者的消費需求上升和物價水平上漲。范小云等(2011)[20]認為，股票價格波動所引起的估值效應會直接造成外部財富和通脹水平的變化。同樣，基于房地產市場的傳導機制主要表現為兩方面，這里以房價上漲為例進行分析：(1)當房價上漲，房地產價格與其重置成本比值Q值增加，從而刺激房地產企業投資支出，最終表現為物價上漲。(2)當房價上漲，消費者擁有的房屋價值提高，從而使消費者的終身財富和消費支出增加，最終也表現為物價水平上漲。鄧健、張玉新(2011)[21]通過研究房價波動對居民消費的影響機制得出房產的價格波動會直接影響居民消費水平。根據資產價格傳導渠道可以看出，股票價格和房地產價格等資產價格是影響通脹水平的重要金融變量。

隨著我國進一步推行完善匯率制度的舉措，基于匯率效應影響通脹的渠道也表現為多方面，產生的結果也有所不同。這里以人民幣升值為例進行分析，表現為：(1)人民幣升值會降低進口成品和中間品價格，基于行業類的競爭和成本原因造成了國內同類商品價格下跌。(2)滿足馬歇爾—勒納條件下，人民幣升值會削弱出口，一定程度會縮小我國現有的貿易順差。凈出口下降造成社會總需求減少，會負面影響物價水平，同時引起居民的收入和消費需求降低，物價水平也隨之下降。(3)人民幣升值會吸引境外資本流入，導致國內貨幣供應量增加，從而促使社會總需求增加和物價上漲。傅強等(2011)[22]分析了匯率對國內進口價格、生產者價格和消費者價格的傳遞效應，提出匯率變動通過直接、間接渠道影響我國的通脹水平。因此，根據匯率傳導渠道看，匯率是影響通脹水平的重要變量。

從上述FCI指數影響通脹水平的傳導途徑看，FCI指數構建依賴于利率、信貸、資產價格及匯率等因素的金融指標。然而這些指標并非單一，往往一個指標涉及很多變量。比如大宗商品的期貨價格作為其中一類資產價格，本身就具有發現未來價格的功能，有必要納入到FCI指數的構建中。高維度的金融變量參與FCI構建，有助于增強其對基本宏觀面的信息囊括能力，使得FCI對通脹的預測效果更好。值得注意的是，FCI變化對通脹水平的影響往往不是即期的，是通過一系列的傳導路徑引起通脹水平的變化，即FCI指數對通脹水平存在一定時滯效應。FCI影響和預測通脹的傳遞機理為我國推進實時監測FCI提供有力的理論支撐，進一步確保了FCI用于通脹預期的可行性和有效性。

四、FCI指數的構建

(一)時變模型構建

本文選擇20個動態指標，涉及資產價格變量、貨幣供應量指標以及融資規模等宏觀經濟信息作為金融變量集xt進入FCI構造中，由于xt由20×1維宏觀經濟變量構成，因此可以對經濟變量集構造出J=220-1種組合形式參與FCI構建，得到模型個模型Mj，j=1,2,…,J。當固定j時，單一的模型是由量測方程和狀態方程兩部分展開

1. TVP-FAVAR模型的量測方程

(1)

2. TVP-FAVAR模型的p階滯后狀態方程

(2)

λt=λt-1+vt，βt=βt-1+ηt

且vt～N(0,Wt)，ηt～N(0,Rt)。

為了估計上述多變量時間序列模型中誤差協方差矩陣(Ht,Ωt,Wt,R)以及參數λt、βt，通常使用多變量隨機波動率模型。本文參照Cogley和Sargent(2005)[23]做法，使用指數加權移動平均的遞歸估計算法(EWMA)，并定義了衰減因子κ1，κ2和遺忘算子κ3，κ4。衰減因子和遺忘因子有著相同的解釋，比如衰減因子κ1，κ2值較低時表明與過去觀測值相比，近期t-1期估計得到的Ht和Ωt殘差平方占有較大權重。遺忘算子κ3，κ4則針對估計Wt和Rt。有關估計誤差協方差矩陣(Ht,Ωt,Wt,Rt)和參數的方法步驟如下：

首先，利用卡爾曼濾波方法對參數進行遞歸估計

其次，引入衰減因子κ1，κ2，采用指數加權移動平均(EWMA)方法更新估計參數Ht，Ωt

Ht=κ1Ht-1+(1-κ1)etet′，

Ωt=κ2Ht-1+(1-κ2)u1ut′

最后，對于給定的Ht和Ωt，利用t時期信息和卡爾曼濾波方法，更新后得到最終參數λt、βt估計

利用上述條件分布，最終得到提前一步的預測值

(3)

(二)基于DMA方法的多模型選擇

上述是針對單一的模型Mj推導TVP-FAVAR模型構建，由于選用固定經濟變量構造模型在一定程度上不能反映實際經濟突變的狀況，因此下文引入邊際似然函數πt|t-1，j來表示已知t-1期信息條件下，在t期選擇模型Mj的概率。動態模型平均方法(DMA)就是利用邊際似然函數為權重，對所有可能的模型的預測值進行加權平均。由于取值具有時變特征，根據上述假設總共有J個模型，假定每個模型對應邊際概率的初始值π0|0,j(j=1,2,…，J)，Raftery等(2010)[24]運用類似卡爾曼濾波的遞歸算法，引入遺忘因子α(0<α≤1)，得到模型的預測方程和更新方程

(4)

(5)

(三)模型參數的先驗分布選擇

參考Koop和Korobilis(2013)[18]的做法，需要設置上述模型中的因子參數ft，狀態方程中的時變參數λt、βt和時變協方差矩陣Ht，Ωt的初始值f0，λ0，β0，H0和Ω0。同時需給定DMA方法中處理模型間互換而產生邊際概率初始值π0|0，j(j=1,2，…，J)。為此，這些初始條件分別為

f0～N(0，4)，λ0～N(0，4×In(s+1))，β0～N(0,VMIN)

其中，VMIN是明尼蘇達先驗分布(Minnesota prior)構造的對角協方差矩陣。

對于Wt，Rt可以通過卡爾曼濾波器獲得各個狀態協方差矩陣估計，因而不需要初始化這兩類矩陣。最后對EWMA和DMA方法中涉及一些因子參數做初始化規定。根據Cogley和Sargent(2005)[23]提出的隨機波動率模型可知，一般認為衰減因子κ∈(0.94，0.98)來控制協方差矩陣變化，本文選擇κ1=κ2=0.96。同時采用Cogley和Sargent(2005)[23]做法，定義遺忘算子κ3=κ4=0.99實現模型的隨機游走的緩慢變化過程。遺忘因子α決定了模型切換速度，本文賦值為0.99意味著實現了具有相對緩慢變化的動態模型平均(DMA)。

(四)指標成分選擇和變量處理

依據上文分析得到FCI指數對通脹預期傳導機制，并對照Koop和Korobilis(2013)[18],張依茹等(2011)[25]和戴金平(2016)[26]的做法，本文構建模型時選取如下三大類共計20個經濟指標變量作為模型中宏觀經濟變量集：第一，利率和匯率變量xt，包括利率、匯率變量共計7個指標。其中，利率指標選取了各期銀行間同業拆借的月度加權平均利率，期限涉及到7天、30天和90天。匯率選擇了美元、歐元和日元兌人民幣中間價的月度平均數據以及人民幣實際有效匯率指數；第二，貨幣、信貸指標，包括貨幣供應量、信貸和國家儲備資產共計7個指標變量。其中，貨幣供應量選取M0、M1和M2貨幣量月同比數據來表示，這些指標是央行通過信貸調節消費和投資需求的重要工具，也是調節物價的主要手段，體現了經濟體下貨幣流動性。信貸收支方面選擇了社會融資規模增量、金融機構人民幣存貸款比來表示；外匯儲備、黃金儲備代表了國家儲備資產情況。第三，資產價格變量，包括股票價格、房地產價格和期貨價格變量共計6個指標。股票價格主要選取了上證綜合指數、深證成分指數和深交所月末平均市盈率，房地產價格指標是以國房景氣指數為代理變量。考慮到期貨市場具有發現價格的功能，其價格包含了對未來宏觀經濟的預期信息，因此有必要將期貨價格信息納入FCI指數的構建中。本文選擇全國期貨市場月成交金額和WTI原油期貨結算價作為商品期貨價格的代理變量。

考慮到產出對宏觀經濟具有明顯的指示作用，通貨膨脹率的控制對金融穩定起了重要作用，兩者皆是央行實施貨幣政策的主要目標。同時，參考易曉溦等(2015)[27]文獻，從匯率風險角度考查貨幣錯配水平。大規模的貨幣錯配對國家的金融穩定、貨幣政策的有效性以及產出等宏觀指標都造成很大沖擊，也是多數新興國家經濟危機的直接原因。綜上考慮，本文選擇了產出、通貨膨脹率以及貨幣錯配三個指標作為模型中可觀測的宏觀變量。由于數據一律采用月度數據，因而產出水平選取了規模以上工業增加值的同比數據代替原先規定的GDP數據。通貨膨脹率則是用居民消費價格指數CPI月度同比增長率表示。貨幣錯配率由凈外幣資產占總資產的比重決定，因而采用廣義貨幣供應量M2與外匯儲備比值加工后得到。綜合考慮我國的經濟情況以及數據可得性，所有數據的樣本區間來自2003年1月到2017年10月。以上相關數據均來源于Wind數據庫。

首先，數據進行預處理。其中，利用X-12方法對xt涉及到的20個指標數據消除季節性影響因素，并將獲得調整后的數據進行ADF平穩性檢驗。對非平穩的數據采用不同方式如一階差分、二階差分、對數一階差分等獲得最終平穩數據。這里構造變量tcode表示轉換代碼，賦值1，2，3，4，5分別代表水平值，一階差分，二階差分，對數值和對數一階差分，具體結果如表1所示。最后，所有平穩處理后的變量都進行了標準化處理，變成均值為0，方差為1的時序列，以消除數據量綱不同造成的影響。

表1 涉及20個宏觀變量選擇和處理

(五)FCI指數構建及分析

由TVP-FAVAR-DMA模型構建可知，FCI數值以零為界限，大于零的時期表明金融形勢寬松，金融狀況整體發展良好；小于零則表示金融形勢趨緊，金融狀況存在下行壓力。使用MATLAB軟件編程，經卡爾曼濾波器得到了中國2003年1月至2017年10月的FCI指數，如圖1所示。根據圖1可知，從2003年1月開始，FCI處于負值但明顯表現為上揚趨勢，并在同年9月轉負為正。這與當時美元持續兩年下跌導致人民幣升值，促進經濟發展的環境相一致，表明當時金融形勢良好。隨后2004年初FCI出現了轉折，數值一路下跌，直到2006年3月才從波谷中反彈。結合當時情況，2004年國家宏觀調控對“經濟過熱”采取“有保有壓”政策，造成了金融形勢相對趨緊。伴隨2006年下半年開始，中國股市迎來了期盼已久的牛市，FCI數值也隨及上揚，表示當時我國金融形勢寬松，環境良好。然而，隨著2008年美國次貸危機進一步蔓延，我國FCI值也由正轉為負值。中國政府審時度勢，立即采取了一系列擴張性的貨幣政策和財政政策，實施“四萬億”等計劃措施刺激經濟。因此，FCI隨即又開始上升態勢，金融形勢得到了明顯好轉，直到2009年12月FCI數值開始大于零。2012年達到小高峰后，有所波動回落，到2014年后的FCI數值持續表現為負值，這與目前中國經濟出現“新常態”，經濟增長速度放緩的現象一致。

觀察FCI走勢發現，利用“峰—峰”劃分思想對FCI周期進行劃分。同時為避免過于頻繁的短周期，這里規定波峰與波谷的時間間隔(經濟上行或經濟下行)一般不少于6個月，波峰與波峰或波谷與波谷間的時間間隔(一個完整的經濟周期)一般不少于15個月，即景氣分析框架常用的B-B轉折點測定方法[28]。為此2003年1月至2017年10月中國金融周期大致可分為5階段，分別為2003年年初至2007年中旬、2007年下半年至2011年中旬、2011年下半年至2013年年底、2014年年初至2015年年底、2016年以后。目前中國正處于第5階段金融景氣循環的緩慢復蘇區間，金融狀況相比2016年上年同期水平出現漸進回暖的態勢。

圖1 TVP-FAVAR-DMA模型計算出的FCI值

為了進一步研究FCI的周期波動，特別是分析目前新常態時期金融狀況波動，利用MATLAB軟件，采用帶通濾波方法(band-pass filter)將FCI時間序列中波動周期在18至96個月之間的循環部分分離出來，剔除了其他高頻噪音成分和低頻趨勢部分。圖1顯示2017年的FCI數值出現了持續下滑趨勢，直觀表現是目前金融形勢趨緊，然而對比圖2發現，2017年金融形勢循環雖仍在趨勢線下方波動，但明顯出現上升趨勢，說明了我國初步形成了“貨幣政策+宏觀審慎政策”雙支柱的金融政策調控產生了一定效果。而且觀察圖2發現，趨勢線最大負向偏離(波谷)集中出在2008年中旬和2015年初兩個時點上，這就意味金融危機以及經濟“新常態”均造成了金融形勢的趨緊。對比兩個時期FCI周期波動到達“谷底”的深度值，發現前期的波動幅度大于后期，進一步驗證了相對與金融危機而言，增長速度放緩、結構調整、經濟下行壓力較大等多種問題疊加的“新常態”時期的中國經濟整體金融形勢仍較為寬松。

(六)FCI指數的穩健性檢驗

從FCI計算方法得知，實時t1期的FCI數值依賴于0～t1期的全樣本數據。隨著時間推移，實時t2期的FCI數值依賴于0～t2期的全樣本數據，此刻t1期的FCI也應當基于0～t2期的全樣本數據計算得到(t2>t1)。這就造成t1期的FCI數值計算結果可能會不同。因此，基于不同樣本區間數據，檢驗FCI計算結果是否一致是評價FCI穩健性的一種方法。遵循這一思路，本文使用遞歸時間樣本，起點為2003年1月，樣本截止期分別為2015年4月、2015年10月、2016年4月、2016年10月、2017年4月和2017年10月共6期的FCI指數實時序列，如圖3所示，其中遞歸數據間隔為6個月。隨著新數據加入，FCI計算結果存在小幅度的修正，但總體而言，前5期的FCI與完整區間樣本計算得到的FCI(FCI201710)總體走勢一致，而且較為接近，表明本文所采用的TVP-FAVAR-DMA模型構建的FCI指數具有較好的穩健性。

圖2 基于BP濾波的FCI周期波動圖

圖3 FCI指數實時序列

為了更精確刻畫不同樣本區間計算結果的差異性，假設以完整樣本區間(2003年1月至2017年10月)計算FCI序列為真實值，可以計算出其他5期構建的FCI的平均絕對誤差(MAE)、均方根誤差(RMSE)和平均絕對百分比誤差(MAPE)，如表2所示。5期對應的MAE和MAPE數值都很小，意味著模型估計精度很高，再次說明FCI指數構建具有較好的穩健性。

表2 樣本截止期變化下的FCI指數估計效果

五、FCI指數對通脹的預期效應

從上述模型構建看出，FCI實際上是通過一系列經濟變量包括利率、匯率、資產價格(股價、房價和期貨價格)、貨幣供應量、融資規模等信貸指標共同參與模擬提取出來的。

(一)FCI指數的通脹預期效應直觀分析

圖3給出FCI指數與通貨膨脹率的線性比較圖，由圖可以看出FCI指數和通脹率運行趨勢基本一致，多數情況下FCI變動領先于CPI的變動。這種先行趨勢在2008年美國次貸危機時表現得非常明顯，可以認為為金融形勢好壞能較好預測未來通脹走勢。從圖中出現的波峰和波谷對比看出，FCI顯著領先通脹率CPI大約半年時間并發生同方向趨勢變化。

圖4 FCI與CPI的走勢圖

根據上文模型可知，本文的FCI指數包含了一系列宏觀經濟指標，并隨著不同階段經濟情況，利用DMA方法進行篩選指標重新構造，以進一步提升了傳統的FCI指數對基本宏觀面的信息囊括能力。因此，該指數一定可以包含未來的經濟信息，包括通脹預期的信息。為了更直觀看出兩者關系是否穩定，圖4給出FCI與CPI的短期動態相關系數圖(期限為一年)。通過下圖可以看出，金融狀態指數與未來期的通貨膨脹率之間顯著正相關，而且相關系數隨著未來期數的增加先增大后變小，這種強的相關性持續7個月后才有所減弱(兩者相關系數均大于0.6)。一年期內的相關性數值一直為正值說明了金融狀態指數對通脹的短期預測具有較強的穩定性。這與卞志村(2015)[29]、高潔超、孟士清(2014)[30]的結論一致，而且對比相關數值，新方法構建FCI的相關系數值更大，因此可以認為采用DMA方法進行篩選指標重新構造的FCI指數，它對通脹預期的能力比常規方法構造的FCI指數的效果更好。

圖5 當期FCI與未來CPI的動態相關圖

(二)基于MSVAR模型下FCI對通脹預期的檢驗

(1)模型的構建

由于CPI的周期性較強，通過FCI指數預測通脹信息，需要考慮是否受體制轉換的影響。金融形勢的不同狀況下(寬松或者趨緊)，金融狀況的變動對通脹風險的影響可能會有所不同。因此，下面將構建包含FCI指數以及通脹的測度指標CPI的MS—VAR模型，來進一步分析FCI對通脹的預測效果。

由于MS—VAR模型涉及變量僅有兩個，因此令yt=(FCI,CPI)，帶截距項的滯后p階的VAR模型表示為

yt=α+β1yt-1+β2yt-2+…+βpyt-p+μt

其中，α為維常數項向量，β為維系數矩陣，μt為2×1維隨機誤差向量，E(μt)=0，E(μt,μt′)。VAR方法自Sims(1972)[31]提出以來，被認為較好解釋系統變量間的互動關系。然而，通脹預期的影響因素非常復雜，而且金融狀態指數對其的影響和反應也不一致，固定參數的VAR是不恰當的。Hamilton(1989)[32]提出的MS模型是解決這類問題的一個方法，利用系統向量yt的參數得到不可觀測的區制變量st。

本文將金融狀況存在寬松趨勢還是趨緊趨勢視為不可觀測的區制變量st。假設存在兩種區制st={1,2}。當st=1時，金融狀況處于寬松趨勢；當st=2時，金融狀況處于趨緊趨勢。那么，狀態i轉換到j的概率為pij=Pr(st+1=j|st=i)。本

文所涉及的兩種區制的轉移概率矩陣為

其中，p11+p12=p21+p22=1。

本文考察兩類MS-VAR模型，一是均值調整的MSM-VAR模型，另一種是區制依賴的截距MSI-VAR模型。兩類模型表達形式是不同的，前者均值μ(st)依賴于區制使得系統變量yt直接跳躍到新的水平；后者截距項v(st)表示了區制轉移均值平滑地使系統變量到達新的水平。兩種模型具體表現形式如下

yt-μ(st)=A1(s1)(yt-1-μ(st-1))+…+Ap(sp)(yt-p-μ(st-p))+μt

(6)

yt=v(st)+A1(st)yt-1+…+Ap(sp)yt-p+μt

(7)

其中，μt～NID(0,Σ(st))。

(2)數據處理及模型選擇

建立MSVAR模型前，首先需要對數據的平穩性進行檢驗。ADF檢驗結果如表3所示，結果表明：在10%的顯著性水平下，各變量的時間序列水平數據均為一階平穩序列。這為MSVAR檢驗的有效性提供了保證。

表3 數據的ADF檢驗結果(1999年1季度至2016年3季度)

注：其中檢驗形式(C,T,K)表示單位根檢驗方程包括截距、趨勢和滯后項階數。

表4 模型選擇依據

根據上述模型的理論推導，這里利用Ox的MSVAR包對FCI和CPI數據進行模型估計，分別建立MSI—VAR、MSIH—VAR、MSM—VAR和MSMH—VAR等共七種模型，按照AIC、HQ、SC最小準則以及得到極大似然估計、LR的結果，經過多次嘗試發現MSIH(2)-VAR(2)模型優于其他模型，能夠較好反映FCI與通脹CPI之間關系的波動情況。

MSIH(2)—VAR(2)模型估計結果如表4所示。根據結果顯示，該模型擬合效果好，卡方統計量以及Davies檢驗的概率均為0，顯著性拒絕模型為線性的原假設。而且，表5顯示了兩種區制下截距項和擾動項的標準差是不同的，這與模型的原先設定也一致。

表5 模型估計系數及擾動項的標準差

圖6 兩區制的概率估計圖

(3)金融形勢不同趨勢下的區制轉移效果分析

圖5給出了金融狀態不同區制下濾波概率、平滑概率和預測概率，結合前面數據分析，可以看出：區制1中平滑概率大于0.5的時間段表現出金融形勢的寬松狀態，是穩定宏觀經濟狀態的擬合。區制2中平滑概率小于0.5的時間段則表現為金融形勢處于趨緊狀態，是宏觀經濟不穩定的狀態的擬合，具體時期在2008年美國次貸危機引發的全球金融危機和2015年我國經濟的“新常態”階段。當期我國雖仍處于經濟新常態時期，但依據區制概率圖顯示，目前我國金融狀況已走出趨緊狀態，呈現出穩定的宏觀經濟狀態擬合。這與文章前半部分提到利用BP濾波分解出FCI周期波動部分，得出的結論一致。

表6和表7給出了金融形勢不同狀態下的轉移概率和特征描述，在樣本期間，我國存在70.19%(觀測個數除以樣本總數)時間的穩定金融形勢，持續時間為29.03個月，并且在金融形勢寬松狀態下的概率達到0.965 6。金融形勢趨緊狀態的持續時間為12.33個月，保持該狀態的概率為0.918 9。各區制自身轉移概率都接近于1，表明FCI指數和通脹率CPI兩變量構成的兩區制劃分效果較好。

表6 區制轉移概率

表7 金融狀態指數大小的性質

表8 不同金融狀態指數的區制劃分

結合實際情況，從2003年開始我國經濟已擺脫了亞洲金融危機的影響，經濟復蘇并呈現高增長狀態，經濟增長率持續上升(區制1)，然而美國次貸危機引發全球金融危機直接影響到了中國，2007年我國經濟出現了拐點，使得2007年4月至2009年9月期間金融形勢趨緊(區制2)。2009年我國政府推出“四萬億投資計劃”后通脹得到控制，經濟有了復蘇和增長(區制1)。但2014年后的這幾年中國經濟出現“新常態”，經濟增速由高速轉為中高速增長，同時資產價格特別是房地產價格不斷上揚，使得中國經濟的各類風險性將進一步凸顯。房地產泡沫破滅和地方債務危機容易造成金融形勢趨緊，不穩定的風險逐步增大，直到2017年3月后才有所好轉(區制2)。具體不同金融狀態指數FCI的區制劃分見表8所示。

為了分析FCI指數與通脹率CPI之間的動態關系，本文分析兩個區制下兩個指標之間相互的脈沖響應圖形。圖6表示CPI對FCI沖擊的脈沖響應圖，在金融形勢指數FCI一個標準差的正向沖擊下，通脹率CPI表現為正向響應，并持續上升，在第1期后達到最大正向響應。對比發現，很明顯區制2下的響應效果更為明顯，這就意味著金融形勢趨緊及不穩定狀態下，通脹率更容易受到影響和變動。圖7表示FCI對CPI沖擊的脈沖響應圖，在通脹率CPI一個標準差的正向沖擊下，FCI表現為正向效應，并在第3期后達到最高響應值，隨后緩慢下降，直到一年后響應值仍然存在。對比發現，區制2的效果仍然高于區制1。這說明了，金融形勢不穩定狀態下，通脹水平會使其不穩定性形勢加劇。然而，兩種區制下的脈沖圖形趨勢基本一致，基本可以認為，FCI在影響宏觀經濟方面具有較好的穩健性，因此利用FCI指數可以預測通脹率和經濟走勢。

圖7 CPI對FCI沖擊的脈沖響應圖

圖8 FCI對CPI沖擊的脈沖響應圖

六、結論和政策建議

本文針對中國經濟資產價格非理性波動以及物價水平與資產價格動態走勢出現較大差別的現實情況，基于Koop和Korobilis(2013)[18]的處理方法，利用具有時變系數和隨機波動率的因子増廣向量自回歸模型(TVP-FAVAR)，研究FCI指數的構建及其對通脹預期的動態效應。本文得出的主要結論。

第一，在FCI指數構建方面，本文依據FCI指數預測通脹的機理分析，抽取20維宏觀經濟信息集包括利率、匯率、資產價格(股價、房價和期貨價格)、貨幣供應量、融資規模等信貸指標，通過時變系數的狀態空間模型提取潛在不可觀測的FCI指數，利用指數加權移動平均(EWMA)方法和卡爾曼濾波方法進行參數估計和權重更新，滿足了模型系數和負載矩陣的隨機性特征。隨后，采用包含遺忘算子的動態平均方法(DMA)對模型進行優化處理。根據不同時期經濟狀況，依賴宏觀經濟變量真實數據靈活選擇不同經濟指標，適當調整當期宏觀經濟變量參與模型計算FCI的切換速度，一定程度上刻畫了我國金融市場的結構性變化特征。

第二，在預測通脹的應用方面，通過趨勢判斷和跨期相關系數驗證表明，本文構建的FCI指數對未來7個月內的通脹表現出持續穩定的預測能力。運用馬爾科夫區制轉移向量自回歸模型(MSVAR)分析進一步顯示，FCI指數和通脹水平之間存在兩區制的非線性效應。

第三，在FCI指數應用的科學性和合理性方面，本文構建的FCI指數克服傳統方法中存在的經濟信息含量少、固定權重和缺乏經濟結構性變化等限制，從而增強了FCI的時效性。另外，區制轉移概率和脈沖響應結果顯示，本文構建的FCI指數和通脹率CPI兩變量構成的兩區制劃分效果較好，FCI指數短期內具有明顯領先通脹的非線性時變預期能力，而且金融狀態寬松時期對通脹預期效果比趨緊狀態時更顯著。這意味著，金融寬松狀態作為穩定的宏觀經濟狀態擬合，會減少通脹水平的不穩定性因素的發生。

從以上結論不難看出，基于TVP-FAVAR-DMA模型構建的FCI指數能夠較好預測短期通脹趨勢，對我國貨幣政策的制定、執行具有很強的指導意義。為了更好發揮FCI指數對宏觀經濟預警作用，有效降低通脹風險，本文對當前經濟提出以下政策建議。

第一，通過對FCI指數實時監測，加強流動性預判，適時調節銀行體系流動性。FCI指數具有市場流動性指示器和時效性功能，從而有助于市場了解流動性的實際狀況。中國人民銀行應該靈活運用貨幣政策工具，采取不同期限的逆回購、中期借貸便利(MLF)，以及存款準備金的考核基數調整等多項結構性貨幣政策工具保證流動性合理充裕，適時為符合宏觀審慎要求的金融機構提供流動性支持[33]。

第二，定期公布FCI指數，增加貨幣政策透明度和實施效果。鑒于FCI指數對宏觀經濟存在有效先行趨勢，我國官方應加大對FCI指數研究力度，指定相關部門編制和跟蹤測算FCI指數[34]。通過定期公開FCI指數的方式釋放有效信息，真實反映我國金融狀況的松緊程度，減少因經濟形勢的不確定性造成對社會、公眾帶來的經濟損失。同時，定期公布指數也有助于提高政策的透明度，加強貨幣政策“預期傳導機制”效應的發揮[35]，將金融穩定、物價穩定共同參與貨幣政策指定和執行框架中，提高貨幣政策實施效果。

第三，鑒于當前FCI指數顯示的金融趨緊狀態持續時間較長，央行需進一步形成和完善了“貨幣政策+宏觀審慎政策”雙支柱的金融政策調控框架，以適應經濟新常態。為了防止資金“以錢炒錢”以及不合理的加杠桿行為，央行必須實施好穩健中性貨幣政策的同時，逐步探索將更多的金融活動和金融市場納入宏觀審慎管理[36]。通過采取有效措施防控化解金融風險，引導資金流向實體經濟，保持貨幣金融環境的穩健，從而實現貨幣信貸和社會融資規模適度增長，將金融穩定、物價穩定共同參與政策指定和執行框架中，以提高政策實施效果。

[1]封思賢, 蔣伏心, 謝啟超,等. 金融狀況指數預測通脹趨勢的機理與實證——基于中國1999—2011年月度數據的分析[J]. 中國工業經濟, 2012,89(4):18-30.

[2]Mayes, David G, Viren, Matti. Financial Conditions Indexes[J]. Social Science Electronic Publishing, 2001,232(19):145-178.

[3]Goodhart C, Hofmann B. Asset Prices, Financial Conditions, and the Transmission of Monetary Policy[J]. Proceedings, 2001, 114(2):198-230.

[4]卜永祥, 周晴. 中國貨幣狀況指數及其在貨幣政策操作中的運用[J]. 金融研究, 2004,23(1):30-42.

[5]Boivin J, Giannoni M P, Mojon B. How Has the Euro Changed the Monetary Transmission Mechanism?[J]. Nber Macroeconomics Annual, 2009, 23(1):77-126.

[6]巴曙松, 韓明睿. 基于SVAR模型的金融形勢指數[J]. 宏觀經濟研究, 2011,64(4):26-31.

[7]Swiston A J. A U.S. Financial Conditions Index: Putting Credit Where Credit is Due[J]. Social Science Electronic Publishing, 2008(8):1-35.

[8]Beaton K, Lalonde R, Luu C. A Financial Conditions Index for the United States[J]. Discussion Papers, 2009, 46(7):167-195.

[9]Mayes D, Virén M. Helsinki 2001Financial conditions indexes Bank of Finland Discussion Papers [C].Bulletin of the American Astronomical Society, 2001:452-471.

[10]Montagnoli A, Napolitano O. Financial Condition Index and Interest Rate Settings: A Comparative Analysis[J]. Money Macro and Finance, 2004,144(34):67-94.

[11]卞志村, 孫慧智, 曹媛媛. 金融形勢指數與貨幣政策反應函數在中國的實證檢驗[J]. 金融研究, 2012,76(8):44-55.

[12]English W, Tsatsaronis K, Zoli E. Assessing the Predictive Power of Measures of Financial Conditions for Macroeconomic Variables[M]. Bank for International Settlements, 2009.

[13]Hatzius J, Hooper P, Mishkin F S, et al. Financial Conditions Indexes: A Fresh Look after the Financial Crisis[J]. Nber Working Papers, 2010,16(9):165-189.

[14]Tkacz G, Wilkins C. Linear and threshold forecasts of output and inflation using stock and housing prices[J]. Journal of Forecasting, 2010, 27(2):131-151.

[15]Thompson K, Eyden R V, Gupta R. Identifying an index of financial conditions for South Africa[J]. Studies in Economics & Finance, 2015, 32(2):256-275.

[16]封北麟, 王貴民. 金融狀況指數FCI與貨幣政策反應函數經驗研究[J]. 財經研究, 2006, 32(12):53-64.

[17]許滌龍, 歐陽勝銀. 基于可變參數的FCI構建與實證研究[J]. 統計與信息論壇, 2014, 29(3):29-35.

[18]Gary Koop, Dimitris Korobilis. Forecasting inflation using dynamic model averaging[J].International Economic Review, 2013, 53(3):867-886.

[19]Stiglitz J E, Weiss A. Credit Rationing in Markets with Imperfect Information[J]. American Economic Review, 1981, 71(3):393-410.

[20]范小云, 肖立晟, 方斯琦. 從貿易調整渠道到金融調整渠道——國際金融外部調整理論的新發展[J]. 金融研究, 2011(2):194-206.

[21]鄧健, 張玉新. 房價波動對居民消費的影響機制[J]. 管理世界, 2011(4):171-172.

[22]傅強, 吳卯會. 人民幣匯率的價格傳遞效應研究[J]. 世界經濟研究, 2011(7):17-22.

[23]Cogley T, Sargent T J. The conquest of US inflation: Learning and robustness to model uncertainty[J]. Review of Economic Dynamics, 2005, 8(2):528-563.

[25]張依茹, 熊啟躍. 我國貨幣政策信貸渠道的時變效應研究[J]. 華中師范大學學報(自科版), 2011, 45(4):637-641.

[26]戴金平, 劉東坡. 中國貨幣政策的動態有效性研究——基于TVP-SV-FAVAR模型的實證分析[J]. 世界經濟研究, 2016,48(12):12-24.

[27]易曉溦, 陳守東, 劉洋. 美國非常規貨幣政策沖擊下中國利率期限結構動態響應研究[J]. 國際金融研究, 2015, 339(1):25-36.

[28]孫彥林, 陳守東, 劉洋. 中國金融周期成分與隨機沖擊[J]. 金融論壇, 2017,65(2):35-45.

[29]卞志村. 公眾學習、通脹預期形成與最優貨幣政策研究[M]. 人民出版社, 2015.

[30]高潔超, 孟士清. FCI可以作為貨幣政策的良好指示器嗎——基于信息預測檢驗與工具變量選擇的分析[J]. 金融監管研究, 2014,78(11):61-77.

[31]Sims C A. Money, Income, and Causality[J]. American Economic Review, 1972, 62(4):540-552.

[32]Hamilton J D. A New Approach to the Economic Analysis of Nonstationary Time Series and the Business Cycle[J]. Econometrica, 1989, 57(2):357-384.

[33]張曉慧.貨幣政策回顧與展望[J].中國金融, 2017,85(3):12-15.

[34]周德才, 馮婷, 鄧姝妹. 我國靈活動態金融狀況指數構建與應用研究——基于MI-TVP-SV-VAR模型的經驗分析[J]. 數量經濟技術經濟研究, 2015(5):114-130.

[35]徐亞平.通貨膨脹預期形成的模型刻畫及其與貨幣政策的關聯性[J].金融研究,2010,59(9):17-30.

[36]王亮亮, 苗永旺. 貨幣政策、宏觀審慎政策與資產價格[J]. 國際金融, 2013(2):66-70.