中國“動態”金融壓力指數構建與時變性宏觀經濟效應研究

任愛華 劉玲

(1.河北金融學院 金融創新與風險管理研究中心，河北 保定 071051；2.河北金融學院 經濟貿易學院，河北 保定 071051)

一、引言

近年來，全球經濟不確定性風險日益加強，區域性和全球性金融危機也隨之漸發。我國企業杠桿率高居不下，金融結構性問題也越發凸顯。在此雙重背景下，對我國宏觀經濟調控及監管提出了更高的要求，這需要一套能夠精確并動態反映出金融風險的壓力指數體系。越來越多的學者開始關注如何設計出優良的計量方法對金融風險進行精確的動態跟蹤，以防范系統性金融風險給實體經濟造成的巨大沖擊[1,2]。特別是在中國金融市場快速發展的背景下，金融經濟對實體經濟的影響越發變得不容忽視，進而意味著金融風險的測量及其對宏觀經濟造成的沖擊已然成為宏觀調控部門關注的重點問題之一[3,4]。

習近平總書記強調既要高度警惕“黑天鵝”事件，也要防范“灰犀牛”事件，既要打好防范和抵御金融風險的有準備之戰，又要打好金融危機治理之戰，并在中國共產黨第十九次全國代表大會上明確指出“要牢牢守住不發生系統性金融風險的底線”。這其中防范金融風險的先手和打好防范抵御金融風險的有準備之戰的關鍵因素就在于金融風險的監測，因此，構建科學合理的金融監測方法，對金融風險進行及時預警，可以避免金融風險的不利沖擊，及其對金融系統乃至宏觀經濟帶來的負面影響。另外，鑒于金融壓力指數是金融風險預警的重要指標之一[5]，合理的金融壓力指數以能夠精確反映出金融系統的穩定情況，以及如何更為準確地評估或識別金融壓力的上升對宏觀經濟沖擊的時變性特征。這不僅有利于決策者和相關管理人員了解金融穩定的現狀，也對有效識別和防范系統性金融風險、維護金融穩定具有重要的理論價值和現實意義。

二、文獻綜述

20世紀90年代以來，金融風險防范逐漸成為宏觀金融領域的重點研究問題之一，金融風險具有系統擴散性，制造業與金融風險具有密切聯系性[6-8]。金融風險的爆發及擴散會引起經濟衰退，金融風險防范是領域內重點研究對象，其關鍵點在于金融風險的度量。Freixas等(2015)[9]提出了一種以金融市場內部相關程度、系統魯棒程度及金融風險潛在爆發程度等幾個方面來綜合測度金融風險的方法。Acharya等(2012)[10]發現系統魯棒程度及金融風險潛在爆發程度具有重要的先驗預警作用。Brownless和Engle(2015)[11]認為系統魯棒程度及金融風險潛在爆發程度包括條件風險價值和系統性的風險指標。張龍等(2020)[12]發現金融風險的潛在爆發程度與央行貨幣政策有著顯著相關性，且央行的差異性“量價”政策對金融風險的潛在爆發程度影響也不同。

金融壓力指數最早由Illing和liu(2003)[13]提出，以大類資產數據合成金融壓力指數，并有效地測度了金融壓力程度。隨后，Cardarelli等(2009)[14]研究了面板金融壓力指數，發現金融壓力指數在發展中國家比發達國家有更精確的測度水平。Balakrishna等(2009)[15]選取新興經濟體和發達經濟體的銀行、債券、股票、匯率等金融市場的相關變量，采用等方差加權法構建出指數并得到了同樣的發現。除此之外，學者們結合中國經濟金融的實際情況對中國金融壓力指數的研究也已取得一系列成果。其中，賴娟和呂江林(2010)[16]首次將單個金融市場擴展到包含銀行、股票及債券等多個金融市場來綜合構建金融壓力指數，但變量選取仍然較少，且各市場指標的選取并非學術界普遍公認的指標，實證結果值得商榷；徐國祥和李波(2017)[17]以全球經濟危機到歐債危機后期的中國金融市場數據構建了反映中國經濟形勢的金融壓力指數，發現金融壓力指數對宏觀經濟指標具有顯著的指導效應。

對于測度方法，相關分析大都基于ARIMA模型、GARCH族、格蘭杰檢驗等不變參數以及基于TVAR模型、MSVAR模型、STR模型等結構突變參數方法來測度金融壓力指數，進而實證分析金融壓力對產出和物價等宏觀經濟變量的影響[7]。在不變參數測度方面，Louzish和Vouldis(2013)[18]、Islami和Kim(2013)[19]分別采用多變量GARCH模型、加權平均法等對歐洲國家的銀行、債券、股票、外匯、房地產等金融市場的多個金融變量進行金融壓力指數(FSI)合成，研究結果顯示，金融壓力指數對宏觀經濟變量具有較好的危機預警效果。劉曉星和方磊(2012)[20]、劉潤興(2015)[21]分別構建了向量自回歸模型和Granger Test模型，從脈沖響應和因果關系的角度來衡量金融壓力的經濟增長效應。此外，在結構突變參數方面，Roye(2014)[22]、陳忠陽和許悅(2016)[23]等在構建德國、中國的金融壓力指數的基礎上，采用門限向量自回歸模型TVAR分析金融壓力的變動對宏觀經濟造成的影響，結果均顯示，在FSI指數超過一定的門限值時，金融壓力才會對宏觀經濟產生顯著的負向沖擊效應。Davig和Hakkio(2010)[24]、Aboura和Roye(2017)[25]及秦建文和王濤(2017)[26]采用馬爾科夫區制轉換向量自回歸MS-VAR模型分析金融壓力在不同區制下對宏觀經濟的傳導，發現金融壓力在不同的區制對經濟增長和物價水平等宏觀經濟變量負向沖擊效應存在明顯的差異。另外，張勇等(2017)[27]構建了邏輯平滑遷移模型研究金融壓力和通貨膨脹的關系，并發現了在不同狀態下通貨膨脹對金融壓力的敏感程度不同。

綜上所述，相關領域已對金融壓力指數的測度及其宏觀經濟影響進行了深入而廣泛的研究，但是，仍然存在如下的研究不足有待彌補：第一，以往研究金融壓力指數測度大都采用不變參數、單一維度回歸等方法確定各金融變量的權重，然而隨著經濟金融形式的多樣化和復雜化，這些由靜態且確定的權重得到的金融壓力指數僅能長期一致不變地衡量金融穩定情況及未來走勢，而不能衡量動態時變的金融穩定情況及未來走勢，進而意味著其研究結果明顯與現實情況嚴重不符；第二，以往研究金融壓力指數測度時，在參數估計自由度的約束下僅能考慮少數幾個變量來合成金融壓力指數，這會導致遺漏信息變量引起的研究誤差問題；第三，以往研究金融壓力宏觀經濟效應時，大都基于TVAR、MS-VAR等結構突變參數方法，甚至基于Granger Test模型等常參數方法，導致金融壓力和宏觀經濟間的動態關系無法被捕捉。

基于此，本文綜合考慮銀行、股票市場、外匯市場、房地產市場等金融市場層面的16個金融變量，從金融穩健性、金融脆弱性、金融體系發展等方面構建中國金融壓力指數指標體系，并將動態模型平均與時變參數因子擴展向量自回歸模型相結合測算出1997年第一季度至2017年第三季度期間的中國金融壓力指數，隨后對中國金融壓力期進行狀態識別，并實證檢驗了金融壓力在不同區制下對經濟增長、物價水平、投資及消費等宏觀經濟變量沖擊反應的時變特征，進而以期為有效防控中國金融風險提供參考價值。

本文可能的創新性貢獻體現在：(1)將動態模型平均DMA方法引入時變參數向量自回歸TVP-SV-VAR模型，構建動態權重的金融壓力指數，可以有效反映出宏觀金融穩定的時變特征及未來走勢；(2)以因子擴展方法FA-VAR和動態模型平均DMA相結合，從金融穩健性、金融脆弱性、金融體系發展等方面充分考慮了16個金融變量，降低因自由度限制引起的遺漏變量偏差問題；(3)采用上述模型建立方法最終可以構建出TVP-FA-VAR-DMA模型，通過構建動態權重的金融壓力指數，研究在不同時期不同經濟環境下金融壓力對宏觀經濟的差異性影響，彌補了以往方法僅能研究靜態金融壓力對宏觀經濟的長期不變影響的不足。

三、模型設定

(一)TVP-FA-VAR模型的設定

1.TVP-FA-VAR模型的構建

首先，參照Primiceri(2005)[28]的經典設定，TVP-FA-VAR模型的基本形式為

yt=b1tyt-1+…+bpyyt-p+vt

(1)

其中，yt′=[ft′,zt′,xt]，ft表示k×1維的共同因子金融壓力指數(FSI)向量，[zt′,xt]為一個包含觀測變量和金融變量的(l+1)×1維向量。觀測變量向量為zt=(Gt,Pt,It,Ct)′，其中Gt為GDP同比增長率，Pt為通貨膨脹率，It為投資同比增長率，Ct為消費同比增長率。bjt(j=1，…，p,t=1,…，T)為m×m階(m=k+l+1)的系數矩陣，隨機擾動項vt～N(0,Qt)，Qt為m×m階的協方差矩陣。

隨后，令觀測序列xit由提取的共同因子ft和宏觀經濟變量zt所構成的帶有自相關誤差和隨機波動率的因子分析回歸模型構成

(2)

uit=ρi1uit-1+ρi2uit-2+…+ρiquit-q+εit

(3)

xt=λfft+λzzt+Γ(L)xt+εt

(4)

AtQtAt′=ΣtΣt′

(5)

λt=λt-1+ψt

(6)

βt=βt-1+ηt

(7)

其中，ψt～N(0,Wt)，ηt～N(0,Rt)。需要注意的是，上述TVP-FA-VAR模型由FA-VAR模型方程式(1)、因子模型方程式(4)及參數方程共同構成，進一步對TVP-FA-VAR模型施加不同的限制可獲得不同類型的VAR模型：假定因子載和矩陣為常數(Wt=0，λt=λ0)，這種情況式(1)與式(4)就是典型的因子模型，而式(6)與式(7)是包含FSI的TVP-VAR模型，此時構成FA-TVP-VAR模型。當參數均為常數時(Wt=Rt=0)，TVP-FA-VAR模型為FA-VAR模型。當共同因子的個數為零時，就構成了TVP-VAR模型。如果共同因子個數ft為零，且參數λt、Bt均為常數(Wt=Rt=0)，回歸模型為普通的VAR模型。

2.TVP-FA-VAR模型的估計方法

考慮到貝葉斯蒙特卡洛模擬(MCMC)估計多變量聯合密度因子的復雜性導致TVP-FA-VAR模型計算量很大，本文借鑒Koop和Korobilis(2013)[31]的處理方法，基于卡爾曼濾波平滑與方差矩陣分解相結合的雙重線性濾波算法對不可觀測狀態變量ft與時變參數θt=(λt,βt)進行估計，該方法簡化了共同因子提取與參數估計的過程。其具體步驟如下。

第二步，通過指數權重移動平均(EWMA)的方法估計出誤差協方差Qt與Ht，然后借鑒Koop和Korobilis(2013)[31]采用遺忘因子法估計協方差矩陣Rt及Wt，在給定(Qt,Ht,Rt,Wt)條件下，通過卡爾曼濾波平滑法估計出時變參數λt、βt。

第三步，將第二步中得到的時變參數λt與βt作為已觀測到的數據，在給定先驗分布的條件下，通過卡爾曼濾波平滑法可以實現對共同因子ft的估計。

3.各類FA-VARs模型參數的初始設置

本部分主要概述各類FA-VARs模型參數的初始設置。首先，設置動態模型平均在選擇過程中所用到的因子ft、時變參數λt和βt、時變協方差Vt和Qt、轉換概率π0|0,j的初始值。f0～N(0,4),λ0～N(0,4×In(s+1))，β0～N(0,VMIN)，V0≡1×In，Q0=1×Is+1，π0|0,j=1/J。將控制協方差矩陣的衰減因子參數k1與k2均設定為0.96，該值與被廣泛應用在貝葉斯VAR與FA-VAR文獻中的隨機波動率模型提供的波動率估計值較為接近[32]。對于遺忘因子參數k3與k4，借鑒Cogley和Sargent(2005)[33]，假定式(6)和式(7)在隨機游走形式下各時期參數的變化相對較慢并且穩定，因此，為了體現這種系數的緩慢變化，在所有TVP-FA-VAR與TVP-VAR模型中設定參數k3=k4=0.99。然而，當k3=1且k4=0.99，轉變為FA-TVP-VAR模型。

(二)引入動態模型平均DMA的TVP-FA-VARs模型

大部分傳統的時間序列預測模型如多元回歸模型或自回歸模型等常系數模型，具有估計簡單的優點，但常系數回歸模型的參數只能是固定的，因此，時變狀態空間模型與時變參數向量自回歸(TVP-VAR)模型能克服常系數模型的這種缺點，它允許解釋變量參數動態時變，較好地刻畫出解釋變量與被解釋變量之間的時變關系。然而，鑒于參數估計自由度對分析有效性的影響，部分學者提出貝葉斯模型平均(BMA)方法，采用MC3技術求解后驗概率對變量進行篩選，避免出現“偽回歸”的現象[34]。本文在貝葉斯模型平均BMA的基礎上，將DMA的思想引入時變的因子擴展向量自回歸模型，該方法允許模型維度、解釋變量和參數是時變的，并在不同時點下自動選擇或識別出最佳模型，以期更為靈活、準確地預測出宏觀經濟指標。其模型結合過程如下

(8)

(9)

其中，xt為預測解釋金融變量，ft為提取的共同因子FSI，zt為觀測變量的向量。如果在xt中有m個預測變量，那么將有K=2m個不同組合的預測模型，對于特定的預測模型Mk(k=1,2,…,K)描述過程如下

(10)

(11)

(12)

其中，模型k的概率π(t|t-1,k)=Pr(Lt=k|Yt-1)，Lt=k表示在時間t選擇的第k個模型，且令yt-1={y1,…,yt-1}，DMA通過對所有模型的預測值按權重進行加權平均獲得預測結果，用π(t|t-1,k)表示。本文參考朱奇鋒和吳恒煜(2021)[35]采用卡爾曼濾波方法對DMA模型進行估計，通過以下更新方程來實現DMA參數的估計。

(13)

(14)

(15)

其中，fl(yt|Yt-1)為模型l的概率密度，式(13)-式(15)共同構成了卡爾曼濾波預測與更新過程的所有步驟，DMA過程就是對式(15)進行K次卡爾曼濾波。進一步，需設定宏觀經濟變量的預測概率的擬合值pk(yt|Yt-1)，同估計誤差方差矩陣的衰減和遺忘因子(k1,k2,k3,k4)相類似，遺忘因子0<α≤1能夠迅速反映出回歸模型之間的轉換速度，α值越小，那么合成FSI的金融變量間切換的越迅速，如果α=1，模型就轉變為傳統的貝葉斯模型平均(BMA)。

四、中國動態金融壓力指數構建

為更全面地反映我國金融風險的整體情況，本文選取16個金融指標覆蓋金融資產價格、金融波動率、信用風險及其流動性等方面，從金融穩健性、金融脆弱性、金融體系發展以及國際金融形勢四個維度構建我國金融壓力指標體系。樣本區間為1997年第1季度至2017年3季度，采用季度數據，數據來源于CEI數據庫、SAFE官網、RESET數據庫、BIS官網、Wind數據庫，為使模型的回歸系數及權重更具有可比性，以下所有金融指標均已轉化為正向指標，且均通過標準化處理，具體指標選取情況如下。

(一)合成FSI的指標說明

1.金融穩健性

金融穩健性維度指標共設置5個，用于反映本國的金融健康狀況和穩健性，具體包括：(1)泰德價差，其衡量了銀行間金融壓力對風險溢價的敏感程度，用以反映資金流動性情況和微觀主體風險偏好的變化，本文采用3個月銀行間同業拆借利率與3個月國債到期收益率之差來表示泰德價差。(2)貸存款比率，它在一定程度上反映出金融系統抵御流動性風險的能力，貸款/存款比率越高，表示銀行信貸規模擴張加劇銀行流動性風險，進而影響到金融市場的資金流動性，本文通過金融機構各項貸款余額與金融機構各項存款余額相比得到。(3)股票收益率負值，它衡量了股票市場的風險情況，該指標越大說明投資者和企業潛在的損失越大，本文采用上證綜合指數增長率的負值來衡量。(4)國房景氣指數波動，它是價格、資金和土地開發指數的加權平均，在一定程度上衡量了房地產信貸風險，指數波動越大越不利于金融系統的穩定，本文采用國房景氣指數GARCH(1,1)模型計算出的時變方差來表示。(5)存款利率與貸款利率之差，它反映了金融中介資源配置效率的高低，由于銀行通常將短期存款轉換為長期貸款，該指標值越大表示銀行的獲利能力越弱，銀行業的金融壓力就越大，本文采用1年期存款基準利率與1年期貸款基準利率之差來表示。

2.金融脆弱性

金融脆弱性維度指標共設置5個，具體包括：(1)通貨膨脹率。適度的通脹率范圍可以增強投資者的信心，過高的通脹率會造成金融市場劇烈波動，導致金融不穩定，本文選取環比CPI作為通貨膨脹的代理變量。(2)匯率波動，它反映了外匯市場壓力的大小，人民幣匯率的異常波動會嚴重影響到金融系統的穩定性，本文以GARCH(1,1)方法計算出名義有效匯率指數的時變方差來衡量。(3)存款/M2，它反映了我國貨幣市場的流動性壓力，該指標的惡化會加劇通貨膨脹的壓力，不利于金融系統的穩定性，本文采用金融機構存款余額與廣義貨幣供應量(M2)的比值得到。(4)財政赤字/GDP，它反映了政府財政情況，過高的財政赤字會降低投資的信心，不利于金融市場的穩定，財政赤字通過公共財政收入與公共財政支出的差額表示，季度財政赤字由季度內各月底財政赤字加總得來。(5)經常賬戶赤字/GDP，即本國進口貨物及服務與出口貨物及服務的差額占GDP的比重，該指標值越大，表明貿易逆差越大，會導致本國貨幣嚴重貶值，引起匯率劇烈波動，進而帶來金融不穩定性，它反映了本國對外部沖擊的敏感性。

3.金融體系發展

金融體系發展維度指標共設置3個，具體包括：(1)信貸總額/GDP，該指標衡量了經濟社會發展對金融發展的依賴程度，信貸總額占比越大，說明金融發展對宏觀經濟的貢獻越大，但該指標在一定程度上也體現出了潛在風險水平。(2)股票市值與GDP相比的負值。該值越大表示股票市值占GDP的比重越低，即股票市場的金融發展水平越低，不利于金融市場的整體穩定。(3)廣義貨幣供給M2/GDP的負值，該指標值越大代表廣義貨幣供應量M2占GDP的比重越低，表明宏觀經濟系統抵御金融內部風險的能力越弱，導致金融市場的壓力越高。

4.國際金融形勢

國際金融形勢維度指標共設置3個，用來反映國際金融市場波動對中國金融系統穩定的影響情況，具體指標說明如下：(1)美國股市波動，美國股市的劇烈波動會影響中國金融系統的穩定性，本文通過GARCH(1,1)模型計算出的納斯達克指數的時變方差來反映美國股市的波動。(2)美元匯率波動，它在一定程度上反映出國內金融市場受國際金融沖擊的大小。美元匯率的異常波動會影響國際金融市場波動與通貨膨脹率，不利于國內金融系統的穩定，本文以GARCH(1,1)方法計算出有效匯率指數的時變方差來衡量。(3)倫敦同業拆借利率(LIBOR)，該指標常常作為國際借貸、債務發行等的基準利率，其大幅度上升意味著國際金融環境的惡化，不利于中國金融穩定，本文直接以對應指標衡量。

(二)中國金融壓力指數的測算結果

圖1為TVP-FA-VAR模型與引入動態模型平均方法的各類FA-VARs模型測算出的FSI對比。觀察圖1不難發現，采用FA-VAR-DMA與FA-TVP-VAR-DMA模型測算出FSI在全樣本時期的走勢情況基本相同，而允許參數時變、模型維度和變量動態選擇的TVP-FA-VAR-DMA模型測算出的FSI在亞洲金融危機時期和全球金融危機時期表現出小幅度的差異，其余各時期的FSI走勢情況與FA-VAR-DMA和FA-TVP-VAR-DMA測算出的FSI走勢幾乎一致。值得注意的是，TVP-FA-VAR模型測算出的亞洲金融危機時期和全球金融危機時期的FSI值高于其它引入DMA方法的FA-VARs模型在相應時期測算出的FSI值。圖2給出了DMA與BMA下的FA-VARS模型估計出的FSI變化走勢。觀察圖2不難看出，同樣采用BMA方法進行變量動態選擇的TVP-FA-VAR模型和FA-VAR模型測算出的FSI在2001年之前表現出明顯的差異性，其它各時期的FSI走勢情況基本吻合。相比未引入模型平均方法的FA-VARs模型而言，引入DMA和BMA的TVP-FA-VAR模型均具有模型維度和參數時變的優勢，這兩種方法不僅充分利用大量的宏觀金融信息，避免變量信息的遺漏，而且可以保證模型的自由度，但貝葉斯模型平均不能夠靈活地進行變量動態選擇，致使測算出的FSI存在較大的差異，尤其體現在全球金融危機時期與歐洲債務危機時期，可見基于動態模型平均下的TVP-FA-VAR模型測算出的FSI能夠更好的捕捉到危機時期的金融壓力情況，可能的原因在于，危機時期金融市場波動較為劇烈，不同金融變量對金融系統穩定性的沖擊反應具有明顯的時變特征。接下來，進一步詳細的分析TVP-FA-VAR-DMA模型測算出的FSI趨勢性特征。

圖1 DMA下的FA-VARs模型測算出的FSI

圖2 DMA與BMA下的FA-VARs模型測算出的FSI

具體來看，1997年Q1至2017年Q3期間中國金融壓力指數的波動幅度較為明顯。1997年第3季度之前中國金融壓力呈現大幅度下降趨勢，而后由于受亞洲金融危機及洪水等自然災害的影響，金融市場流動性趨緊，金融壓力開始出現上升的勢頭，為此，央行采取頻繁降低存款準備金率、貸款利率以及結合貸款限額放松等貨幣政策手段，在一定程度上緩和了金融壓力，直至1999年Q3，消費和投資需求雙雙增加，以及M2的加速增長使得中國金融壓力短時期內轉向了松弛狀態。進入21世紀后，國際套利資本流出導致人民幣有效匯率上行和股票市場低迷并舉，進而中國金融壓力又再次回到緊縮時期，直至2001年Q3之后，中國股票市場呈現回升趨勢，房地產市場也逐漸繁榮，銀行信貸逐漸增加，中國金融市場狀況逐漸轉好，這一狀況持續到2004年Q2，央行大幅上調利率來為“興奮”的房價和信貸規模降溫，進而導致金融狀況由松轉緊。進入2005年，匯率體制改革使得人民幣匯率調整靈活性增強，貨幣供應量增速再次大幅度上升，中國金融壓力指數呈顯著下降態勢，然而，伴隨美國次貸危機的爆發，中國金融市場也出現低迷，金融壓力指數迅速攀升，直至經濟危機爆發后一系列反周期政策的出臺，金融壓力指數才逐漸緩解，并于2009年第2季度達到樣本區間內的最低點。伴隨著經濟的逐漸復蘇，擴張性的財政政策如4萬億計劃使得大量資金流向房地產，誘發房地產市場過熱，也給金融市場帶來了隱患，金融壓力指數不斷攀升。隨著歐洲主權債務危機的爆發及后期全球經濟新常態時期的到來，中國金融經濟持續波動，尤其是滬深股票市場，從5 000點的繁榮到股災爆發，金融壓力指數也是由高走低。總體來看，中國金融壓力指數在1997年Q1至2017年Q3期間共出現3次明顯的波峰，分別對應著2004年Q2、2008年Q4與2011年Q3，這三個時期表現為“金融失衡”，在2007年Q1、2009年Q2與2015年Q2等三個時期表現為“金融良好”。中國金融壓力指數每次的異常波動均與國內外的金融特殊事件息息相關，這充分說明了本文采用TVP-FA-VAR-DMA模型測算出的FSI能夠有效的反映出我國金融壓力情況。

(三)潛在預測解釋變量的期望個數

圖3 DMA模型預測解釋變量個數期望值

從圖3中明顯可以看出，預測解釋變量個數的期望值在1997—2001年期間呈現出明顯下降的趨勢，這段時期所需解釋變量的個數維持在1-4個之間。在2001年之后，預測解釋變量個數的期望值表現出較大幅度的上升態勢，所需解釋變量的個數在1-8之間，可見隨著時間的推移，對FSI動態測度的難度逐漸增強，過度的模型簡約顯然不適合FSI的預測，但相對于整個變量體系來說，DMA方法簡化模型的效果較為明顯。

五、中國金融壓力指數對宏觀經濟變量的傳導效應分析

(一)宏觀經濟變量說明

本文以GDP季度同比增長來衡量經濟增長；以CPI月度數據的加權平均來衡量通貨膨脹；采用季度固定資產投資總額的累積值轉化為當季值來作為中國實際投資水平的代理變量。同時，對轉化后的數據進行X12季節調整后再除以定基CPI，最后采用同比對數差分得出投資同比增長率；采用社會消費作為消費水平的代理變量，同時，將季度內各月的社會消費總額的累計值轉化為當季值，并對其進行X12季節調整后再除以定基CPI，最后采用同比對數差分得出消費同比增長率。上述所有數據主要來源于中國統計年鑒、中經網數據庫、CEIC數據庫。為初步考察金融壓力與經濟增長、通貨膨脹、投資及消費之間的關系，圖4與圖5分別給出了金融壓力指數、GDP同比增長率、通脹率、投資同比增長率及消費同比增長率的變化趨勢圖，其中，陰影部分為中國金融壓力較為緊張的階段。

圖4 FSI與經濟增長、物價水平的變化趨勢

圖5 FSI與投資、消費的變化趨勢

從圖4的曲線走勢圖可以看出，GDP同比增長率與FSI之間具有較強的負相關性，而通脹率與FSI具有一定程度的正相關性，且領先于FSI大概1個季度，尤其體現在2007年Q1至2008年Q4期間，當金融壓力指數呈現上升趨勢時，GDP同比增長率呈現下降趨勢，而通脹率呈現出領先FSI的同步上升趨勢。從圖5中FSI、投資同比增長率和消費同比增長率走勢來看，三者的同步性并不強，尤其體現在經濟新常態時期，FSI在均值附近平穩震蕩，而投資增長率與消費增長率均呈現明顯下滑趨勢，且投資增長率下降的更為迅速。接下來，通過MS-AR模型對FSI進行狀態機制識別，選取典型的金融壓力期并采用TVP-SV-VAR模型進行脈沖響應分析。

(二)中國金融壓力期的識別

近年來，馬爾科夫區制轉換模型已成為學者們研究非對稱性問題的重要工具，該方法最初由Goldfeld和Quandt(1973)[36]提出，后來由Hamilton(1989)[37]與Krolzig(1997)[38]改進為MS-AR模型來刻畫不同狀態下的宏觀金融波動情況。因此，為更清晰地反映我國金融系統的壓力情況，本文采用MS-AR模型對中國金融壓力指數進行狀態機制識別，將回歸滯后性設定為2，按照自回歸參數、截距、均值及方差可以分為不同的模型形式，并結合AIC、SC、HQ及極大似然估計值判斷出MSIH(3)-AR(2)模型的擬合效果最佳，圖6給出了MSIH(3)-AR(2)模型的三區制平滑轉換概率圖。

觀察圖6不難看出，我國金融壓力具有明顯的三區制轉移特征，結合表1中FSI狀態機制識別結果得知，區制1的FSI平均值為0.31，標準差為0.72%，對應著我國金融系統較為良好時期，并分別有0和0.20的概率轉向區制2和區制3的狀態，這表明當本季度金融系統穩定性處于良好狀態，下季度仍很有可能處于良好狀態，若一旦發生狀態機制轉換，則最有可能直接轉換成金融失衡狀態，其典型時期有2007年Q1、2009年Q2及2015年Q2；區制2的FSI平均值為0.35，標準差為0.64%，對應著我國金融系統較為平穩時期，樣本數為43.47個季度，持續期為13.09個，表明我國金融壓力指數大部分處于區制2，且持續時間較長，不容易發生區制轉換，這點也可由表1中的區制間轉移概率看出。其典型時期有2001年Q1、2006年Q2及2014年Q2；區制3的FSI平均值為0.37，標準差為0.83%，對應著中國金融壓力較高時期，樣本數為9.28個季度，持續期僅為1.61個季度，表明金融壓力處于失衡的持續時間并不長，且向金融良好狀態和金融平穩狀態轉換的概率較大，典型時期有2004年Q2、2008年Q4及2015年Q3。

圖6 中國金融壓力指數狀態機制識別圖

表1 各區制樣本數、頻率、持續期與區制間轉移概率

(三)基于TVP-SV-VAR模型估計的結果

(四)時點脈沖響應分析

圖7給出了FSI對GDP同比增長率(G)、通貨膨脹率(P)、投資同比增長率(I)及消費同比增長率(C)的時點脈沖響應。觀察圖7不難發現，4個宏觀經濟變量受FSI沖擊的影響存在明顯的時變特征。

圖7 典型時期經濟增長、通脹、消費及投資受FSI沖擊的脈沖響應圖

首先，FSI沖擊對GDP同比增長率(εf→G)在第4個季度之前表現為顯著的負向效應，4個季度之后轉變為正向效應，且在金融失衡時期(2008年Q4)這種正向效應長期存在。而在金融壓力良好時期這種正向效應持續到第9個季度就轉變為顯著的長期負向效應。在金融較為平穩時期和當前供給側改革時期，FSI對GDP同比增長率的沖擊響應在第4個季度時具有微弱的正向響應，1個季度之后就掉頭轉變為顯著的長期負向效應，可見，FSI在金融系統較為平穩或良好時對經濟增長具有短期的負向影響，且這種負向影響在長期內持續存在。而在金融壓力較為緊張的情況下，FSI對經濟增長的沖擊在短期內表現為負向效應，長期內表現為正向效應，這表明隨著中國金融壓力的逐漸緊張，經濟增長短期內會受到嚴重的負向沖擊，長期內這種負向沖擊效應減弱，尤其是金融失衡時期的金融壓力指數的上升對經濟增長具有微弱的長期正向促進作用。

其次，FSI在4個典型時期對通貨膨脹率(εf→P)沖擊都呈現下降趨勢，并在3期左右達到極值，負向反應持續到6個季度之后。FSI對金融較為平穩時期和當前供給側改革時期的通脹率沖擊逐漸呈現正向上升趨勢，隨后在15個季度之后趨于平穩。而對于金融壓力較為良好時期，FSI對通脹率的沖擊僅在第6期至第11期產生了正向響應，當金融壓力處于失衡時期(2008年Q4)，FSI對通脹率的沖擊響應在第6個季度之后仍然表現為負向效應，持續到第15個季度這種負向效應徹底消失，可見，FSI對通貨膨脹的沖擊主要表現為短期負向效應，長期效應并不存在，即隨著FSI的逐漸提高，物價水平短期內呈現下降趨勢，通貨膨脹程度降低。

再次，FSI對投資水平的沖擊(εf→I)呈現出顯著的負向效應，且這種負向效應在第3季度之前逐漸減弱，而后掉頭馬上逐漸增強，直到第5個季度之后再次表現為逐漸減弱的負向效應，FSI在不同的金融壓力時期對投資水平的沖擊趨勢基本一致，但幅度存在較大差異，具體而言，FSI在金融壓力良好和金融壓力失衡時期對投資水平的負向沖擊效應表現的更弱，而在金融壓力平穩和當前供給側改革時期對投資水平的負向影響較強，且除金融失衡時期，FSI對投資水平具有長期的負向沖擊影響，特別是在經濟新常態時期和當前供給側改革關鍵時期，FSI對投資水平的負向沖擊影響尤為明顯，表明當前合理的防控系統性金融風險對宏觀經濟穩定具有至關重要的作用。

最后，金融壓力的上升對消費水平的傳導效應(εf→C)以負向為主，金融較為平穩時期和當前供給側改革時期FSI的一個單位正向沖擊會引起消費水平的脈沖響應在第0期表現為正，1個季度之后轉變為逐漸增強的負向響應。而在金融系統良好時期和金融系統失衡時期FSI對消費水平起初就表現為逐漸增強的負向影響作用，但4個典型時期的FSI對消費水平的負向沖擊響應均在第3個季度達到最強，而后轉為逐漸減弱的態勢，且金融系統良好時期和金融系統失衡時期的這種負向沖擊響應更強。除金融失衡時期FSI對消費水平不存在長期影響之外，在其它3個典型時期FSI對消費水平均具有長期的負向影響，可見，消費水平會受到金融壓力的強烈負向沖擊，即隨著金融壓力的提高，消費水平會逐漸下滑。

(五)預期脈沖響應分析

為進一步分析金融壓力對經濟增長、物價水平、投資水平及消費水平的長短期影響，本文也分析了預期脈沖響應(見圖8)。圖中的實線、長虛線、短虛線分別對應著提前2期、4期和8期。從圖中可以看出：(1)FSI對GDP同比增長率、通貨膨脹率、投資同比增長率及消費同比增長率均具有明顯的短期負向效應，且隨著時間的推移，FSI對投資水平負向沖擊影響在各期均逐漸回調，而經濟增長對其沖擊的響應在2007年之前逐漸走低，2007年之后表現為小幅度上升的趨勢，但中長期響應一直在正負之間交替震蕩并在2016年逐漸消失為0。FSI對通貨膨脹的短期負向影響呈現緩慢減弱的跡象，而在中期內表現為大幅度減弱的趨勢，長期響應在2002年至2008年期間主要表現為正向，其余時期為負向。就消費水平而言，FSI對消費水平的短期負向沖擊在1999年之前逐漸減弱，在1999—2004年期間中間增強，而在2004年至2009年期間短期負向沖擊響應基本處于平穩狀態，2009年之后，FSI對消費水平的短期負向沖擊作用逐漸減弱，但FSI在中期內對消費水平的負向沖擊作用卻始終呈現減弱現象，類似的，長期效應也僅在2003年至2004年期間表現為微弱的正向促進效應，其余時期均表現為負向效應，且1997年至2002年期間這種長期負向效應表現的尤為明顯，而當經濟進入新常態時期，FSI對消費水平的長期負向沖擊較弱。可見，不同時期FSI對經濟增長、物價水平、投資水平以及消費水平的影響強度存在較大的差異。FSI對投資水平的負向影響越來越強，而對經濟增長在2007年之前表現為增強趨勢，而后呈現越來越弱的跡象，對物價水平和消費水平的短期和中期響應程度均呈現減弱的態勢。(2)FSI對4個宏觀經濟變量的短期負向沖擊效應均強于中長期的負向沖擊效應。物價水平和消費水平在三個危機時期對FIS的負向響應更為敏感，而在新常態時期金融壓力的上升對投資水平具有更強的負向沖擊影響，全球金融危機時期金融壓力上升對經濟增長表現為較強的沖擊作用。可見，FSI對宏觀經濟變量的影響隨著提前沖擊的增加而呈現逐漸減弱的趨勢，并且在某些時間段產生正向影響，危機時期金融壓力對宏觀經濟造成的沖擊更為強烈。

圖8 經濟增長、通脹、消費及投資受FSI沖擊的等間隔脈沖響應圖

綜上分析，較大的金融壓力會對經濟發展產生阻礙作用，導致投資和消費水平雙雙下降，價格水平走低，體現出整體經濟環境不景氣，經濟運行狀況不健康。金融壓力驟增的狀態下，微觀主體的風險偏好和實際收益率都會下調，進而金融中介會緊縮銀根，尤其針對于中小微企業，造成整體市場的流動性下降及微觀主體的購買力下降，進而導致投資和消費的有效需求皆不足[40]。在這樣的狀態下，高技術產業的中小微企業會降低產量，而不面臨融資問題的傳統大型制造業卻依然擴大庫存，這樣就導致了經濟總體發展不平衡，不平衡的弊端暴露出的現象即是實體經濟下滑，物價水平走低，進而體現出金融壓力上升會對宏觀經濟產生不利影響[41]。

六、結論與政策建議

本文構建了金融壓力指數指標體系，并在該體系下將動態模型平均與帶有時變參數的因子擴展向量自回歸模型相結合的方法測算出1997年第一季度至2017年第三季度期間的中國金融壓力指數，基于MS-AR模型對中國壓力期進行識別，選取典型時期采用TVP-SV-VAR模型實證分析金融壓力對經濟增長、物價水平、投資及消費等宏觀經濟變量沖擊反應的時變特征。發現了TVP-FA-VAR-DMA模型與其他模型測算出的FSI在亞洲金融危機時期、全球金融危機時期與歐洲債務危機時期存在較大的差異，其他各時期的FSI走勢情況基本吻合，且FSI的每次異常波動均與國內外的金融特殊事件息息相關，這充分說明了本文采用TVP-FA-VAR-DMA模型測算出的FSI不僅能夠提高模型參數估計效率，且能夠有效地反映出我國金融壓力情況和金融特殊事件。此外，通過MS-AR方法發現FSI大多時間處于金融較為平穩時期，持續時間較長，不容易發生區制轉換，而金融失衡時期持續時間較短，且容易向金融較為平穩時期和金融良好時期轉換，金融失衡時期與國內外重大特殊事件相吻合。當本季度金融系統穩定性處于良好狀態，下季度仍很有可能處于良好狀態，若一旦發生狀態機制轉換，則最有可能直接轉換成金融失衡狀態。金融壓力的上升對經濟增長主要表現為短期負向傳導效應，FSI在金融系統較為平穩或良好時對經濟增長具有顯著的短期負向沖擊效應，而在金融壓力較為緊張的情況下，FSI對經濟增長的沖擊在短期內表現為負向效應，長期內表現為正向效應，對物價水平的負向沖擊表現為先由強到弱而后逐漸趨于零的“火車頭效應”，對投資水平在短中長期內均具有明顯的負向沖擊效應，且在樣本期間內這種負向沖擊效應逐漸增強，對消費水平在短期和中期表現為先逐漸增強后逐漸減弱的負向沖擊效應，且在重大金融事件發生的高風險時期，這種負向沖擊效應表現的尤為明顯，表明危機時期金融壓力對宏觀經濟造成的危害更大。

由此可見，金融壓力指數FSI發揮了金融風險的先行指標作用，對宏觀經濟的影響并非是長期一致不變的，而是存在動態時變性。因此，在守住不發生系統性金融風險底線、促進宏觀經濟健康持續發展的基礎上，應該對金融風險的先行指標進行強監管、嚴防范。本文提出如下參考性的監管政策建議。第一，貨幣政策方面，在實施價格型的泰勒規則或數量型的麥卡勒姆規則時，應該將金融穩定指標納入目標函數，使得貨幣政策工具在盯住產出缺口和通脹缺口變化的同時也應該盯住穩態金融穩定指標，尤其是本文發現了金融壓力指數對宏觀經濟的影響在短期和長期的影響具有差異性，因此應根據不同金融壓力情況綜合運用短期借貸便利、常備借貸便利等短中期貨幣政策工具及存款準備金率等相對長期貨幣政策工具。第二，宏觀審慎方面，建議加快構建完備的宏觀審慎管理體系，以微觀審慎管理為基礎，以宏觀審慎管理體系為指導，嚴格監管和把控房地產市場、股票市場、銀行信貸市場的流動性和波動性，尤其是在本文構建的金融壓力指數中，上述部門的相關指標是金融壓力指數的重要組成部分，這意味著對房地產市場、股票市場、銀行信貸市場的監管和預警即是對金融壓力指數的監管和預警，同時也是對宏觀經濟良好運行的保障，因此要有針對性差別化的逆周期監管措施，并在恰當時間實施。主要政策措施包括逆周期資本緩沖、動態損失儲備、杠桿率、流動性監管等。同時，不同經濟金融環境下的工具組合搭配、政策實施節點和時滯等問題都是實行逆周期金融監管政策面臨的阻礙，宏觀審慎監管需要在實踐中豐富完善。第三，“雙支柱”框架機制方面，應該根據金融周期的特征及所處的階段，結合宏觀經濟形勢、微觀主體行為變化、價格變化及匯率預期等來判斷和監管資本流動方向，尤其是對提取金融壓力指數的重要部門的資金流動監管，進而可以在銀行部門、股票市場、外匯市場、房地產市場的資金流動下率先構建脆弱部門的金融壓力先行指標。同時要注意的是，在不同經濟時期的不同經濟環境下金融壓力指數對宏觀經濟的影響程度具有差異性，這就需要多個監管部門協同統計及預判宏觀經濟走勢，進而在負向響應時期做出緊縮性監管政策，在正向響應時期做出寬松性監管政策。