上海銀行間同業拆借利率的影響因素及其預測分析

孔夢奇,徐靜怡

(河南財經政法大學 金融學院，河南 鄭州 450046)

1 引言

國內外學者都曾展開對同業拆借利率的研究。2009年田敏、李純青、馬雷[1]借助ARMA模型實現Shibor的預測，經過取對數一階差分后的Shibor時間序列數據是隨機的、平穩的。2012年謝小璐[2]借助小波神經網絡和回歸時間序列組合模型對Shibor進行預測，結果表明小波神經網絡的擬合和預測誤差均小于回歸時間序列組合模型。2021年黃定[3]利用ARIMA和Prophet模型應用于Shibor的隔夜品種預測中，后采用灰色預測方法和MTFNN模型再次預測。綜上所述，目前針對Shibor的預測仍處于不斷發展階段。

基于文章，創新點有:①論證分析對Shibor存在影響的相關因素，并采用熵權法進行影響因素篩選以降低數據冗余；②采用PSO優化算法對BPNN模型的參數進行尋優，基于PSO-BPNN的組合預測模型對于Shibor的預測效果優于基礎模型。

2 模型與方法

2.1 Shibor影響因素分析

(1)央行貨幣供應量M2。央行可以通過公開市場操作或者調整貨幣存款準備金率等貨幣政策來調整貨幣供應量。Shibor隨著存款準備金率上升而有一定幅度的上升，而Shibor下行則意味著銀行資金充足，這就為投資者在進行市場資金面分析時提供一個重要的指標，此處以貨幣供應量M2為代表。

(2)物價水平。物價水平是所在的目標市場潛在的消費能力和其經濟狀況的重要指標，通常由消費者物價指數CPI來表現。在其他因素不變的情況下，當物價水平上升到一定水平就會引發膨脹。貨幣需求大于貨幣供給，最終導致利率上升；反之，當物價水平下降，貨幣的需求小于貨幣供給，最終導致利率下降。

(3)股票價格指數。一般來講，股票價格與利率成反比例關系。市場利率上升到一定程度時市場資金趨于緊張，籌資成本增加使得公司盈利相對減少，加之由于利率上升人們對未來股市不看好而紛紛拋出股票，從而股價下跌；當利率下降時籌資成本降低，公司盈利，股票價值提高。因此股價的變動與同業拆借市場利率的變動有關系。文章以上證綜合股價指數代表股票價格。

(4)匯率。匯率可以影響利率的變動，主要表現為進出口貿易、國內物價水平、短期資本流動影響。匯率降低即本幣升值、外幣貶值時，會使外國商品相對本國商品更具有競爭力，這時本國出口減少，進口增加，進而增多導致貨幣外流增加，此時市場上貨幣存量減少，從而市場利率上升；再者本幣的購買力下降，國內物價水平相對上升，此時本幣需求增加，導致本國利率上升。文章選擇美元兌換人民幣的匯率作為影響因素。

(5)國際利率。當國內利率高于國外利率時，資金會從國外流入國內，造成資金內流。此時國外市場貨幣供應量減少，國內貨幣市場貨幣供應量增加，使得國外利率上升而國內利率下降。Libor，即倫敦同業拆借利率，是國際貨幣市場中最重要的短期參考利率，多數國家以Libor為基礎來確定資金借貸的利率。文章選取美元Libor作為變量之一進行研究。

(6)法定存款準備金率。我國規定商業銀行需按照一定比例將存款交付給央行作為準備金，這一比例為法定存款準備金率。在其他因素不變時，央行若上調法定準備金率，商業銀行就需要繳納更多的準備金，這體現了央行緊縮的貨幣政策，在減少銀行流動資金的同時使得Shibor上升。

2.2 基于粒子群優化BP神經網絡預測模型

首先初始化參數設置，一開始找到初始化粒子的位置，根據初始粒子的位置與速度進而確定目標函數。

其次確定整體全局粒子，更新群體中的速度和位置。

最后根據更新出的粒子速度和位置計算粒子的目標函數。判斷目標函數是否收斂，收斂則確定的粒子為全局最優粒子；如果不收斂則循環重復上面步驟，進一步不斷更新粒子速度與位置確定全局最優粒子。

圖1 粒子群算法流程

3 算例分析

3.1 數據收集與影響因素篩選

文章選取2019年1月到2021年12月的數據進行因素分析，其中貨幣供應量是從中國人民銀行官網所得，消費物價指數和法定存款準備金率從東方財富官網所得，上證綜合股價指數從上海證券交易所中A股數據所得，美元兌人民幣匯率從國家外匯管理局網站所得，美元Libor從Libor官方網站獲取。

對數據進行無量綱化，再對指標進行賦權。為了得到較為客觀的權重，文章采用熵值法[5]對指標進行計算。以貨幣供應量M2、消費者物價指數CPI、上證綜合股價指數、美元兌人民幣匯率、美元Libor、法定存款準備金率為自變量，上海銀行間同業拆借利率Shibor為因變量。按月收集2019—2021年度數據，對全月進行算術平均；上證綜合股價指數均源于上海證券交易所發布的上海A股月最高與最低綜合股價指數的算術平均所得數值。

利用熵值法計算得出各指標權重，如表1所示。

表1 熵值法結果分析

美元Libor對Shibor的影響最大，對因變量的影響中占比32.4731%。大力發展同業拆借市場需要不斷完善Libor和Shibor報價制度，加強利率風險管理匯率。

美元兌人民幣匯率貢獻率高達17.6797%。當今市場逐漸國際化，美國作為經濟大國，與中國不斷增強貿易交流，其匯率的變動必然帶動我國市場利率的變動，也會對同業拆借市場產生影響。

貨幣供應量和法定存款準備金率是影響Shibor變動的重要因素，權重分別為15.8776%和12.9191%。我國當前實施寬松的貨幣政策，以及對市場利率的放松態度。

上證綜合股價指數和消費者物價指數在影響因素評價中貢獻最小，權重較小，分別為10.4704%和10.5801%。雖然占比較小，但股價對利率的影響也是不容忽視的。

3.2 基于BPNN神經網絡及其改進模型的Shibor預測結果

3.2.1 變量選取

經過熵值法的因素篩選，排除掉權重較低的因素：CPI和上證綜合股價指數，采用的輸入因素為2019—2021年貨幣供應量、美元兌人民幣匯率、美元Libor和法定存款準備金率，輸出數據為2019—2021年Shibor值。其中訓練樣本為2019年1月至2021年3月共27組數據，預測樣本為2021年4月至12月共9組數據。

3.2.2 BPNN及PSO-BPNN模型結果對比

BP神經網絡模型主要確定神經網絡的層數、隱含層的節點個數、輸入層、輸出層、訓練方法及隱含層的節點個數。文章采用一層隱含層的BP神經網絡即神經網絡層數為3。

圖2 優化后BP神經網絡回歸精度

從圖中可以看出優化后訓練集擬合優度為0.83907，總體樣本擬合優度為0.84913，擬合效果較好，優化后的預測精度得到顯著提高。

表2 不同樣本下對應的數值

PSO-BPNN的預測值與真實值更為接近，其預測誤差遠遠小于BPNN。對于誤差指標MAE，BPNN模型為0.002863，PSO-BPNN模型為0.00064114；對于MSE，BPNN模型為0.2922×10-6，PSO-BPNN模型為4.9813×10-7，經過粒子群算法優化可以大大降低模型預測的誤差。

4 結論

文章以2019—2021年的數據為例，采用熵值法對Shibor的影響因素進行篩選，剔除掉影響程度較低的因素，再將剩余因素輸入BPNN神經網絡模型及PSO-BPNN模型中實現對Shibor未來趨勢的預測。分析得出以下數據：

(1)BPNN神經網絡模型對于Shibor預測的效果一般，其總體樣本相關系數居于80%左右，而經過模型改進后，PSO-BPNN模型的預測效果優于BPNN模型，總體樣本相關系數高于基準模型。

(2)通過借助BP神經網絡和粒子群算法進行預測，進一步比較擬合優度和預測精度，結果表明結合粒子群算法的神經網絡模型預測誤差均小于BP誤差。

針對文章實證分析，我國在預測Shibor變動加快金融創新發展的同時，應綜合考慮國內市場變化、人民消費水平及國際環境等情況進行動態調整，不斷提高貨幣政策傳導的有效性。