宏观经济总量指标与央行现金净投放的关联性分析与解读.docxVIP

宏观经济总量指标与央行现金净投放的关联性分析与解读孙春广（中国人民银行深圳市中心支行，广东深圳518001）摘要：本文基于动态相关性分析方法和非线性协整方法，使用宏观经济总量指标对中央银行现金净投放进行了分析和 预测。结果表明，宏观变量对现金净投放的影响存在明显的时滞。其中，GDP、固定资产投资变量在捕捉现金净投放的动态过程中反应更为灵敏、社会消费品零售总额次之、而出口变量反应一般。这说明中央银行在制定现金发行管理相关政策时，应 当重点关注相关宏观经济指标在领先4个季度水平上的变化情况，提高政策的前瞻性和针对性。关键词：现金净投放；动态相关性；非线性协整；宏观经济总量指标中图分类号：F224.0；F015文献标识码：A文章编号：1009－3540（2014）01－0029－0004我们基于2001年第1季度至2013年第2季度的季度数据，选取现金净投放数据作为分析的因变量；自 变量数据方面则主要考察了产出以及三大需求变量。 其中，选取GDP指标作为总产出指标，固定资产投资作为投资指标，社会消费品零售总额作为消费指标，并 选取进出口总额、出口贸易总额以及净出口总额指标作为出口指标。数据来源为国家统计局以及中国人民银行金融统计数据库。一、经济计量建模概述通过观察宏观变量与现金净投放变量之间的变动态势，可以发现上述变量都与现金净投放变量保持了较为类似的共同趋势。为此，考虑使用如下三种形式构建协整回归模型（CointegrationLinearRegression，CLS） 进行检验和分析：m=c+βX+ε m=c+βln（X）+ε ln（m）=c+βln（X）+ε其中，变量X为回归分析的解释变量，其中可以包含解释变量领先或滞后的动态效应。通过分析发现， 直接使用数据的水平值模型的拟合优度较低。而使用双对数模型使得变量间原有的协整关系发生了变化。 为此，使用半对数模型形式进行单因子建模分析，模型具体形式如下：m=c+βln（X）+ε此时，模型的系数β可以解释为当宏观变量或金融变量增长1%时，现金净投放的相应增量。为了在半对数模型的基础上选择恰当的模型形式，本文采取了Hendry的由一般到特殊的建模方法。在建模的过程中，本文使用动态分布滞后回归模型进行分析。在建模过程中首先包含所有可能的滞后变量进行初步回归， 通过使用参数的显著性检验、模型的联合显著性检验以及调整可决系数在建模过程中不断删去冗余变量。 滞后变量的选取主要参考了解释变量与被解释变量之 间的动态相关系数的显著程度和持续水平。参数估计方法为完全调整的最小二乘方法（Fully-modifiedLeastSquares，FMOLS）。最后，为了验证模型估计是否正确，需要对上述筛选后的模型进行了模型设定检验。这主要包括了残差 的序列相关检验与异方差检验以及模型的稳定性检验，而后者则重点考察数据生成机制中是否存在非线性因素。如果模型的估计结果不存在非线性转换机制，那 么仍然保留线性协整回归模型的设定，并据此模型进行预测。如果存在非线性结构转变时点，则使用Markov转换方法基于协整回归的模型设定形式构建非线性协整回归方法（NonlinearCointegrationRegression，NLCR），划分市场不同现金净投放状态下，宏观经济变量与现金净投放的关联性。二、全国现金净投放的运行特征及与宏观总量指标的关联性分析（一）现金净投放季节性波动特征显著本文所使用的数据为季度数据，为防止数据间的共同趋势是由季节性波动因素产生，本文首先采用了X-11季节调整方法对数据进行处理。其中现金净投放的季节性因素如图1所示，表1则给出了近4年各个季度季节性因子的平均值。从表中可以明显看出，全国现金净投放水平季节性波动较为规则，主要呈现出明显的第1、2季度净回笼，3、4季度净投放的现象。而 且，季节净投放呈现的弹簧式波动，幅度不断放大。作者简介：孙春广（1971-），男，辽宁丹东人，经济学硕士，中国人民银行深圳市中心支行，副处长，研究方向：宏观经济， 货币政策，金融市场，房地产金融，货币发行。图1现金净投放序列中的季节性因素单位：亿元4季度的数据作为拟合评价数据，同时预留2013年第1季度至2013年第2季度数据作为短期预测数据。（三）现金净投放对宏观经济总量指标表现出明显的反馈效应1.现金净投放与GDP指标的关联性分析。首先我们考察GDP指标与现金净投放的关联性。按照建模思路可以得到具有不同动态特征的模型可决系数，由表2给出。表2不同滞后阶数组合现金净投放方程可决系数计算结果^表12009~2012年季节性因素成分均值单位：亿元（二）现金净投放与宏观经济变量动态关联性较强， 并呈现出滞后性根据建模思路，首先使用Engel-Granger协整检验考察变量间的共同趋势。检验结果表明，在5%的显著性水平上