货币政策对银行风险的非线性影响，本文主要内容关键词为：货币政策论文,风险论文,银行论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言 2008年国际金融危机之后，货币政策对银行风险的效应成为争论的热点和焦点问题[1]。我国“十二五”规划提出，要“构建逆周期的金融宏观审慎管理制度框架”。银行主导型的金融体系下，商业银行的风险状况关系到我国金融体系和宏观经济的稳定。构建金融宏观审慎管理框架需要考虑的一个重要因素，就是货币政策对银行风险的效应。研究该效应，有助于为中央银行和监管部门的政策操作提供决策依据，有助于加强和改善我国的金融宏观审慎管理。 截至目前，货币政策影响银行风险的理论研究和实证分析比较有限[2]。理论研究主要阐述了以利率衡量的货币政策通过资产估值渠道、收益搜寻渠道、资产替代渠道、杠杆稳定渠道、央行的沟通渠道、资产负债错配渠道、习惯形成渠道影响银行风险的机理和途径[3,4]。居于主导地位的结论是低利率对银行风险产生了负向影响，也有研究认为，货币政策对银行风险的效应不确定[2][5]。实证分析，主要关注以利率表示的货币政策对银行风险影响的方向性以及该影响因银行特征的不同而产生的差异。结论具有非一致性，得出货币政策与银行风险之间的关系或者正相关、或者负相关或者不确定，货币政策对银行风险存在异质性或非对称性影响[2,6-12]。从既有文献来看，构建线性模型检验货币政策与银行风险关系的成果占绝大部分，未见利用PSTR(Panel Smooth Transition Regression)模型研究货币政策对银行风险非线性影响的成果。Altunbas等(2010)只是通过在线性回归方程中纳入一个被解释变量的二次项而研究货币政策对银行风险的非线性效应[13]，没有构建居于计量经济学前沿的非线性模型。有研究利用面板阈值(Panel Threshold Regression)回归模型检验了货币政策和银行风险承担的关系［14］。 本文认为，货币政策对银行风险的影响，呈现出非线性的特征。银行的风险行为经常表现为主观性和非理性，银行风险的周期性、隐蔽性等特征明显。货币政策对银行风险的效应因宏观环境、银行特征、货币政策态势的不同而存在差异，因多种影响因素的相互抵消而呈现出不确定性。货币政策出台以后，面对宏观政策和环境的变化，银行在改变风险偏好、风险认知以及风险决策等行为方面极有可能呈现出缓慢、渐进、非离散变化而非突变和跳跃变化的特征。货币政策对银行风险的影响可能具有非对称特征，在不同的状态下产生相应的平滑转换。 本文以广义货币衡量货币政策，建立PSTR模型，考察货币政策等宏观因素对银行风险随宏观经济形势不同而产生的非线性效应。主要运用面板平滑转换回归模型检验货币政策对银行风险的非线性效应，证明货币政策对银行风险非线性效应的存在。本文的实证结果表明，中央银行应当建立非线性目标函数，并纳入金融部门。这对主流的分析最优货币政策的标准方法——线性二次方框架[15]，提出了挑战。 二、PSTR模型的适用性 上世纪70年代以来，非线性模型在研究经济现象及经济行为方面体现出的优势，越来越引起人们的重视。在众多的非线性模型中，机制转换模型受到经济金融领域学者的广泛关注。一般而言，非线性机制转换模型包括以下三种：马尔科夫机制转换(Markov regime-switching，MRS)模型、阈值回归(threshold regression，TR)模型和平滑转换回归模型(smooth transition regression，STR)。MRS模型、TR模型均假定高低机制间的转换是离散的，这通常与现实不符。Hansen(1999)引入了面板阈值回归(panel threshold regression，PTR)模型[16]，假定机制转换是突然的、跳跃式的。为了克服以上缺陷，González等(2005)引入了面板平滑转换回归(PSTR)模型[17]，该模型是对平滑转换回归模型的扩展与延伸，因此具有平滑转换回归模型的优点。在面板平滑转换回归模型中，机制转换的发生是平滑的、渐进的而不是离散的、突然的。货币政策对银行风险的影响，具有缓慢、渐进、非离散变化而非突变和跳跃变化的特征。PSTR模型则适合研究这类特征。 三、模型设定与数据说明 (一)模型设定 由于样本量不是足够大的时候，引入太多的解释变量，将造成自由度减少，也容易引起多重共线性。所以，本文仅研究宏观因素对银行风险的影响，暂时不考虑银行层面的微观因素对银行风险的效应。为了检验货币政策对银行风险随宏观形势的不同而产生的非线性影响，构建下列PSTR模型：
其中，i=1，…，N，t=1，…，T。N表示截面数据中个体的个数，T表示面板数据的时间跨度。EDF是衡量银行风险的被解释变量。
代表固定效应。M、H分别代表货币供应量、房地产价格指数。P代表制造业采购经理指数，是转换变量或阈值变量。g是取值范围为[0,1]的转换函数。转换函数等于0或1时，相应的模型被称为低机制或高机制。转换函数的值在0和1之间平滑转换，使得模型在低机制和高机制间平滑转换。γ是斜率参数，代表转换速度。c是位置参数，ε是残差项，β为回归系数。 表1列示了实证分析中使用的所有变量的描述性统计。表2提供了变量的相关系数矩阵。依据Gujarati(2000)[18]，若每两个回归元的零阶相关系数超过0.8，多重共线性将成为严重问题。表2显示的相关系数均在可接受范围内。
下面分析被解释变量、解释变量、转换变量和控制变量。 (1)被解释变量 关于被解释变量，衡量银行风险的指标很多，本文采用预期违约概率(EDF)。EDF通过股票价格与收益的波动刻画银行的风险行为，揭示了风险的本质[9]。EDF指标的优点还表现在：①客观性。EDF的计算基于上市银行的股票交易以及财务数据，结果具有相对客观性；②及时性。EDF能够及时反映银行信用风险水平的变化，因为EDF是动态指标，可以随时根据上市银行股票交易和定期发布的财务报表数据的变化更新模型的输入数据；③前瞻性。EDF的计算基于股票市场的实时行情，能够反映市场预期和未来走势，克服了使用历史数据代表未来趋势造成的偏差[19]。 参考郑志勇(2009)的方法[20]，使用matlab7.0软件完成EDF的计算。限于篇幅，未列出13家银行20个季度EDF的结果，感兴趣的读者，可向作者索取。 (2)解释变量 鉴于货币供应量仍为中国人民银行宣布的货币政策中介目标，且中国人民银行2007年之后只设定广义货币的预期增长目标，不再设定狭义货币和新增人民币贷款的预期增长目标，解释变量选取广义货币，衡量货币政策态势，以M表示。 (3)转换变量 制造业采购经理指数(PMI)可以衡量宏观经济的繁荣或萧条，以制造业采购经理指数(记为P)为转换变量，研究货币政策在不同宏观经济形势下对银行风险的可能影响。 (4)控制变量 我国房地产市场迅猛发展及存在不规范性、房地产信贷占商业银行资产的份额较大，这将引致商业银行的潜在风险。本文以房地产价格指数(以H表示)作为控制变量，反映房地产市场对银行风险的可能影响。 (二)数据说明 本文使用2007年第4季度至2012年第3季度的13家上市银行(A股)的季度数据：中国工商银行、中国银行、交通银行、招商银行、中国民生银行、上海浦东发展银行、华夏银行、平安银行(前身是深圳发展银行)、中信银行、兴业银行、北京银行、南京银行、宁波银行。总观测数为260个。为保证样本有效性，剔除了中国农业银行、光大银行、中国建设银行，原因为：前两家银行2010年上市，数据缺失很多；中国建设银行2011年12月末A股总市值过小，与负债严重不匹配，计算出来的预期违约概率出现了异常值。 计算EDF时使用的无风险利率，采用按日加权平均处理的人民币一年期基准存款利率。人民币一年期基准存款利率、广义货币、制造业采购经理指数(PMI)、房地产价格指数，以及计算EDF使用的13家银行的季度长期负债、季度短期负债、日收益率、日总市值数据均来自锐思数据库(RESSET)。 四、实证结果与解释分析 (一)非线性性、非一致异质性检验结果 表3的检验结果显示：原假设在5%显著性水平上被拒绝，即应该建立PSTR模型研究货币政策随宏观经济形势的不同而对银行风险产生的非线性影响。
原假设：含一个位置参数的PSTR模型；备择假设：含至少两个位置参数的PSTR模型。 由表4可知，模型在给定的显著性水平下接受原假设，即模型有一个位置参数或两个机制。
(二)模型估计结果 参数估计使用非线性最小二乘法。在估计参数之前，利用网格搜索法确定转换速度(γ)和位置参数(c)的初值。若想得到较好的初值结果，迭代次数要尽可能多。将迭代次数设定为20000，以确保得到正确的结果和节省程序运行时间。表5给出了模型的参数估计结果。
这是一个两机制的PSTR模型，揭示了货币政策、房地产市场在不同宏观经济形势(以制造业采购经理指数表示)下对银行风险的非线性影响。转换速度为正，且较快。由表5的结果可知，位置参数为49.997。随着采购经理指数
的变化，货币政策、房地产市场等宏观因素对银行风险的影响在高机制和低机制之间平滑转换。当
大于49.997时，模型逐渐靠近高机制；当
小于49.997时，模型逐渐靠近低机制。在20个观测值中，只有2008年第4季度，2009年第1季度的PMI值在位置参数49.997以下，仅占20个观测值的10%，其他观测值均在位置参数49.997以上，占20个观测值的80%。大多数的观测值在位置参数以上，表明货币政策、房地产市场对银行风险的影响主要处于高机制中。 在高低机制中，货币供应量对银行风险的影响都在1%水平上显著。由估计参数
<0可知，当模型处于低机制(
)、即制造业采购经理指数低于49.997时，货币供应量与银行风险负相关，可能的原因如下：制造业采购经理指数低于49.997意味着经济处于下滑或萧条状态，此时，货币供应量的扩张旨在刺激经济。在经济下滑或萧条状态下，银行经营更加谨慎，防范风险的意识增强，银行风险行为减少，使得银行风险下降；由
>0可知，模型位于高机制(
)、即制造业采购经理指数大于49.997时，货币供应量对银行风险有正向影响。可能的原因是：制造业采购经理指数高于49.997意味着经济处于上升或繁荣状态，此时，货币供应量的扩张，使得居民、企业和银行对未来经济向好的预期增加，居民、企业从银行的贷款上升，银行在经济形势向好时放松警惕，风险防范意识减弱，银行的风险行为增加，加大了银行风险。 控制变量——房地产销售价格指数，在模型的高机制(
)和低机制(
)中，均与银行风险负相关。但是，在低机制中对银行风险的影响不显著，在高机制中对银行风险的影响在1%水平上显著。这说明制造业采购经理指数低于49.997时，房地产价格指数对银行风险无显著影响；制造业采购经理指数高于49.997时，即经济越繁荣时，房地产价格越高，则银行风险越低。换言之，一旦房地产价格下跌，则银行风险增加。 (三)稳健性检验 为保证结果的稳健性，使用风险加权资产占银行总资产的比例替代EDF，重新对模型(1)进行检验和估计。更换银行风险变量后，检验结果显示：仍应建立PSTR模型研究货币政策等宏观因素对银行风险的影响，且PSTR模型仍为两机制的。模型估计结果与表5不存在显著差异，货币政策等宏观因素对银行风险影响的方向性未有改变，只是系数大小略有差异。以上说明，模型稳健性较好。 五、结论 本文的经验分析结果，证明了货币政策对银行风险随宏观经济形势的不同具有非线性效应。因此，货币当局应该在非线性框架下构建目标函数，且应将金融部门纳入宏观决策模型。其次，货币当局、监管当局和商业银行应该采取措施保证金融体系的稳定和货币政策的有效性。其中，货币当局应该关注货币政策、房地产价格等宏观因素随宏观经济形势的不同而对银行风险产生的非线性效应，加强宏观审慎监管，监测和分析银行风险，积极与监管部门合作，预防可能出现的风险，避免金融失衡；商业银行要关注货币政策等宏观因素对银行风险产生的非线性影响，加强对宏观经济和货币政策形势变化的分析，构建综合风险预警体系，提高应对货币政策等宏观因素带来的负面影响的能力。
标签：银行论文; 银行风险论文; 制造业采购经理指数论文; 经济风险论文; 经济模型论文; 风险模型论文; 非线性论文; 经济指数论文; 货币政策论文; 货币供应量论文; 风险管理论文; 经济学论文; 采购经理论文;
