资产价格波动周期与信贷关系的实证研究，本文主要内容关键词为：信贷论文,周期论文,资产论文,实证研究论文,关系论文，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。
鉴于资产价格和金融稳定在宏观经济中的重要地位，特别是在经历过次贷危机后，央行的不干预资产价格立场开始分化，越来越多的央行决策者和经济学家倾向于重新考虑央行和资产价格的关系。目前，各国央行基本上不存在纯粹的不干预派。所谓的干预和不干预的根本区分，主要是用货币政策干预还是在货币政策之外建立干预机制。学术界的共识是利率不适合作为干预资产价格的政策工具，而逆经济风向行使的宏观审慎监管政策可能更为有效，如强化资本充足率约束、限制信贷扩张、对金融机构引入流动性指标和杠杆指标监管等。
本文试图回答以下问题：能否通过稳健的识别方法来识别资产价格膨胀？资产价格膨胀转化为资产价格下跌的概率是多少？资产价格膨胀的决定因素是什么？宏观审慎监管政策的适用范围是什么？中央银行在参与宏观审慎监管时，其如何权衡货币政策目标与金融稳定目标之间的矛盾？为了回答上述问题，本文从以下五个部分进行论述：第一部分对资产价格波动周期的识别方法进行简要回顾；第二部分运用两种识别方法来识别1999年1季度至2010年3季度我国房地产价格和股票价格的波动周期；第三部分使用非参数统计方法从备选因素中确定适合解释房地产价格和股票价格膨胀的决定因素；第四部分基于逻辑离散选择模型来补充非参数检验的分析；第五部分提出政策建议。
一、识别资产价格波动周期的方法
资产价格泡沫很难识别，而且对于其定义，学术界始终存在争议。①为了克服这些困难，我们转而识别资产价格的膨胀和下跌。近来有一些文献讨论了识别资产价格膨胀和下跌的方法。这些方法的一般思想是，当资产价格超过了预先设定的临界值时，则判别资产价格膨胀期或下跌期出现。临界值的计算可以是基于资产价格数据对趋势序列的偏离。在计算过程中，参数的设置十分重要，如对过滤器的选择、平滑参数的使用、临界值的设定等。在该类文献中，大概有五种资产价格波动周期的识别方法。
(一)HP滤波法
该方法首先要使用HP滤波从房价或股价时间序列中分解出趋势序列，资产价格的膨胀期和下跌期被定义为价格偏离趋势δ倍标准差的时期，如Alessi和Detkens(2009)、Goodhart和Hofmann(2008)、Socorro Gochoco-Bautista(2008)和Cecchetti(2006)。[2-5]
该方法的优点是容易理解和使用，但是，其倾向于识别出持续时间较短的波动周期。同时，周期的识别取决于对周期持续时间的定义。一些学者认为，波动周期是资产价格对趋势一系列显著且连续的偏离；另一些学者则认为，一年内的两次偏离属于同一个波动周期。另外，前一个周期的终点往往和下一个周期的起点重合。
(二)扩展的HP滤波法
该方法基于HP滤波法，但能够克服其存在的一些缺陷。首先，在偏离趋势临界值以上的时期内，膨胀期要去除资产价格波峰后的时期，下跌期要去除资产价格波谷后的时期。其次，为了不仅仅识别出波动周期的结束，在资产价格达到临界值之时，要在前面加上N个时期以扩展整个膨胀期或下跌期；如果拟加的时期属于前一个波动周期，则不加入。
(三)递归的HP滤波法
对每一个时期
，计算样本期[
，]的HP滤波序列，滤波序列中最后一个值被分配到递归的HP滤波序列，作为对应期限的取值。如Alessi和Detken(2009)，Adalid和Detken(2007)、Detken和Smets(2004)。[2][6-7]该方法识别出的资产价格波动周期要比HP滤波法长，而且会较早识别出周期。这是由于相对使用相同平滑参数的HP滤波序列，递归的HP滤波序列具备更强的顺周期性。因此，资产价格序列会首先穿过递归的HP滤波序列，再穿过HP滤波序列。相比之下，递归的HP滤波序列的实时性更强。如果出于预测的目的，这一特点是该滤波的优点；但如果是对时间序列进行事后分析以获得最大的信息量，则这一特点成为该滤波的缺点。如果原始序列的标准差较小，该方法倾向于在样本期前期识别出较多的资产价格波动周期。对于波动更剧烈的原始序列，该方法会导致样本后端偏差，即在原始序列中本该被识别为膨胀期的时期会识别不出来，或被误判为下跌期。
(四)BP滤波法
在该方法中，过滤器选择了BP滤波以确定资产价格序列对趋势的偏离，如Agnello和Schuknecht(2009)。[8]将HP滤波法中得到的HP滤波缺口(即资产价格原始序列与HP滤波序列之差)进行BP带通滤波法处理，剔除高频成分，使得HP滤波缺口序列更加平滑，以便识别波峰和波谷。这样，膨胀期就被定义为BP滤波序列中从0到波峰的时期，而下跌期则被定义为从0到波谷的时期。
(五)移动平均法
计算资产价格增长率序列的移动平均序列。该序列大于(小于)临界值的时期被定义为膨胀(下跌)期，如Bordo和Jeanne(2002)、Fatas et al.(2009)、Barajas et al.(2008)。[9-11]该方法有时会将价格序列处于趋势之下的部分误判为一个资产价格膨胀期。可以通过对周期位置的识别来避免该潜在的错误。
二、对我国资产价格波动周期的识别
这里使用扩展的HP滤波法和移动平均法来识别1999年l季度至2010年3季度我国房地产价格和股票价格的波动周期。之所以选择这两种方法是因为，递归的HP滤波法会导致样本后端偏差，从而导致资产价格膨胀期的误判；而BP滤波法要求样本期足够长，同时因其两端会损失相当数量的数据，而我国房地产市场可获得数据的样本期较短。
一般房地产价格采用两种指标，即价格指数和实际平均销售价格。目前，我国各类房地产价格指数不下十余种，如中房指数、全国35个大中城市房地产价格指数、西安40指数和上房50指数等。在众多指数中，国房景气指数虽具有代表性，但正式发布较晚，因此本文选取中国房屋销售价格指数作为中国房屋价格指数的代理变量。数据来自中国统计数据库，并通过季度内月度数据平均获得季度数据。
本文选取上证综合指数收盘价来反映股票市场的价格水平，并将数据转换为季度平均数据。
在HP滤波法中，本文定义房地产价格的膨胀期和下跌期为价格偏离趋势0.3倍标准差的时期，股票价格的膨胀期和下跌期为价格偏离趋势1倍标准差的时期，因为后者的波动性更强。同时在每个波动周期前扩展4个季度。如果房地产价格序列样本期足够长(如40年)，那么完全可以将其膨胀期和下跌期也定义为价格偏离趋势1倍标准差的时期，这样我们就可以识别出较符合人们认识的房地产价格长周期。如Vladimir Borgy，et al.(2009)针对经合组织18个国家38年季度数据做出的结果，房地产价格膨胀期和下跌期都平均为16个季度，其临界值的设定为1.3倍标准差。[12]由于样本数据的限制，本文缩小临界值，将房地产价格的膨胀期和下跌期定义为价格偏离趋势0.3倍标准差的时期，否则设为1倍标准差，样本期将不存在任何房地产价格的膨胀期和下跌期。其实，即使将临界值设为0.4倍标准差，样本期也识别不出任何房地产价格的波动，即样本期不存在任何房地产价格偏离趋势0.4倍标准差的时期。这与我国2007年以来房价高速增长、管理当局加强调控的现实不符。图1、图2分别为房地产价格和股票价格季度数据时间序列与HP滤波趋势序列。
图1 房地产价格季度数据时间序列与HP滤波序列
图2 股票价格季度数据时间序列与HP滤波趋势序列
在移动平均法中，本文进行房价和股价增长率的4季度移动平均，并定义移动平均值大于(小于)临界值的时期为资产价格膨胀(下跌)期。
其中，g为资产价格增长率、x为临界值。在房价时间序列中，设x为2.5％(下跌期为-2.5％)；在股价时间序列中，设x为7％(下跌期为-7％)，因为后者的波动性更强。如果上式满足，则时期t-3到t被定义为房地产价格膨胀期，时期t-5到t被定义为股票价格膨胀期。因此，房地产价格周期的最小持续期为1年，股票价格周期的最小持续期为1年半。之所以将房价时间序列的临界值设置较低，也是出于HP滤波法中同样的原因。由于样本期较短，而房地产价格的波动又不像股票那么剧烈，如将临界值提高到3％，则样本期内就不存在任何膨胀期和下跌期，这与10多年以来我国股票价格的波动现实也是不符的。Vladimir Borgy，et al.(2009)针对经合组织18个国家38年季度数据做出的结果，在房价时间序列中设x为5％(下跌期为-5％)，在股价时间序列中设x为15％(下跌期为-15％)，也是出于同样的考虑。相应的，临界值设置低，在定义其周期的最小持续期时也相应缩短。图3、图4分别为房地产价格和股票价格增长率的4季度移动平均序列。
表1、表2给出了不同方法识别出的资产价格波动周期结果。可以看出，房地产价格与股票价格的波动周期有很大不同，而周期识别方法的不同也导致了周期的一定差异。影响房地产价格波动的因素与影响股票价格波动的因素虽然存在共性，但也体现出很大的差异，这解释了房价与股价周期的差异。影响房地产价格的因素主要包括宏观经济周期波动、投资、供求、政策(财政政策、货币政策、投资政策、产业政策、土地政策)、投资者心理因素等。对我国而言，城市化和居民收入水平提高等增长面因素在较长一段时期是影响我国房地产价格波动的主要因素，而房地产周期的短期波动则主要受政策因素的影响；影响股票价格的因素主要包括宏观经济因素如经济周期、通货膨胀、货币政策、财政政策，以及股票市场因素如市场供求、投机行为、市场心理预期等。对我国股市而言，最初的波动往往来自于政策性因素的影响，投资者由于自身的不理性开始放弃自己的判断，成为“正反馈交易者”；同时做空机制的缺乏导致投资者的单边行动，“羊群效应”开始显现，股市波动放大。可以说，政策性因素是外在因素，市场机制和投资者行为是股票市场价格波动周期的内在原因。在房地产价格波动周期中，两种方法同时识别出周期的概率为75％(较高)；在股票价格波动周期中，两种方法同时识别出周期的概率为60％。
表3反映了资产价格膨胀期转化为资产价格下跌期的概率。本文定义资产价格膨胀期后两年内如果出现了资产价格下跌，则称资产价格膨胀期转化为了资产价格下跌期。资产价格膨胀期后并非一定紧随资产价格下跌期，从股票价格来看，其概率大约为50％。而房地产价格因样本期太短，未识别出资产价格下跌期。
根据季节调整的实际GDP季度数据的HP滤波分析(见图5)，连续三年GDP低于趋势增长的时期仅有一个：2002年4季度-2005年3季度。如果定义高成本的资产价格膨胀期为紧随资产价格波峰后连续三年GDP低于趋势增长，那么在样本期内就不存在高成本的资产价格膨胀期。
图5 季节调整的实际 GDP季度数据的HP滤波序列(λ=1 600)
三、资产价格膨胀的决定因素：一个非参数方法
根据以往文献，如Bordo和Wheelock(2004)、Schularick和Taylor(2009)，[13-14]本文可以列出一系列早期预警指标来考察其与资产价格膨胀的关系。一般来说，指标包括以下类别：
(1)体现制度变迁的宏观经济因素：超过趋势值的经济增长、低于趋势值的通货膨胀、经常账户恶化或资本流入、私人部门储蓄下降。
(2)信贷和货币指标：快速的货币供给量增长、M2/基础货币指标的扩张、超过趋势值的国内信贷增长、外汇储备增长。
(3)全球化因素：全球物价下跌、全球流动性增加、反映融资环境的低利率。
基于数据的可得性和我国的具体情况，本文选取以下指标作为考察对象(见表4)，同时对下述指标进行3种变形(其对HP滤波趋势的偏离、其对线性趋势的偏离、增长率)和5种滞后期(从当期到滞后4期)的考察。
本文中所用的GDP数据来自各期《中国统计年鉴》及《中国人民银行统计季报》。季度GDP为当季发生数，即用本季的当年累计数减去上季的当年累计数。为了消除通货膨胀的影响，本文将名义季度GDP转化为实际值，即实际季度GDP=(名义季度GDP/CPI)×100。此外，本文使用X-11方法对数据进行处理以消除季节影响，得到最终的季度GDP实际值。
由于官方发布的CPI数据是月度数据，本文在计算中通过三项移动平均求出季度CPI数据。
本文中所用的固定资产投资数据来自中国统计数据库。季度固定资产投资为当季发生数，即用本季的当年累计数减去上季的当年累计数。本文使用X-11方法对数据进行处理以消除季节影响，得到最终的季度固定资产投资值。
信贷数据(金融机构中长期贷款)、货币数据M2直接取自中国人民银行公布的季末数。
我国同业拆借市场自1984年建立以后得到了长足的发展，能够迅速反映货币市场的资金供求状况，可以作为市场化利率的代理变量。在此，本文选取央行7天拆借利率作为市场化利率的代理变量，数据来自中国统计数据库、各期《中国人民银行统计季报》。
实际GDP、固定资产投资指标是为了反映实体经济指标对资产市场发展的潜在影响。本文预期，扩张的实体经济活动将通过收入渠道和预期渠道增加资产需求，从而形成资产价格膨胀。
实际信贷变量在理论中通过金融加速器机制(Bernanke和Blinder，1992)或抵押约束机制(Bernanke，Gertler和Gilchrist，1999)影响资产价格。[15-16]最近，欧洲中央银行(Gerdesmeier et al.，2009)的研究表明，信贷变量可以作为优良的早期预警指标来预警资产价格波动。[17]
货币总量则是通过短期内影响产出从而引起资产价格膨胀。“货币论”承认流动性在资产市场发展中的作用，并认为银行部门负债的作用要大于银行信用创造的作用。
利率变量反映了中央银行的行为。本文用其来考察历史上低利率水平是否引致了资产价格泡沫。因为低利率能够提高对未来股票红利或租金水平的预期，同时又会降低贴现率，从而导致资产价格的上涨。同时，在资产价格膨胀期，利率的提高可能通过强化逆向选择和道德风险而提高高负债的房地产所有人或企业的违约率，从而导致资产价格下跌。
最后考察房价与股价之间的相互影响，以检验是否存在因资产组合调整或分散化而导致的资产价格之间的影响。
本文先通过非参数检验来考察上述变量与资产价格膨胀之间的关系。非参数检验可以避免设定误差，同时也不需要样本数据符合某种总体分布形态。通过该检验可以直观验证上述变量是否能够导致资产价格的膨胀。
直观地讲，如果我们怀疑某个变量是资产价格膨胀的决定因素，那么就会期望该变量在膨胀期前和膨胀期中的特征是不同的。比如信贷/GDP在膨胀期应该高一些，在下跌期应该低一些。而且，这种特征在不同的资产价格膨胀识别方法中的表现应该一致。本文使用的是Kruskall-Wallis检验，其零假设是样本来自多个独立总体的分布无显著差异。假设样本分为两组，如果一组样本的秩较高，则KW统计量较大，零假设被拒绝；如果两组样本的平均秩大致相等，则KW统计量较小，零假设被接受。具体方法如下：[13]
1.对任一变量X，其变形形式T，滞后期k和资产价格周期的识别方法d：
(1)将变量分为AB两组，一组是处于资产价格膨胀期的，另一组则不是。
如果某待检验变量的评分置信度在95％以上，则说明该变量与资产价格膨胀之间存在弱相关关系；否则说明对该变量的任一变形形式和滞后期：(1)两种识别方法下变量对资产价格膨胀的影响方向相反，或(2)至少在一种识别方法下，变量与资产价格膨胀之间的相关关系不显著。
表5和表6分别给出了房地产价格膨胀和股票价格膨胀的潜在影响因素。
根据结果，对房地产价格膨胀而言，实体经济因素如固定资产投资、实际GDP与房地产价格膨胀之间有很强的正相关关系；实际信贷、名义信贷、实际货币、名义货币与房地产价格膨胀之间有很强的正相关关系；股票价格与房地产价格膨胀之间也有很强的正相关关系；利率不能解释房地产价格膨胀。如果将置信度放松至90％，则股票价格对房地产价格膨胀有负的影响。
对股票价格膨胀而言，仅有信贷变量和实际货币与股票价格膨胀之间有相关关系；实际信贷、信贷/GDP、名义信贷对股票价格膨胀的影响都是负的。实际货币与股票价格膨胀之间存在正相关关系；实际GDP、固定资产投资、房地产价格、利率不能解释股票价格膨胀。如果将置信度放松至90％，则房地产价格对股票价格膨胀有正的影响。
四、资产价格膨胀的决定因素：离散选择模型
本文使用逻辑离散选择模型来补充非参数检验的分析，以提供有关解释变量对资产价格膨胀发生概率边际影响的信息。与早期预警文献中常用的信号法相比，该方法的好处是可以进行统计分析和检验。
表7为房地产价格膨胀的二元逻辑选择模型。从表7结果可知，对房地产价格而言，除股票价格变量外，两种识别方法的回归结果一致，实际GDP、名义信贷、名义货币、固定资产投资与房地产价格膨胀正相关，且边际效应非常小。在移动平均法下，股票价格也与房地产价格膨胀正相关。
表8为股票价格膨胀的二元逻辑选择模型。从表8结果可知，对股票价格而言，两种识别方法的回归结果不一致。其中移动平均法下，实际信贷、实际货币、实际GDP、房地产价格都与股票价格膨胀正相关；除房地产价格外，边际效应非常小。在HP滤波法下，各变量与股票价格膨胀无明显相关关系。
五、结论与政策建议
根据上文分析，本文得出以下结论：
1.我国房地产价格与股票价格的波动周期有很大不同，同时，周期识别方法的不同也导致了周期的一定差异。在房地产价格波动周期中，两种方法同时识别出周期的一致性较高。
2.资产价格膨胀期后并非一定紧随资产价格下跌期，股票价格膨胀后下跌的概率大约为50％。
3.在样本期内不存在高成本的资产价格膨胀期。
4.根据非参数检验结果，对房地产价格而言，实体经济因素如固定资产投资、实际GDP与房地产价格膨胀之间有很强的正相关关系；实际信贷、名义信贷、实际货币、名义货币与房地产价格膨胀之间有很强的正相关关系。而且在两种识别方法下，上述相关关系具有稳健性。在移动平均法下，股票价格也与房地产价格膨胀正相关。利率不能解释房地产价格膨胀。对股票价格而言，仅有信贷变量和实际货币与股票价格膨胀之间有相关关系，但信贷变量对股票价格膨胀的影响是负的。实际货币与股票价格膨胀之间存在正相关关系。
5.根据逻辑离散选择模型结果，对房地产价格而言，两种识别方法的逻辑回归结果一致，实际GDP、名义信贷、名义货币、固定资产投资与房地产价格膨胀正相关，且边际效应非常小。对股票价格而言，两种识别方法的回归结果不一致。其中移动平均法下，实际信贷、实际货币、实际GDP、房地产价格都与股票价格膨胀正相关，除房地产价格外，边际效应非常小。在HP滤波法下，各变量与股票价格膨胀无明显的相关关系。
对于股票价格，两种识别方法的结果有不一致之处，其主要原因是，在逻辑离散选择模型中，解释变量多而样本较小，从而导致回归结果的稳健性较差。因此，非参数检验的结果更为可靠。
综合两种方法的结果，可靠一致的结论是：实际GDP、固定资产投资、名义信贷、名义货币与房地产价格膨胀正相关；实际货币与股票价格膨胀之间存在正相关关系。
根据以上结论，本文提出下述政策建议：
第一，用宏观审慎工具抑制资产价格泡沫时，区分不同的资产类别非常重要。因为它们的决定因素有很大差别(张建波等，2011)。[18]根据实证结果，货币当局应该更关注房地产价格而不是股票价格。首先，大部分的家庭和企业是通过银行借贷来为居民或商业房产融资的，因此使用宏观审慎工具来控制房地产价格较为容易。而且本文发现，信贷变量是引起房地产价格膨胀的关键变量，所以货币当局控制银行资产总额、结构和杠杆都是可行的。而信贷对股票价格膨胀并不存在稳健的正相关关系。其次，房地产价格膨胀要比股票价格膨胀更容易转化为实体经济的下跌，房地产价格膨胀相对来说是高成本的(苗文龙，2010)。[19]
第二，将所有资产价格信息构成一个单一资产价格指数指标，如金融状况指数(FCI，Financial Condition Index)的做法并不可取。因为在本文的回归中发现，一种资产价格还包含另外一种资产价格波动的有用信息，特别是在移动平均法下，股票价格与房地产价格之间存在双向正相关关系。单一资产价格指数模型中的各变量会相互影响，或者同时受到产出或通胀的影响，这会导致估计偏差。
第三，货币政策的主要目标是保持物价稳定，同时还要考虑经济增长、充分就业、国际收支平衡。中央银行主要依靠调节利率等政策工具来达到上述目标。宏观审慎监管政策则主要是防范金融体系的过度风险偏好和系统性风险的产生。宏观审慎监管政策的调节不可能像利率调整那么频繁，而且自动单一规则的宏观审慎监管政策要求信贷与GDP保持一定的比例。当经济体的生产力受到外来永久性冲击时，自动的宏观审慎监管政策会约束银行信贷，而中央银行则会降低利率，因此二者存在矛盾。为了避免物价稳定与金融稳定目标之间的冲突，宏观审慎监管政策应该是状态依赖，而非单一规则的专注于信贷市场是否出现了过度发展，为防范金融业的过度风险偏好提供激励，同时可以实施结构性的政策如限制某一部门的不可持续性资本积累。宏观审慎工具也不应该对所有资产价格泡沫采取一刀切的做法，而应该分别对待，比如在收紧某些贷款的信贷标准的同时，对其他类别贷款的信贷标准进行放松或保持不变；而一刀切的货币政策难以做到这些。
第四，宏观审慎监管的目的是避免资产价格泡沫的产生。如果根据度量资产价格膨胀指标来使用政策工具以应对资产价格泡沫，那么其中的偏差可能会导致成本的产生。而且信贷周期和资产价格周期是非对称的，资产价格下跌相对较少出现，设置基于资产价格膨胀或信贷扩张的宏观审慎监管自动规则可能会带来经济增长的损失。因此，当监管当局引入新的宏观审慎监管时，必须考虑以上成本。
注释：
①具体可参见Gurkaynak(2008)对资产价格泡沫计量检验的文献综述。[1]