美国扩张性货币政策对中国通货膨胀的影响_货币政策论文

美国扩张性货币政策对中国通胀的影响，本文主要内容关键词为：通胀论文,美国论文,货币政策论文,中国论文，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、文献综述

      量化宽松货币政策对经济影响的研究较多，多集中在对本国的影响、对西方发达经济体的影响以及对新兴市场经济体的影响等三个方面。Hiroshi Ugai通过对日本2001年-2006年量化宽松政策实施期间的经济数据进行分析，认为量化宽松由于受资产负债表调整以及零利率限制的影响，对总需求及物价的影响有限。Michael J.等认为英国的量化宽松政策以资产购买为主，并通过资产价格渠道对通胀水平产生了显著影响。William R.Cline[4]认为虽然量化宽松释放了大量的流动性，但由于金融危机期间货币乘数的下降，释放的流动性并没有提高美国的通胀水平。B.Mackowiak认为作为外部冲击的美国货币政策是新兴市场国家通胀波动的重要原因。Kim S.等在开放经济假设下，采用Structure VAR模型对美国货币政策对除美国外的7国集团的汇率及宏观经济指标的冲击进行了分析，发现美国扩张性货币政策对7国的汇率、产出及通胀均有影响。Morgan分析了美国量化宽松货币政策对亚洲新兴市场国家的影响，认为量化宽松对亚洲新兴市场国家的通胀水平影响十分有限。John B.Taylor认为美国量化宽松对新兴市场国家产生了明显的溢出效应。

      国内的研究主要集中在扩张性货币政策对我国的影响以及应对策略上。李永刚认为美国量化宽松货币政策对中国产生了显著的影响，导致了中国大宗商品价格上涨、加大中国通胀压力、造成外汇储备损失、刺激资产泡沫的形成，甚至丧失货币政策独立性。谭小芬认为美国量化宽松对美元汇率、大宗商品价格和国际资本流向带来明显的变化。潘成夫认为在美国实行量化宽松的条件下，无论中国货币政策如何选择，都将带来中国货币供应量的增长，并可能引起经济的滞胀。

      通过国内外相关文献可以发现，美国量化宽松对通胀存在一定的影响，但影响的程度各有观点。现有文献大多是基于定性分析或者是基于VAR及结构VAR模型进行分析。基于此，考虑到深度LSTM在近期的研究进展，本文采用2001年以来的月度数据对深度LSTM进行训练，对美国量化宽松对我国通胀的影响进行定量分析。

      二、美国量化宽松对我国通胀影响渠道分析

      美国量化宽松从根本上来说就是增加流动性，而其主要手段则是大规模扩张央行的资产负债表。主要通过两个方面影响我国的通胀水平，一方面是商品价格，特别是对国际大宗商品价格的影响；另一方面是对资产价格的影响，特别是对汇率，利率等的影响，影响国际资本的流动，从而影响我国国内货币供应量。

      总的来说，量化宽松对我国通胀的影响可以总结为四个渠道。一是美元流动性的大量释放将引起以美元计价的国际大宗商品价格的上涨。二是量化宽松的实施可能导致美元的贬值预期，为了维持汇率买入美元，卖出本币，导致本币供应量的增加，形成通胀压力。三是利率渠道，新兴市场国家利率相对高于美国的利率水平，使得国际资本存在套利的空间，引发资本流入，带来输入性通胀压力。四是新兴市场国家相对较好的经济状况吸引投资，而短期资本的流入容易造成经济的波动。

      三、基于LSTM模型的实证分析

      神经网络作为一种机器学习的重要算法，在经济数据的实证分析中也有一定的应用，其中应用较多的是基于BP神经网络的实证分析。然而BP神经网络通常用于面板数据的分析，难以应用到时间序列数据中去。在时间序列数据分析中更为常用的是向量自回归模型（VAR）及结构向量自回归模型（SVAR）。VAR及SVAR模型在应用时首先需要确定变量的滞后阶数。然而在实际经济条件下，不同的变量其影响的时间长度各不相同。为了对不同滞后阶数的时间序列数据进行建模，并基于数据本身对滞后阶数进行学习，本文引入深度长短期记忆神经网络模型，并将其用于序列经济数据的分析。

      1.深度长短期记忆神经网络

      深度LSTM是多层LSTM网络的叠加，而LSTM是递归神经网络（Recurrent Neural Network，RNN）的一种，用于序列数据建模。如图1所示，RNN的隐节点通过在时间轴上的单向传递实现对序列的学习。从一定程度上来说，RNN是一种非线性的扩展VAR模型。

      Sepp Hochreiter等提出了长短期记忆神经网络模型，通过将隐藏节点面保持误差在沿时间反向传递的过程中不衰减，提高网络的学习能力。

      

      LSTM的其隐层节点的结构如图2。记忆单元由输入节点、输入门、内部状态、遗忘门、输出门和输出节点6个部分组成。其中节点用于计算输入输出，门用于控制节点间的数据传输。各节点及门的计算如式（1）所示。

      

      

      其中

为tanh激活函数，σ为sigmoid激活函数，和为各个门及节点的权重和偏置。对LSTM模型的训练由基于梯度下降的反向传播算法实现。深度LSTM网络通过单个LSTM网络的级联得到，如图3所示。

      深度LSTM网络一方面能够对序列数据进行分析，并通过记忆单元实现对之后阶数的自动学习，另一方面通过网络的深度化，极大的增强了模型的表达能力，能够实现对复杂数据的高效建模。而在经济实证分析方面，不仅深度LSTM，LSTM的应用也未见相关工作。

      2.数据选择及来源说明

      中国通胀水平用消费者价格指数表示。通胀的影响因素主要从商品价格和货币供给两个方面来考虑。在国际大宗商品价格方面，选择CRB指数表示国际大宗商品价格。在货币供给方面，考虑国际资本的流动及经济发展状况两个因素。美国量化宽松通过汇率、利率、资本账户等渠道对国内货币供应量产生影响，而这些渠道导致的货币供应量变化表现为资本流动导致的我国外汇储备变化，故以中国外汇储备表示美国量化宽松政策。同时在解释变量中加入国内GDP数据，以解释由于经济增长带来的货币供应量变化。

      

      本文所有数据均通过前瞻数据库（http://d.qianzhan.com）获取，包括中国月度消费者价格指数CPI，国际大宗商品价格指数CRB月度平均值，中国外汇储备FER月度数据，中国季度GDP数据，考虑到GDP只有季度数据，通过插值的方式近似得到月度GDP数据。美国量化宽松政策从2008年开始实施，本文将研究的时间区间设为2006年1月到2014年12月。考虑到训练深度LSTM需要的数据量较大，训练通过两步实现。第一步选取1992年1月到2014年12月的数据对深度LSTM进行预训练，第二步选取2006年1月到2014年12月的数据对深度LSTM网络参数进行微调，完成对深度LSTM网络的参数估计。

      3.格兰杰因果检验

      首先对数据进行格兰杰因果检验，确定变量间的因果关系。第一步采用ADF单位根检测方法进行序列平稳性检验。检测结果如表1所示。可以看到，CPI、CRB、FRE、GDP的一阶差分在1%的置信水平下通过ADF单位根检测，显示所有变量的一阶差分均为平稳序列。

      对变量的一阶差分进行格兰杰因果检验。如表4.2所示，在0.1的概率水平下，DCRB、DFRE和DGDP均为DCPI的格兰杰原因，故三个变量对DCPI的变化存在影响，可以作为LSTM的输入变量。

      

      

      

      4.数据预处理

      GDP季度数据存在明显周期性变化，需要对其进行季节调整。如图4所示，通过对GDP进行X-12季节调整，消除了季节变化趋势。

      在此基础上，根据ADF检验的结果，对所有变量取一阶差分。由于变量的单位各部相同，在数值取值范围上存在很大差异，给深度LSTM的训练带来困难，为此对变量进行归一化。对所有序列数据，通过式（2）将变量的取值范围限制在[-1，1]，且均值为0。

      

      其中max（｜x｜）为序列变量绝对值的最大值，

表示序列平均值。经过上述处理的一阶差分序列分别用dcpi、dcrb、dfre、dgdp表示，如图5所示。

      5.深度LSTM网络建模

      在上述数据的基础上，通过深度LSTM网络对dcpi、dcrb、dfre和dcpi之间的映射关系进行学习。深度LSTM训练通过BPTT算法及随机梯度下降实现。首先对样本数据进行随机采样，获取1000组不同长度的序列数据（序列长度在[12，120]之间随机选择，序列起点随机选择），并以其中800组作为训练样本，剩下的200组作为验证样本，用于交叉验证网络结构参数。LSTM网络基于caffe实现。LSTM网络输入输出的维度由数据决定，需要确定的参数是网络的隐层节点数和网络深度。通过交叉验证，本文确定的隐层节点数为25，网络深度为3，其中包括两个LSTM层和一个全连接层，结构如图4所示。

      作为对比，本文基于2006年到2014年的月度序列数据进行VAR模型估计，首先基于SC选择之后阶数为2，VAR模型估计结果为：

      

      下标表示滞后阶数。估计得到的VAR模型单位根均在单位圆内，模型是稳定的。

      将2006年到2014年的序列数据输入VAR模型，得到结果如下页图6所示，图中同时显示了LSTM网络的预测结果，可以看到深度LSTM能够更好的建模序列数据，同时2006年到2014年的序列数据并未完整的用于深度LSTM网络的训练，而VAR模型则是完全基于2006年到2014年的序列数据进行估计，相比而言，深度LSTM网络的建模结果更具说服力。

      在学习得到深度LSTM网络模型之后，为了考察解释变量与被解释变量之间的关系，对每个解释变量计算冲击响应。下页图7给出了深度LSTM网络对单位冲击响应曲线。

      

      四、结果分析及建议

      下页图7给出了所学习到的深度LSTM网络对于dcrb、dfre、dgdp的冲击响应图。与VAR模型只能对滞后变量之间的相关关系进行学习不同，深度LSTM网络可以对当前变量之间的关系进行学习，故在单位冲击输入的当期，输出变量就能输出响应。从冲击响应的结果可以看到，dcpi对三个解释变量都呈现了正向的响应，即三个解释变量的正向变化都会导致CPI的正向变化，这与本文此前分析相同，但变化的程度有所区别。

      

      

      国际大宗商品价格和GDP的正向变化也对CPI产生了正向的冲击，且两者的影响程度接近，影响程度均为外汇储备的1/3左右。相对而言，国际大宗商品价格的冲击响应衰减更快，在4个周期左右就降到了0附近，而GDP的冲击响应相对时间更长，在5-6个冲击周期后降低到0附近。可以看到，我国CPI上涨部分原因在于经济的快速发展，而国际大宗商品价格也产生了部分影响。为了降低大宗商品价格上涨对我国通胀带来的影响，保持经济的平稳运行，需要采取多种措施来应对。首先需要推进人民币的国际化，提高人民币在国际贸易中进行结算的份额，降低由于美元定价带来的影响。同时需要提高在国际大宗商品中的定价权，我国已经在许多大宗商品贸易中占据大量的份额，甚至是全球最大的购买方，但在相关交易中的地位仍有待提高。最后需要对战略物资进行储备，提高应对外部价格冲击的能力。

      外汇储备的正向变化导致的CPI变化幅度最大，同时所持续的时间也最长，其冲击响应持续到8个周期之后才接近为0。由此可以看到，外汇储备的增加是我国通货膨胀的主要原因之一。美国量化宽松政策导致的美元贬值使得我国被迫在外汇市场上买入美元，卖出本币，使得外汇不断增加，从而对CPI产生影响。故在稳定汇率的同时需要考虑对外汇占款进行一定程度上的回收操作，如提高存款准备金率等，降低其对CPI的影响，提高经济运行的稳定性。此外，需要对我国的外汇储备结构进行优化调整，逐步降低美元资产在其中的占比，合理分配，采用多种货币作为储备资产，提高外汇储备的稳定性。

      本文对美国扩张性货币政策对中国通胀水平的影响进行了研究，并在此基础上引入深度LSTM网络进行实证分析，并与VAR模型的实证分析结果进行了对比。分析结果表明，美国量化宽松政策通过对我国外汇储备和国际大宗商品价格的影响，对我国造成了输入性通货膨胀。同时本文也验证了深度LSTM网络在经济分析中的有效性。

标签：货币政策论文;  lstm论文;  量化宽松论文;  深度学习论文;  经济模型论文;  var模型论文;  量化分析论文;  大宗商品论文;  外汇储备论文;