中国金融市场压力指数构建及其宏观经济非线性效应

奥鹏网院作业

中国金融市场压力指数构建及其宏观经济非线性效应
丁慧 陈颖 卞志村
(南京财经大学 金融学院，江苏 南京 210023)
摘 要： 本文从货币、债券、股票和外汇四个方面测度中国金融市场所面临的压力，然后基于动态相关系数法和动态信用权重法，合成中国金融市场压力指数(CFMSI)，建立了马尔科夫区制转移(MS-VAR)模型，检验其对宏观经济的非线性效应。研究结果表明：(1)引入动态信用权重、时变相关系数矩阵的CFMSI可以更好地识别金融市场压力；(2)样本区间可以划分为三个区制：“低度风险、经济平稳”，“中度风险、经济过热”和“高度风险、经济衰退”；(3)在不同区制状态下，CFMSI对工业增加值缺口、通货膨胀率和利率的影响方向存在明显差异，在“高度风险、经济衰退”状态下，金融市场压力对宏观经济变量表现为持续的负向作用，引致较高的宏观经济成本。据此，本文建议监管部门可编制反映“系统性”金融市场压力程度的指标、健全严格有效的风险隔离机制，同时也要关注经济、金融环境的发展动态，在“中度风险、经济过热”时期及时采取相应政策措施防范危机发生，保障经济行稳致远。
关键词： 系统性金融风险； 金融压力； 宏观经济； 非线性效应
一、引言
当前中国经济正处于转变发展方式、优化产业结构和深化金融改革的攻关时期。2017年7月全国第五次金融工作会议明确指出，现阶段金融工作的根本任务是“守住不发生系统性金融风险的底线”。2019年2月习近平总书记在主持中共中央政治局第十三次集体学习时强调“金融活，经济活；金融稳，经济稳。经济兴，金融兴；经济强，金融强”，深刻阐明了金融与实体经济共生共荣、相互促进的重要关系。为实体经济服务是金融工作的宗旨，也是防范金融风险的根本举措。当前，中国经济下行压力增大，经济高速增长掩盖下的金融风险在局部领域逐渐积聚并释放。2013年同业拆借市场“钱荒”、2014年债券市场大面积信用违约、2015年股票市场的异常波动、2019年包商银行被接管等金融风险事件的发生，不仅危及单个金融市场的稳定，而且极易在市场间形成“多米诺骨牌效应”，引发系统性金融风险。
跨领域风险传递是系统性金融风险的重要特征之一，金融市场的运行效果显著影响宏观经济的发展。一方面，信贷和资产价格的快速增长反映出市场金融活动活跃度提升，促进消费和投资的增加，推动实体经济发展；另一方面，过快增长的信贷和资产价格极易导致泡沫并破裂，造成社会资源配置不合理，实际经济活动收缩，宏观经济不景气。金融风险对宏观经济运行的影响十分复杂。2008年国际金融危机的教训表明，金融风险对宏观经济的冲击呈现显著的放大性和扩散性特征，而这种放大作用在不同经济、金融环境下具有一定程度的差异[1-2]。因此，在中国经济发展方式深刻变革、金融风险点明显增多的背景下，有效度量中国金融市场整体风险水平、正确认识金融风险与宏观经济之间的关系，对防范和化解系统性金融风险，平衡好“稳增长”和“防风险”的政策目标具有重要的学术价值和现实意义。
金融压力指数是一种被学术界普遍采纳并广泛应用于监测系统性金融风险的综合指数法。考虑到近些年中国金融风险的主要来源，本文拟从货币、债券、股票和外汇四个金融子市场选取风险指标，合成中国金融市场压力指数(CFMSI)。随后，本文将CFMSI与宏观经济变量建立马尔科夫区制转移模型(MS-VAR)，检验在不同经济金融环境下金融市场压力对宏观经济的影响。
二、文献综述
“金融压力”这一概念由加拿大学者Illing和liu(2006)[3]首次提出。他们指出，金融体系受自身脆弱性或外部冲击的影响下会呈现出一种不稳定状态，金融压力指数旨在测度金融系统的这种不稳定状态，是运用相关金融指标合成的单一、连续的统计量。Hollo等(2012)[4]认为，金融压力是金融体系“不稳定”状态的一种体现，是一种已经“发生”的系统性风险。清华大学国家金融研究院金融与发展研究中心课题组(2019)[5]认为，金融压力可作为综合金融市场信息、监测“系统性”金融风险的指标，为监管部门设定风险预警阈值以及制定宏观经济政策提供重要参考。
自金融压力指数提出以来，学术界和金融监管部门对合成指数的指标来源和指标权重设定进行了较为深入和细致的讨论。就金融压力指标的选取而言，Hakkio和Keeton(2009)[6]分别从股市、债市和银行部门提取相关风险变量，构建可以反映美国堪萨斯州金融风险状况的压力指数。刘晓星和方磊(2012)[7]在股票、外汇市场和银行部门的基础上，引入保险部门风险指标，构建中国金融压力指数。仲文娜和朱保华(2018)[8]在货币、股票、债券、外汇市场和银行部门的基础上，增加房地产市场风险指标以构建月度中国金融体系压力指数(CFSSI)。邓创和赵珂(2018)[9]分别从外汇市场、银行体系和资产泡沫三个方面测度了中国金融市场面临的压力，最后合成中国金融压力总指数。就权重设置而言，最具代表性的赋权方法有以下三种：等方差权重法、主成分分析法和信用加权法。IMF学者Lall等(2011)[10]对所有风险指标标准化后，采用等权重加权合成17个国家金融压力指数。陈守东和王妍(2011)[11]采用类似的等方差权重法，构建中国金融压力指数。Kliesen和Smith(2010)[12]通过主成分分析法对18个周度金融市场指标降维合成圣路易斯金融风险指数(STLFSI)。等方差权重法和主成分分析法虽然操作简单，但其局限性也相当明显，样本期内各变量对应的权重固定不变，与动态变化的金融环境存在较大差异，无法反映金融风险的动态变化特征。Oet等(2011)[13]选用可以反映各市场信用规模的指标，利用CDF-信用加权法计算各子市场的时变权重。该方法虽反映出各市场自身风险波动的相对大小，却忽视了市场间相关性强弱对金融风险传染的影响。由此可以看出，等方差权重法、主成分分析法和信用加权法这三种赋权方法均存在一定的缺陷，并不能很好地反映金融市场的风险特征。鉴于此，一些学者对权重设定上进行改进。Hollo等(2012)[4]通过动态相关系数矩阵赋权，以类似投资组合原理的方式构建欧元区金融压力指数(CISS)，考虑到了市场间联动性增强是系统性金融风险发生的重要原因，但此方法仅对各金融子市场间的相关系数采用动态赋权，未考虑到各金融子市场相对重要性的改变。许涤龙和陈双莲(2015)[14]将CRITIC(Criteria Importance Though Intercrieria Correlation)赋权法应用于金融压力指数的构建，以此反映指标间的相关性和相对重要性。张勇和彭礼杰(2017)[15]沿用Hollo等(2012)[4]的思路提出了复合式系统压力指标法，从纵向和横向两个维度设置时变权重。邓创和赵珂(2018)[9]在原有CRITIC赋权法的基础上加入时变特征，提出了动态CRITIC赋权法。
在构建金融压力指数的基础上，学者们进一步探讨其宏观经济效应，主要观点集中在以下三个方面：第一，金融压力上升会损害金融市场资源配置功能，造成信用收紧、消费萎缩、投资下降，进而引起实体经济不景气。如：刘晓星和方磊(2012)[7]、张晶和高晴(2015)[16]通过建立VAR模型均发现，金融压力对宏观经济产生显著的不利影响。刘瑞兴(2015)[17]利用格兰杰因果检验证明其构建的压力指数与采购经理合成指数之间存在长期因果关系，且具有显著的负向影响。第二，在某一段时期内金融压力对宏观经济会起到一定程度的促进作用。例如：Bullard(2008)[18]认为，金融压力上升初期，资产泡沫初现，金融市场通过信贷渠道向实体经济注入资金，宏观经济出现繁荣景象并会持续一段时期。陈建青等(2015)[19]研究发现，在正常风险水平下，金融行业的风险溢出效应与市场繁荣程度呈现正相关。第三，金融压力对宏观经济的影响方向不确定，或者随经济、金融环境表现出阶段性差异。周小川(2011)[2]认为金融风险对宏观经济的冲击呈现显著的放大性和扩散性特征，而这种放大作用在不同的经济、金融环境下表现出不同的特征。陈守东等(2009)[20]认为金融风险与金融运行相伴而生，当风险积聚到一定程度会形成压力，压力持续扩大将显著影响经济、金融部门且表现出显著的非线性特征。
学者们尝试使用不同的计量方法，量化分析金融压力对宏观经济的非线性效应。门限向量自回归模型(TVAR)是被广泛采用的模型之一。Hollo等(2012)[4]将其构建的欧元区金融压力指数(CISS)与工业增加值增长率建立TVAR模型，实证研究发现CISS超过阈值水平时会抑制宏观经济活动。随后，有学者发现马尔科夫区制转移模型(MS-VAR)具有可以依据变量特征对样本进行区制划分的优势，从而将其作为金融压力期识别方法[21—23]。部分学者通过将金融压力与可以反映经济增长的指标一起构建MS-VAR模型，得出了一些重要结论。如：Davig和Hakkio(2010)[24]采用MS-VAR模型发现当美国堪萨斯州处于经济下行时期，金融压力对宏观经济影响更显著。Aboura和Roye(2017)[25]通过马尔科夫贝叶斯转换模型(MSBVAR)对金融压力程度进行划分并证明，宏观经济在高压力状态下波动较为剧烈，在低压力状态下波动较为平缓。随着新计量方法的不断涌现，相关研究内容更加丰富。张勇和彭礼杰(2017)[15]利用Logistic平滑转换向量自回归模型证明，受经济主体情绪的影响，在高压力期金融压力对产出和物价的影响效应更加显著。徐国祥和李波(2017)[22]使用时变向量自回归模型(TVP-VAR)发现，在不同的环境下金融压力上升对工业增加值增长率传导的强度不同，但均为持续的负向影响。
总体来看，在金融压力指数构建及其宏观经济效应的研究方面，国内文献虽取得了一些重要成果，但仍存在进一步发展和完善的空间。一是多数学者在构建金融压力指数时，同时选取了来自金融市场、金融机构的基础指标。由于金融市场和金融机构在整个金融体系中作用不同，同时将按不同标准划分的金融市场和金融机构作为金融压力的子系统，可能会影响最后合成指数的准确性。二是在金融压力指数的权重设置上，大多数研究未能充分体现其动态变化特征，一方面忽略了各金融子市场相对重要性的改变，另一方面未考虑到金融风险事件发生前后金融子市场间关联性的动态变化。三是在分析金融压力的宏观经济效应时，现有文献多以整个样本时期的数据为研究对象，忽略了中国在体制转轨时期经济、金融数据可能存在一定的分割，金融压力的宏观经济效应在不同的经济、金融环境下具有复杂性特征。
本文试图在既有研究基础上做以下三方面的拓展：第一，考虑在多数情况下，金融市场指标可以提供金融体系风险累积程度、压力和动荡程度的有效信息，实时反映金融系统的整体状况；本文构建的金融压力指数聚焦于金融市场，并按照交易产品类型将金融压力的子系统划分为货币、债券、股票和外汇市场。第二，借鉴Illing和Liu(2006)[3]、Hollo等(2012)[4]提出的CDF信用赋权法和动态相关系数法，本文将二者有效结合构建中国金融市场压力指数。第三，本文选择马尔科夫区制转移模型(MS-VAR)对样本期内经济金融状态进行划分，实证检验不同时期、不同经济金融状态下金融压力对宏观经济变量的影响。
三、中国金融市场压力指数的构建及其有效性检验
(一)基础指标选取
货币市场是短期资金融通的重要场所，具有交易量大、流动性高的特点，因此货币市场压力直接关系到整个金融市场的稳定。本文参考张晶和高晴(2015)[16]的做法，选择与货币市场压力密切相关的两个重要指标：一是TED利差(x1)，即3个月银行间同业拆借加权平均利率与3个月国债收益率之差。当货币市场压力较高时，市场流动性趋紧，银行间同业拆借成本上升，利差扩大；反之，市场资金充裕，利差收窄。二是SHIBOR波动率(x2)。本文利用GARCH(1，1)模型计算1周SHIBOR的波动率，将其作为代表货币市场利率波动状况的指标。一般来说，波动率可直接反映市场不确定性的大小，与货币市场压力呈现正相关关系。
债券市场近些年取得了长足发展，而债券收益水平直接反映了投资者对市场的信心。本文借鉴徐国祥和李波(2017)[22]的思路，选取了可以反映债券市场压力的三个指标：一是期限利差(x3)，即10年期国债收益率减去1年期国债收益率的差值。当债券市场压力较大时，投资者风险偏好下降，放弃持有风险溢价较高的长期债券，转向购买流动性较好、风险较小的短期债券，债券期限利差扩大。二是企业债利差(x4)，即1年期AAA级企业债收益率与1年期国债收益率之差。当债券市场压力上升，投资者避险情绪较高，青睐于风险较小的国债，企业债利差扩大。三是债券指数波动率(x5)。本文选用GARCH(1，1)模型计算出中债综合指数的波动率，作为衡量债券收益率不确定性的重要指标。与徐国祥和李波(2017)[22]不同之处在于，本文用债券指数波动率替代了政策性金融债利差，即1年期国开债与1年期国债到期收益率之差。原因在于，政策性金融债的风险介于企业债和国债之间，且政策性金融债利差原理与企业债利差相似。而中债综合指数波动率可以有效衡量债券市场收益水平的不确定性，反映投资者心理预期状况。
股票市场是国民经济的晴雨表。资本价格的异常波动是股票市场压力主要来源，也是经济失衡的一种表现。本文借鉴徐国祥和李波(2017)的思路，选取来自股票市场的三个相关指标：一是股票指数波动率(x6)。本文利用GARCH(1，1)模型计算出上证综指的波动率，以此反映股票市场整体收益的波动情况。二是股票指数下跌变量(x7)。计算公式为-zt/max{z∈(zt-j/j=1,2,3,…,T)}，T=250，z为上证综指的日收盘价，表示一年滚动窗口下股票指数下跌的最大幅度。三是股债相关性(x8)，即通过DCC-GARCH模型计算出上证综合指数收益率和10年期国债收益率之间的时变相关系数。一般情况下，股市和债市不存在显著的相关关系，但在股票市场的压力较大时，投资者会迅速将资金从股市抽离转向债市“避险”，此时两者之间会出现显著的负向关系。
外汇市场是联结国内外金融市场的纽带。受国际经济、政治环境影响，外汇市场的压力通常表现为由资本外流导致的本币大幅贬值，政府可能会通过降低本国的外汇储备量维持汇率稳定。本文参考陶玲和朱迎(2016)[21]的做法，选取可以反映外汇市场压力的两个重要指标：一是人民币兑美元汇率的波动率(x9)。本文将GARCH(1，1)模型计算出的人民币兑美元汇率中间价的波动率视为衡量外汇市场汇率波动的重要指标。二是外汇储备同比变化率(x10)。一般来说，外汇储备下降越快意味着一国稳定汇率、维持国际收支的能力越弱，外汇市场面临的压力越大。
(二)基础指标处理及子市场指数构建
本文样本区间为2008年1月至2018年12月，样本容量为132，所有数据均来自于Wind数据库。由于为日度数据，为保证数据频率一致，本文对xi(i=1,2,…,9)进行降频处理，对所有日度数据取当月均值。随后，本文通过累计分布函数法(Cumulative Distribution Function)对xi(i=1,2,…,10)进行标准化处理，转换后的数据变量取值均在[0,1]范围内。最后，参考Oet等(2011)[13]、隋建利和尚铎(2018)[26]的做法，假设子市场中各变量的重要程度相同(1)本文尝试使用客观赋权法进行赋权，包括标准离差法、熵值法，其结果无明显差异，限于篇幅，未全部展示。，本文对每个子市场j(j=1,2,3,4)内的n个变量进行简单算数平均，即得到各子市场的压力指数。
(三)中国金融市场压力指数的构建
在对各金融子市场压力指数加权过程中，本文基于投资组合原理将两种时变权重结合，以此反映金融市场压力指数的动态变化特征。具体来说，首先由于各子市场的经济体量是随中国金融市场发展而变化的，本文借鉴Illing和Liu(2006)[3]的做法，分别选取银行间同业拆借总额、股票市场总流通市值、债券市场托管总额和外债余额来反映货币市场、债券市场、股票市场和外汇市场提供的信用规模，利用归一法计算各子市场的时变权重。其次，考虑到子市场间的相关性强弱对金融风险传染的影响，本文参考Hollo等(2012)[4]的研究成果，计算子市场间的动态相关系数。最后，本文基于投资组合原理的加总方法，合成中国金融市场压力指数(CFMSI)，具体计算过程如下。
本文将CFMSI定义为：CFMSIt=(yt·wt)Ct(yt·wt)′。其中，yt=(y1t,…,y4t)′表示各子市场的压力指数，wt=(w1,t,…,w4t)′为各子市场信用规模的时变权重，yt·wt表示赋权后子市场指数构成的向量。是yi,t和yj,t之间的相关系数ρij,t组成的相关系数矩阵。通过指数加权移动平均法(EWMA)，时变相关系数ρij,t可由相应的方差和协方差估计得出，具体方法如下


假设子市场压力指数的理论均值为表示减去均值后的子市场压力指数，平滑参数表示金融信息的更新速度，参考Hollo等(2012)[4]取值为0.93，且在整个样本时期内保持不变。另外，基于2008年1月至2010年12月样本数据，本文计算出初始方差和协方差σij,0。
(四)中国金融市场压力指数有效性检验
本文选用样本时期内被社会各界普遍认定的金融风险事件作为判断依据，通过观察CFMSI在金融风险事件发生前后是否存在明显变化来检验其有效性。
图1阴影部分标注的金融风险事件主要包括：(1)2008,7-2009,1。随着美国次贷危机持续发酵，国际金融危机在雷曼兄弟破产后全面爆发，在全球范围引发严重的信贷紧缩，危机导致CFMSI在短期内快速攀升，并达到其样本期内的最高点。同年10月，中国政府出台一系列积极的财政、货币政策稳定宏观经济，CFMSI出现下降态势，但过度的刺激政策也为宏观经济运行埋下了许多隐患。(2)2011,8-2011,12。欧洲主权债务危机深化时期欧元大幅贬值，影响欧洲整体经济恢复进程。由于全球金融市场不确定因素增多，间接影响中国金融市场的稳定，CFMSI出现上涨态势。(3)2013,6-2013,7。6月底中国银行间同业拆借市场出现“钱荒”事件，短期利率快速飙升，银行间流动性趋于紧张，CFMSI出现小幅波动。(4)2014,1-2014,5。中国债券市场出现大面积信用违约事件，市场恐慌情绪迅速蔓延，信用价差大幅度波动，CFMSI有所上升。(5)2015,3-2015,10。中国股票市场经历了一轮急剧上涨、下跌和缓慢修复过程。相对应地，CFMSI在2015年上半年快速攀升，并于同年7月达到波峰。此后，政府推进股票和债券发行交易制度改革，积极引导股市回暖，CFMSI缓慢下降。(6)2018,1-2018,7。中美贸易摩擦加剧，对外贸易环境复杂多变，国际资本市场波动加剧，外汇市场的金融风险不断积聚，CFMSI整体有所上升。

图1 中国金融市场压力指数走势图
(五)中国金融市场压力指数稳健性检验
在构建CFMSI过程中，赋权方法的选用是否会影响CFMSI走势和风险事件的识别，需要进行稳健性检验。本文从两个方面对构建的CFMSI稳健性展开检验：一是比较未采用动态信用权重赋权、未采用动态相关系数矩阵加权与采用本文方法构建的金融市场压力指数的区别；二是比较采用因子分析法、等方差权重法与采用本文方法构建的金融市场压力指数的区别。
由图2可以看出，无信用加权、无相关系数矩阵加权合成结果与CFMSI在趋势上基本保持一致，但波动幅度上存在差异。在对不同程度的风险事件识别方面，无信用加权、无相关系数矩阵加权合成结果并没有在数值上表现出明显差异。其主要原因在于：其一，采用无信用加权法构建的金融压力指数对所选的金融市场赋予相同权重，这导致金融市场整体压力水平易受单个市场极端风险值的影响，结果可能被高估；其二，采用无时变相关系数矩阵赋权构建的压力指数未考虑到金融市场压力的跨市场传递，忽略了市场共振对金融市场整体压力的影响。

图2 CFMSI与无信用加权、无相关系数矩阵加权合成结果比较
从图3看出，等方差权重法和因子分析法合成的结果与CFMSI相比，对系统性金融市场压力事件的识别效果不明显。等方差权重法构建的金融市场压力指数在均值处上下波动，原因在于所有变量标准化后赋予了相同且固定的权重，忽略了变量之间的相关性，也无法体现时变特征，导致最后结果可能出现风险信息重叠或不准确的现象。因子分析法构建的金融压力指数在数值上没有表现出对不同程度风险事件识别的差异性。因子分析法通过提取公共因子达到降维目的，但该方法依赖于正态分布的假设，随着数据量的增加，不可避免地会有更多离散点被纳入模型，因此，无法有效地从整体上反映金融市场压力水平的变化。此外，等方差权重法和因子分析法权重赋权存在一个共同的不足之处，赋权方法高度依赖数据特征，缺乏一定的经济含义。

图3 因子分析法、等方差权重法合成结果与CFMSI比较
总体来看，相比于现有方法，本文构建的金融市场压力指数具有一定的优越性，与中国金融市场的整体走势耦合度较高，可以有效地反映金融市场的风险状况，为深入探究金融压力对宏观经济的影响奠定了基础。
四、中国金融市场压力指数的宏观经济非线性效应
(一)模型设定
为了刻画不同经济金融环境下金融市场压力对宏观经济影响的差异性特征，本文借鉴Hamilton(1994)[27]的研究成果，在传统向量自回归模型(VAR)中引入时变区制变量(st)，构建马尔科夫区制转移向量自回归模型(MS-VAR)。与传统VAR相比，MS-VAR中的回归变量(yt)依赖于不可观测的区制变量(st)，且该区制变量(st)服从一个离散状态的马尔科夫随机过程。MS-VAR模型的一般形式可以表示为

ε(st)～N(0,Σ(st))
回归变量表示变量观测值为m×1向量(m为变量个数)，C(st)为区制st时的截距项，p为变量yt滞后阶数，αi,st为yt在区制st时的系数，ε(st)为在区制st时的随机误差项向量，Σ(st)为随区制st变化的方差矩阵。区制变量st是随机变量，与ε(st)独立且满足一阶Markov链，即下一时刻转态j出现的概率只取决于前一刻所处的状态i。状态转移概率矩阵其中
(二)数据选取
本文借鉴徐国祥和李波(2017)[22]的思路，选取3个能够反映宏观经济运行状况的指标，分别是。
1．工业增加值缺口
本文采用工业增加值产出缺口代表产出缺口(OG)，由于中国目前的GDP没有月度数据，因此采用工业增加值来替代GDP。工业增加值缺口=(实际工业增加值-潜在工业增加值)/潜在工业增加值，其中潜在工业增加值通过HP滤波进行估计。与徐国祥和李波(2017)[22]不同，本文没有直接选用工业增加值增长率，而是用工业增加值缺口作为反映经济增长情况的指标。主要原因在于中国经济运行在供求层面存在结构性错配，工业增加值增长率只能表示当前经济增速的快慢，无法反映当前产出是否满足经济发展的实际需要；工业增加值缺口可以通过计算真实产出与潜在产出的差值变化，较好地体现中国经济实际变动情况。
2．通货膨胀率
本文基于居民消费价格环比指数(CPI)获得通货膨胀率序列(PAI)，即PAI=(CPI-100)/100。通货膨胀或通货紧缩是一国宏观经济不稳定的主要表征之一，过度的通货膨胀或通货紧缩会对人们的生活质量产生严重的负面冲击，影响一国经济的长远发展。当金融市场压力由金融领域向实体经济领域传递时，宏观经济的不稳定可以直接反映在物价水平的波动上。
3．利率水平
利率数据采用银行间7天同业拆借利率(R)的月度均值。由于利率水平主要反映了社会资金的供求状况，直接表现为企业融资成本的高低。利率水平的高低需要与社会经济、金融总体发展水平相适应，在宏观经济运行中起到了至关重要的作用。
本文分别对中国金融市场压力指数(CFMSI)、产出缺口(OG)、通货膨胀率(PAI)、银行间7天同业拆借利率(R)进行平稳性检验。检验结果表明，在5%的显著性水平下，各时间序列均拒绝存在单位根的原假设，即均为平稳序列。
(三)MS-VAR模型选择及估计
本文使用Oxmetric软件在Givewin平台上对模型进行参数估计，构建包含金融市场压力指数及3个宏观经济变量在内的MS-VAR模型，并依据对数似然值、AIC、HQ和SC准则进一步确定其具体形式。在转移区制个数的选择上，陶玲和朱迎(2016)[21]、邓创和赵珂(2018)[9]研究认为，三区制的划分更加适合中国金融市场风险转变过程。结合已有研究和实际检验结果，本文选择三区制的马尔科夫区制转移模型。在滞后阶数取1至3情况下，通过比较对数似然值、AIC、HQ和SC准则确定最优模型形式。在考察的所有兼具计量和现实意义的模型中，MSIH(3)-VAR(1)模型的拟合效果最优(2)限于篇幅，对数似然值，AIC、HQ和SC准则下各备选模型相应的指标值未在文中列示。。
在MSIH(3)-VAR(1)模型拟合的基础上，本文依据表1中各区制变量的描述性统计结果，确定各区制状态特征。第一，对比金融市场压力(CFMSI)的均值和中位数可知，区制3时期的金融市场压力最大，在区制1时最小。第二，在区制2时，工业增加值缺口(OG)的均值和中位数均为正，在区制1和区制3时均为负。但区制3的真实工业增加值偏离潜在工业增加值的均值明显大于区制1，是区制1的129倍。相比而言，区制3时期宏观经济出现明显下滑。第三，通货膨胀率(PAI)的均值和中位数在区制3时均为负，在区制1和区制2时均为正，且区制2时期通货膨胀率的中位数为区制1的2.7倍。结合工业增加值缺口发现，相对于另两种区制状态，区制2时期宏观经济整体表现过热。第四，从银行间7天同业拆借利率(R)的均值和中位数来看，区制1和区制2时期相对较高，区制3时期较低；从标准差来看，区制1时期标准差较小为0.400 048，利率水平保持稳定，区制2和区制3时期利率波动较大，分别为1.170 637和0.907 390。综上，本文将区制1描述的状态定义为“低度风险、经济平稳”；区制2代表的状态设定为“中度风险、经济过热”；区制3描述的状态定义为“高度风险、经济衰退”。
表1 三区制下的变量的描述性统计

从图4各区制划分的概率估计结果可以看出，区制1集中于2016年至2018年，这一时期中国经济逐渐由高速增长阶段转向高质量发展阶段。供给侧结构性改革稳步推进，防范化解金融风险攻坚战取得实效。金融市场压力有所下降或保持平稳，宏观经济整体运行稳中向好。区制2始于2009年末，此时中国经济虽尚未进入新常态，但“三期叠加”的阶段性特征已逐渐显现。经济高速增长和前期刺激政策导致区制2时期产能明显过剩，而经济结构的失调及资源分配的不合理使得金融市场压力显著上升，经济运行过程中潜在风险逐渐暴露。区制3主要体现在2008年国际金融危机发生前后，在全球金融风暴下任何国家都难以独善其身，中国金融市场压力大幅飙升，宏观经济整体低迷。对此，中国政府采用积极的财政、货币政策刺激实体经济，但过度的刺激政策也给宏观经济埋下了隐患。以上结果进一步印证了三区制的划分可以较好地反映中国经济现实。
表2 各区制的持续期及样本划分

注：方括号里的内容表示样本划分区间的持续概率。

图4 区制划分平滑概率图
注：区制1为“低度风险、经济平稳”时期，区制2为“中度风险、经济过热”时期，区制3为“高度风险、经济衰退”时期。
由表3的输出转移概率可以发现宏观经济在三种区制状态下的转换特征。第一，样本期内中国经济在3种区制状态下均具有“惯性”特征。经济在各自区制状态下的维持概率均大于0.9，即说明经济一旦进入一种状态后，不易变迁至其他状态。第二，样本期内中国经济在三区制转化过程中存在明显的“棘轮效应”。区制1转移至区制2的概率为0.054 17，相反则为1.060e-007；另一方面，从区制2转移至区制3的概率(0.076 16)大于从区制3转移至区制2的概率(0.033 19)。这说明由较低风险区制转向较高风险的区制时比较容易，反之则较难。转移概率上的非对称性，在一定程度上支持了“金融不稳定假说”。较长时间的经济繁荣导致社会整体杠杆率上升，金融市场逐渐从稳健转向脆弱、从稳定状态转向不稳定状态。
表3 区制转移概率矩阵

(四)分区制脉冲响应分析
本文根据MS-VAR模型的区制划分结果，比较在三区制下金融市场压力指数(CFMSI)对工业增加值缺口(OG)、通货膨胀率(PAI)和利率水平(R)的脉冲响应，结果如图5所示。从影响的方向上看，在不同区制下金融市场压力对工业增加值缺口、通货膨胀率和利率表现出显著的非线性效应。

图5 三区制下产出缺口、通货膨胀率和利率对金融市场压力的脉冲响应图
注：区制1为“低度风险、经济平稳”时期；区制2为“中度风险、经济过热”时期；区制3为“高度风险、经济衰退”时期。
对工业增加值缺口的冲击。在“低度风险、经济平稳”和“中度风险、经济过热”状态下，金融市场压力上升对工业增加值缺口短期表现为正向作用，长期为负向作用；在“高度风险、经济衰退”状态下表现为持续的负向抑制作用。由于金融市场可通过信贷方式向实体经济注入资金，促进产出增长，发放信贷本质也是承担风险。在“低度风险、经济平稳”和“中度风险、经济过热”状态下，公众对未来经济走势预期乐观，金融市场压力的上升在一定程度上可以刺激投资和消费，给产出以正向作用。但受资产价格频繁波动影响，资金在实体经济部门外循环，追逐虚拟经济利润，市场资源配置出现较大程度的扭曲，长期来看，金融市场压力对产出的影响表现为抑制作用。在“高度风险、经济衰退”状态时，前期过度繁荣导致金融市场逐渐从稳健转向脆弱，市场不确定性增加，投资者风险偏好明显降低。因此，在“高度风险、经济衰退”时期，金融市场压力上升会直接导致银行放贷意愿下降，企业融资成本上升，产出下滑。
对通货膨胀率的冲击。在“低度风险、经济平稳”和“中度风险、经济过热”状态下，通胀对金融市场压力的响应短期表现为正向作用，长期为负向作用。主要原因在于，金融压力上升引起金融市场资产价格波动，通过财富效应、托宾Q效应以及资产负债表效应，使消费物价在短期内走高。但从长期来看，金融市场环境趋松吸引大量资金进入，资金“脱实向虚”，虚拟经济对实体经济产生“挤出效应”，导致消费物价下降。在“高度风险、经济衰退”状态下，金融市场压力上升将导致价格持续的负向波动。其原因在于，一方面，金融市场的压力上升会直接导致银行放贷意愿下降，金融市场信贷收缩，企业融资成本上升，产出下滑、物价水平下降；另一方面，在金融市场环境持续不佳时，公众于对未来经济状况的预期偏悲观，投资和消费需求都会减少，形成需求萎缩型的通货紧缩。
对利率水平的冲击。在“低度风险、经济平稳”和“中度风险、经济过热”状态下，金融市场压力上升短期对利率水平具有正向影响，而长期表现为明显的负向影响；在“高度风险、经济衰退”状态下，金融市场压力上升对利率表现为持续的负向影响。在不同经济、金融环境下，利率的脉冲响应存在一定差异，原因在于，金融市场压力的上升往往伴随着投资者风险偏好的下降，市场流动性趋紧，短期内利率出现上升。但从长期来看，金融市场压力上升危及整个宏观经济的正常运行，造成实体经济的投资回报率下降，导致利率下降。在重大金融风险事件易发多发的“高度风险、经济衰退”时期，政府为缓释金融市场压力，刺激经济复苏，相应地会出台一系列扩张性货币政策，使得利率水平出现下降。
从影响程度来看，在不同区制下金融压力对工业增加值缺口、通货膨胀率和利率表现出明显的非线性影响。在“高度风险、经济衰退”状态下，工业增加值缺口、利率水平和通货膨胀对金融市场压力的负向反应程度最大，其次是“中度风险、经济过热”，最小是“低度风险、经济平稳”。由此可以推断，当处于“高度风险、经济衰退”状态时，宏观经济对金融压力的变动更敏感。主要原因在于，一方面，金融市场压力上升往往伴随着投资者风险偏好的降低和资产价格的剧烈波动，资产贬值使得家庭部门产生负的财富效应，消费支出的减少导致宏观经济总需求降低，传导至企业部门最终引起实体经济发生波动；另一方面，产出下滑、资产缩水又会导致一系列的违约事件，造成金融市场信贷萎缩，进一步加剧实体经济的不景气，形成恶性循环。在重大金融风险事件发生的“高度风险、经济衰退”时期，经济主体对预期损失的不确定性上升，更易受到市场消极情绪的影响形成“羊群效应”，进而导致金融市场压力的负面影响显著放大。
五、结论及政策建议
本文从货币、债券、股票和外汇四个市场选取风险指标，结合动态相关系数法和动态信用赋权法，合成可以反映中国系统性风险的金融市场压力指数(CFMSI)。随后，本文将其与工业增加值缺口(OG)、通货膨胀率(PAI)和银行间7天同业拆借利率(R)建立4变量的马尔科夫区制转移模型，探讨在不同区制状态下金融市场压力的宏观经济效应。主要结论如下。
第一，引入动态信用权重、时变相关系数矩阵的CFMSI可以更好地识别金融市场“系统性”压力。
第二，样本区间可以划分为三个区制，分别为“低度风险、经济平稳”，“中度风险、经济过热”和“高度风险、经济衰退”，其中“低度风险、经济平稳”，“中度风险、经济过热”具有“棘轮效应”特征。
第三，不同区制状态下，金融市场压力对宏观经济变量的影响表现出非线性特征，相比于其他两种状态，“高度风险、经济衰退”状态下，金融市场压力表现为持续的负向冲击，会带来较高的宏观经济成本。
根据以上研究结论，本文提出如下建议。
第一，监管部门应编制可反映“系统性”金融市场压力程度的指标。近年来，中国股票市场、债券市场发生的风险事件，都曾引起市场恐慌情绪，监管部门无法根据单一金融市场的风险冲击，判断其是否可能引起市场共振甚至演变为系统性金融风险。因此，构建一个可直观反映金融市场系统性风险压力程度的指标是防范、化解系统性风险的关键。
第二，健全严格有效的风险隔离机制，筑牢风险防火墙。缓解系统性的金融市场压力应该从切断风险的传染途径入手，既要防止某一市场风险横向蔓延至其他金融市场，也要避免风险的纵向传递，影响实体经济的健康运行。监管部门一方面要加强对跨市场的金融机构、金融产品的风险监测，降低金融市场间的风险联动效应；另一方面要完善金融市场信息披露制度，提高市场透明度，预防由市场恐慌情绪导致的跟风行为，避免风险在金融部门和实体经济之间相互传染，形成恶性循环。
第三，监管部门应该更关注“中度风险、经济过热”时期。一方面，由于“中度风险、经济过热”状态存在明显的“棘轮效应”，这意味着由此转向高宏观经济成本的“高度风险、经济衰退”状态的可能性更大。另一方面，在“中度风险、经济过热”时期防范系统性风险的收益比在“高度风险、经济衰退”时期治理系统性风险的成本要高。在“中度风险、经济过热”时期防范金融危机而带来的管制是事前成本，这些成本来自于资本错配和金融部门的低效率所导致的监管扭曲，而剧烈的系统性金融风险为更高的事后实际成本。因此，监管部门应该未雨绸缪，密切关注金融市场的发展动态，在“中度风险、经济过热”时期适时采取相关政策措施，防患于未然。
第四，考虑到金融压力对宏观经济的影响依赖于不同的经济、金融环境，监管部门需准确判断宏观经济所处的状态，科学制定政策搭配组合，同时也要把握好政策工具使用的时机、方向和力度，保证政策实施的有效性和科学性。
参考文献
[1]BERNANKE B S, GERTLER M, GILCHRIST S. Chapter 21 the financial accelerator in a quantitative business cycle framework [J]. Handbook of Macroeconomics, 1999,1:1341-1393.
[2]周小川.金融政策对金融危机的响应——宏观审慎政策框架的形成背景、内在逻辑和主要内容[J].金融研究,2011(1):1-14.
[3]ILLING M, LIU Y. Measuring financial stress in a developed country:an application to Canada [J]. Journal of Financial Stability, 2006, 2(3):243-265.
[4]HOLLO D, KREMER M, LO DUCA M. CISS-a composite indicator of systemic stress in the financial system [J]. Working Paper Series, 2012, 92(3):347-351.
[5]清华大学国家金融研究院金融与发展研究中心课题组.中国系统性金融压力的监测[J].国际金融研究,2019(12):3-12.
[6]HAKKIO C S, KEETON W R. Financial stress:what is it, how can it be measured, and why does it matter? [J]. Economic Review, 2009, 94(2):5-50.
[7]刘晓星,方磊.金融压力指数构建及其有效性检验—基于中国数据的实证分析[J].管理工程学报,2012(3):1-6.
[8]仲文娜, 朱保华. 中国金融体系压力指数构建及有效性检验[J].上海金融,2018(9):15-22.
[9]邓创,赵珂.中国的金融压力及其对宏观经济景气的影响动态[J].财经研究,2018(7):86-98+113.
[10]LALL S, CARDARELLI R, ELEKDAG S. Financial stress, downturns and recoveries [J]. Psychiatry & Clinical Neurosciences, 2011,59(1):25-29.
[11]陈守东,王妍.金融压力指数与工业一致合成指数的动态关联研究[J].财经问题研究.2011(10):39-46.
[12]KLIESEN K L, SMITH D C. Measuring financial market stress: Working Paper [R]. [S. l.]:Federal Reserve Bank of St. Louis, 2010.
[13]OET M V, EIBEN R, BIANCO T, et al. The financial stress index: identification of systemic risk conditions [R]. [S. l.]:Federal Reserve Bank of Cleveland, 2011.
[14]许涤龙,陈双莲.基于金融压力指数的系统性金融风险测度研究[J].经济学动态,2015(4):69-78.
[15]张勇,彭礼杰.中国金融压力的度量及其宏观经济的非线性效应[J].统计研究,2017(1):67-79.
[16]张晶,高晴.中国金融系统压力指数的设计及其应用[J].数量经济技术经济研究,2015(10):41-57.
[17]刘瑞兴.金融压力对中国实体经济冲击研究[J].数量经济技术经济研究,2015(6):147-160.
[18]BULLARD J. Remarks on the U.S. economy and the state of the housing sector [J]. Federal Reserve Bank of St. Louis in its Journal Speech, 2008,6:1-3.
[19]陈建青,王擎,许韶辉.金融行业间的系统性金融风险溢出效应研究[J].数量经济技术经济研究,2015(9):89-100.
[20]陈守东,马辉,穆春舟.中国金融风险预警的MS-VAR模型与区制状态研究[J].吉林大学社会科学学报,2009(1):110-119+160.
[21]陶玲,朱迎.系统性金融风险的监测和度量—基于中国金融体系的研究[J].金融研究,2016(6):18-36.
[22]徐国祥,李波.中国金融压力指数的构建及动态传导效应研究[J].统计研究,2017(4):59-71.
[23]朱莎,裴沛.新时期中国金融市场风险状态甄别和政策冲击研究[J].中央财经大学学报,2018(11):24-37.
[24]DAVIG T A, HAKKIO C. What is the effect of financial stress on economic activity [J]. Economic Review, 2010,95(2):35-62.
[25]ABOURA S, VAN ROYE B. Financial stress and economic dynamics [J]. International Economics, 2017, 149(5):1-17.
[26]隋建利,尚铎.中国金融市场风险状况甄别——结构转变点判断与阶段性变迁测度[J].国际金融研究,2018(9):76-86.
[27]HAMILTON J D. Time series analysis [M]. [S. l.]:Princeton University Press, 1994.
The Construction of China’s Financial Market Stress Index and Its Macroeconomic Nonlinear Effects
DING Hui, CHEN Ying, BIAN Zhi-cun
(School of Finance, Nanjing University of Finance and Economics, Nanjing 210023, China)
Abstract：This article measures the stress of China’s financial market from four aspects: currency, bond, stock and foreign exchange. Then, based on the dynamic correlation coefficient method and dynamic credit weighting method, it synthesizes the China Financial Market Stress Index (CFMSI), and then establishes the Markov District System transfer (MS-VAR) model to test the nonlinear effects of CFMSI on the macro economy. The research results show that: (1) CFMSI with dynamic credit weights and time-varying correlation coefficient matrix can better identify financial market stress. (2) The sample interval can be divided into three districts: “low risk, economic stability”, “Moderate risk, economic overheating” and “high risk, economic recession”. (3) Under different regional regimes, the impact of CFMSI is significantly different on the industrial value added gap, inflation rate and interest rate. Under the condition of “high risk and economic recession”, financial market stress has a continuous negative effect on macroeconomic variables, resulting in higher macroeconomic costs. Therefore, this article suggests that the regulatory authorities should compile indicators that reflect the “systemic” stress on the financial market, improve the strict and effective risk isolation mechanism, and also pay attention to the development of the economy and financial environment. In the period of “moderate risk, economic overheating”, appropriate policy measures should be taken in time to prevent crises and ensure economic stability and long-term progress.
Key words：systematic financial risks; financial stress; macroeconomics; nonlinear effect
中图分类号：F832
文献标识码：A
文章编号：1005-1007(2020)08-0018-13
收稿日期：2020-04-23
基金项目：国家社会科学基金重大项目(17ZDA037)；教育部人文社会科学研究青年基金项目(18YJC790024)。
作者简介：丁慧，男，南京财经大学金融学院讲师，博士，主要从事货币理论与政策、金融风险管理研究；陈颖，女，南京财经大学金融学院硕士生，主要从事货币理论与政策研究；卞志村，男，南京财经大学金融学院教授、博士生导师，主要从事金融理论与金融运行研究。
责任编辑 王丽英