中国宏观金融稳定性影响因素的实证研究

STYLEREF"标题1"摘要 中国宏观金融稳定性影响因素的实证研究摘要本文主要研究了中国宏观金融稳定性的影响因素。本文首先梳理了国内外对于宏观金融稳定性研究的文献，并对宏观金融稳定性进行了理论分析。接下来，本文以收集到的2002-2018年的数据为基础，对其展开因子载荷分析，同时，利用ARIMA模型对2019年的中国宏观金融稳稳定性进行了预测。本文的研究能够填补学术界对于中国宏观金融稳定性研究的空白，同时，本文给出的对策建议具有较强是实际意义和理论意义。通过研究，发现影响中国宏观金融稳定性的主要有两大因素：财政环境和货币政策。因此，欲加强宏观金融稳定性，必须从这两个方面入手，加大国家对财政的支持力度，以及保持货币政策的稳定。关键词：宏观金融；稳定性；因子载荷分析；ARIMA模型论文类型：毕业论文目录摘要 5目录 错误!未定义书签。1绪论 71.1研究背景和意义 71.1.1研究背景 71.1.2研究意义 71.2国内外相关文献综述 81.2.1国外相关文献综述 81.2.2国内相关文献综述 81.3研究内容、方法与创新 91.3.1研究内容 91.3.2研究方法 91.3.3论文创新 92相关概念及理论基础 102.1金融稳定的概念 102.2金融稳定的理论 102.3因子分析 102.4ARIMA模型 113实证分析 123.1指标体系的确立 123.2数据收集 123.3因子分析 133.4ARIMA模型预测 154结论与展望 194.1研究结论 194.2对策与建议 194.3论文展望 19参考文献 20致谢 21声明1绪论1.1研究背景和意义1.1.1研究背景 当前，世界形势快速变化。随着中国不断扩大对外开放，如何保持国内的稳定，是时代赋予中国的重要课题。国家的稳定有利于人民幸福，国家富强和民族振兴。其中，金融稳定是国家稳定的题中应有之义，金融的稳定关系着一个国家的宏观经济的稳定，是国家宏观经济稳定的重要保证之一。 进入21世纪以来，随着中国加入世界贸易组织等国际组织，虽然中国享受到了经济全球化带来的优惠，但相关行业也收到了来自发达国家和其他国家的冲击。其中，金融行业是冲击受到较大的部门之一。近年来，中国的宏观金融、货币和经济政策虽然比较稳定，但实际上中国的宏观金融是否稳定，哪些因素造就了宏观金融的稳定或不稳定，是我们必须回答的问题。 本文的写作目的就在于回答此类问题。本文通过对相关文献的梳理，收集必要的宏观与金融数据，通过因子分析对宏观金融进行实证分析，利用实证分析的方法对中国宏观金融稳定的贡献因素进行回答，并重点分析宏观金融稳定的影响因素，最后给出必要的对策以及建议。1.1.2研究意义目前，学术界基于宏观金融稳定分析影响因素实证研究的文献有很多，但鲜有学术论文对宏观金融进行系统的研究。宏观金融的稳定影响因素有哪些，也是一个重要的理论课题和实践课题。利用模型对宏观金融稳定性进行预测，也是宏观金融稳定性研究的题中应有之意。因此，本文有着重要的学术价值，有着重要的理论意义和实践意义。 首先，在理论意义方面，本文通过梳理相关文献，将宏观金融稳定性的文献做了系统性的评述。这能够加强人们对宏观金融重要性的认识，以及加强对宏观金融稳定性评价方法的深刻理解。从而丰富了金融稳定性的理论内容，进一步扩大了研究视野。 其次，通过对中国宏观金融数据的数据收集，能够从直观上反映中国宏观经济的稳定性。并通过因子载荷分析，对中国金融宏观稳定性的影响因素有哪些做了全面的回答。这有利于识别影响中国宏观金融稳定性的有利因子，从而加强对宏观金融稳定性的认识。 再次，利用具体模型对宏观金融的稳定性进行阶段性预测，有利于识别金融风险，为金融的不稳定做好充分的准备，从而增强我国的金融稳定性。 最后，本文通过给出必要的对策和建议，不仅丰富了理论内涵，而且有利于实践的发展。这有利于中国宏观金融的稳定和发展，从而增强中国宏观金融的稳定性，使得中国能够在世界舞台上稳步发展。1.2国内外相关文献综述1.2.1国外相关文献综述Crockett（1997）描述并总结了影响金融稳定性的因素和理论。Quintyn和Taylor研究了监管独立与金融稳定性之间的关系。Allen和Gale（2003）研究了银行领域的竞争策略对金融稳定性的影响。Duffie（2008）研究了信贷风险转移的创新对金融稳定性的影响。Adrian和Shin（2008）研究了金融中介机构、货币政策与金融稳定性之间的关系。Uhde和Heimeshoff（2009）以实证研究为基础研究了欧洲银行业的合并对欧洲金融稳定性的影响。Berger等（2009）同样以银行领域的竞争策略为基础，研究了银行的竞争政策对金融稳定性的影响。Shin（2009）研究了金融安全与金融稳定性之间的关系。Obstfeld等（2010）研究了国际储备对金融稳定性的影响。Woodford（2012）研究了基于通胀目标的货币政策对金融稳定性的影响。1.2.2国内相关文献综述沈蕾（2012）采用复杂建模法，以金融创新为背景研究了中国宏观金融稳定性的作用机理，并给出了一些对策和建议。陈守东（2013）通过马尔科夫随机过程等模型、金融不稳定假说等理论，研究了金融不稳定对经济的非对称影响。王磊（2013）研究了房地产市场的价格波动对金融稳定性的影响，给出了影响房地产价格的宏观和微观因素，并通过实证研究得到房地产价格波动和金融稳定性的关系，最后通过模型描述了最优货币反应。徐国梁（2014）以湖南省为例研究了省级金融稳定性的影响因素，并通过实证分析描述了湖南省的金融稳定性状况，最后给出了一些有价值的政策建议。纪鸿超（2014）给出了我国金融稳定状况指数的测度方式，并通过VAR等模型描述了金融稳定和货币稳定之间的定量关系。郭红兵和杜金岷基于UECM模型构建了我国宏观金融的稳定指数（2014）。印重（2014）研究了金融稳定、通货膨胀与经济增长之间的复杂关系，梳理了基本的理论，并基于VAR和TVP-VAR模型给出了实证分析和对策建议。付卫艳（2014）研究了金融发展、金融稳定与经济增长之间的复杂关系，并通过实证研究给出了三者之间的作用机理。方先明（2017）等通过TVP-VAR模型，利用我国影子银行的规模数据对金融稳定性的正负面效应做了实证研究。刘晓欣（2017）等研究了金融杠杆、房地产价格与金融稳定性之间的复杂关系，并基于SVAR模型和主成分分析法描述了三者之间的定量关系。沈悦（2018）等以异质面板门槛模型为切入点，研究了收入、房价和金融稳定性之间的相关关系。1.3研究内容、方法与创新1.3.1研究内容 本文主要研究中国宏观金融稳定性的影响因素。宏观金融稳定性的影响因素有很多，但主要是哪些因素影响了宏观金融的稳定，是我们必须要回答的问题。本文首先通过收集与宏观金融稳定性相关的数据，并通过因子载荷分析，找到影响中国宏观金融稳定性的影响因素。其次，通过ARIMA模型，预测中国宏观金融稳定性未来的走向，回答“中国未来几年宏观金融能否保持稳定”的问题。1.3.2研究方法 首先，本文通过对宏观金融稳定性的概念和理论进行阐释，解释什么是宏观金融稳定。通过对宏观金融稳定的概念和理论的阐释，能够使得读者对宏观金融稳定有一个清晰的理论认识。 其次，本文通过收集与宏观金融稳定性相关的数据，进行因子载荷分析，找出影响中国宏观金融稳定性的影响因素。这样，便能够回答影响中国宏观金融稳定性因素的问题。 再次，本文通过ARIMA模型预测并拟合中国未来宏观金融稳定性的程度，并给出未来中国宏观金融稳定性的走向。 最后，本文总结全文，给出相关对策和建议，进一步阐释研究中国宏观金融稳定性的理论意义。1.3.3论文创新 首先，由于目前学术界鲜有研究中国宏观金融稳定性的理论和实证文献，本文的写作填补了这方面的空白。 其次，本文采用的因子载荷分析和ARIMA模型拟合与预测分析的研究方法在研究金融稳定性的文献中比较新颖。 最后，本文给出的对策建议具有创新性，对实践具有较强的指导意义。2相关概念及理论基础2.1金融稳定的概念 金融稳定，目前学术界尚无准确、统一的定义。有趣的是，目前学术界对金融稳定的研究，一般是从反面来界定的，即研究“金融不稳定”、“金融脆弱”等方面进行研究的。 欧洲央行对于金融稳定的概念的界定具有一定的代表性和一定的理论意义，其表述为“金融稳定是指金融机构、金融市场和市场基础设施运行良好，抵御各种冲击而不会降低储蓄向投资转化效率的一种状态”。Allen和Wood（2006）认为，金融稳定性与“价格稳定性”高度相关。在他们的研究论文中，他们将价格稳定与金融稳定相提并论，并认为价格稳定并不仅仅是商品的价格指数的稳定。这就将价格稳定提高到了非常高的理论高度。安德鲁·克罗克特（AndrewCrockett）认为，金融稳定主要包括关键金融机构的稳定和关键性的市场的稳定。在他的定义中，将机构和市场的稳定放在优先的位置。由此可见，金融稳定是一个动态的概念，没有一个明确、一致的定义。但我们可以从以上三个定义中看出，金融稳定主要是指关键性市场上面的金融机构和价格的稳定，能够较好地抵御金融风险的一个相关概念。2.2金融稳定的理论 有关金融稳定的理论，主要有金融脆弱性理论、货币主义理论和不完全竞争市场理论三中。 所谓金融脆弱性理论，是指金融市场有其自己的脆弱性。这是因为，金融市场的金融机构的负债往往会超过其市值，这就容易加大其运营的压力，容易导致金融不稳定。 货币主义理论是指，金融稳定的最主要因素就是货币的稳定，只要货币稳定就会自然导致金融的稳定。这与本文2.1节所论述的价格稳定是一致的。 不完全竞争市场理论是指，金融市场本身有其不稳定性，因此要引入政府规制等非市场因素进行管控。政府的管控能够引导金融市场走向稳定。2.3因子分析 因子分析是指研究从变量群中提取共性因子的统计技术，是主成分分析的推广。因子分析的思想源于1904年查尔斯·斯皮尔曼对学生考试成绩的研究。因子分析的目的是挖掘数据组当中的“隐性变量”。通过对隐性变量的研究，可以找到变量间的共性。因子分析的方法主要有探索性因子分析法和验证性因子分析两种。2.4ARIMA模型 ARIMA模型（AutoregressiveIntegratedMovingAveragemodel），即差分整合移动平均自回归模型，是一种时间序列分析的模型。ARIMA（p，d，q）中，AR是"自回归"，p为自回归项数；MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。ARIMA模型可以表示为： (1) 式中，为滞后算子，,。3实证分析3.1指标体系的确立目标层主题层指标层中国宏观金融稳定性测度体系财政环境X1人均GDP增长率（%）X2CPI指数货币环境X3国家财政收入（亿元）X4黄金储备（万盎司）X5外汇储备（亿美元）X6社会融资总量（亿元）X7保险系统机构数 我国宏观金融稳定性测度体系的指标集共有两个大的方面，分为财政环境和货币环境。下面对这两个指标集的解释如下。 （1）财政环境。金融与财政环境是难以分离的，财政环境的好坏影响着金融的稳定性，良好的财政环境是金融稳定的基础。因此，在财政环境方面，本文主要考量了人均GDP增长率、CPI指数和国家财政收入三个分指标。这三个指标代表了中国经济的总体运行情况，居民消费情况以及财政收入情况，是宏观经济环境的代表。 （2）货币环境。货币又分为货币市场的环境以及宏观货币环境，本文选取了黄金储备、外汇储备、社会融资总量以及保险系统机构数作为指标，对宏观金融环境进行考量。3.2数据收集 本文通过互联网收集了2002年-2018年的数据。本文选取这个时段的原因是，2001年11月中国加入世界贸易组织，开始了全新的对外开放历程。这对中国来说既是机遇也是挑战。从挑战的一方面来说，中国加入世贸组织后，就必须实行全新的经济政策，这对金融的稳定性是一个挑战。 本文收集到的数据罗列如下：X1人均GDP增长率CPI国家财政收入黄金储备（万盎司）外汇储备（亿美元）社会融资总量保险系统机构数20029.33%99.218903.6419292864.0719565.2244200310.45%101.221715.2519294032.5134197.5362200410.97%103.926396.4719296099.3228680.268200511.08%101.831649.2919298188.3228623.6393200614.38%101.538760.2192910663.440100.88107200714.43%104.851321.78192915282.4959216.97120200810.31%105.961330.35192919460.368671.3313020098.79%99.368518.3338923991.52140822.32138201010.22%103.383101.51338928473.3814270014220119.94%105.4103740.01338931811.4812830015220128.31%102.611721033893311615760016420138.38%102.62129209.64338938213.1517290017420148.71%10214035033893843016413318020158.93%101.4152217566633303.62152936.0819420169.12%102159552592430105.1717800020320179.29%101.6172567592431399.49194400222201810.26%102.1183352595630727.121926002293.3因子分析 本章对中国宏观金融数据进行实证分析，主要方法为因子分析法。首先，进行描述性统计分析。从表中可以看出，本文分析了2002年-2018年的17年的数据，故分析数为17。其他描述性统计量在表中已经给出，故本文在此不做详细分析。表1描述统计平均值标准偏差分析数X1.1017.0180917X2102.38941.8484217X391758.496556904.3602117X43371.00001572.0679117X522715.372912400.8402817X6111967.480065281.5617517X7142.470655.4483117 然后，本文进行了相关系数矩阵的求解，即相关性分析。以下表格的分析中可以看出，部分变量之间存在着较强的相关性，表明不同的宏观金融数据之间存在着相关关系，故可以提取出部分因子来进行主要成份的分析。具体的相关系数已经在表中给出，本文在此不做详细的分析和解释。表2相关系数矩阵X1X2X3X4X5X6X7相关系数X11.000.294-.504-.478-.556-.592-.392X2.2941.000.008-.178.153-.035.083X3-.504.0081.000.924.883.944.974X4-.478-.178.9241.000.706.861.889X5-.556.153.883.7061.000.939.891X6-.592-.035.944.861.9391.000.941X7-.392.083.974.889.891.9411.000显著性（单尾）X1.126.019.026.010.006.060X2.126.488.247.279.447.375X3.019.488.000.000.000.000X4.026.247.000.001.000.000X5.010.279.000.001.000.000X6.006.447.000.000.000.000X7.060.375.000.000.000.000 下面，进行KMO和巴特利球形度检验。KMO和巴特利球形度检验是进行因子分析的必要条件，只有通过该检验才能进行因子分析。在本文的KMO和巴特利球形度检验中，KMO取样适切性量数为0.762，大于0.7，适合进行因子分析。巴特利球形度检验的卡方值为153.808，显著性水平为0.000，适合进行因子分析。因此，本文下面进行因子分析。表3KMO和巴特利特检验KMO取样适切性量数。.762Bartlett的球形度检验上次读取的卡方153.808自由度21显著性.000 从下表可以看出，本文的宏观金融数据可以提取两个主要因子，其总解释占比为87.60%，大于80%，可以解释大部分的变量。两个因子的特征值分别为4.912和1.220，大于1，因此可以认为是可信的主要因子。表4总方差解释组件初始特征值提取载荷平方和旋转载荷平方和总计方差百分比累积%总计方差百分比累积%总计方差百分比累积%14.91270.16670.1664.91270.16670.1664.82668.93968.93921.22017.43587.6011.22017.43587.6011.30618.66187.6013.6048.62996.2304.1962.80599.0355.035.49699.5316.021.29399.8247.012.176100.000 下表为本文数据的成分矩阵。可以看出，变量X1、X2在第二个因子上有较高的载荷，变量X3、X4、X5、X6、X7在第二个成分上具有较高的载荷。因此，本文认为变量X1、X2属于第一主要因子，变量X3、X4、X5、X6、X7属于第二因子。表5成分矩阵组件12X1-.617.491X2-.038.945X3.979.076X4.910-.110X5.926.185X6.983.014X7.959.187 为了使因子的分属更加显著，本文通过最大方差法对因子进行旋转，旋转后的因子成分得分矩阵如下图所示。可以看出，旋转后的因子分化更加显著，变量X1、X2分属于第一因子，变量X3、X4、X5、X6、X7属于第二因子。表6旋转后的成分矩阵组件12X1-.534.579X2.107.939X3.979-.074X4.882-.247X5.943.042X6.974-.136X7.976.038由此可见，本文主要分离出两个主要的影响因素，即由X1、X2组成的财政影响因素，以及由X3、X4、X5、X6、X7组成的货币环境。值得一提的是，由本文实证分析得到的两个影响因素，与本文一开始指标集确立的两个大的影响因素是一致的。这表明，人为的定性分析具有一定的理论与实际意义。3.4ARIMA模型预测下面，本文通过计算因子得分，来预测2019年度的金融稳定情况。下表为本文2002年度至2018年度的因子得分。其中，因子总得分的计算方式为：，式中，为因子总得分，为各项因子得分，为各项因子的权重。权重即“总方差解释表”中的初始特征值。表7因子得分表年份F1因子得分F2因子得分总得分2002-1.58298-1.82989-1.63212003-1.3574-0.69541-1.225692004-1.155920.58241-0.810072005-1.13325-0.18624-0.944842006-1.108230.50478-0.787312007-0.680341.96047-0.154932008-0.296961.532290.0669812009-0.12663-1.61961-0.4236720100.212420.429650.25563920110.474121.30390.6392120120.57065-0.194410.41843620130.78459-0.094580.60967420140.77691-0.252150.57217220150.95562-0.629630.64022520161.09711-0.37230.80476220171.26047-0.441170.92191820181.309820.001881.049597 为了直观地看出这17年间因子总得分的变动情况，本文将年份与因子总得分制作二维图像，如下图所示：图1因子得分变化图 由图中可以看到，这17年间，我国的宏观金融稳定性不断提升。但由于2008年度的国际金融危机的国际金融环境的影响，我国宏观金融稳定性有一个大幅度的下滑，在之后便稳步上升。本文采用ARIMA模型预测2019年度的宏观金融稳定性。首先应进行平稳性检验。本文的原始数据和一阶差分数据均无法通过平稳性检验，而二阶差分后，可以通过平稳性检验，且自相关图拖尾，偏自相关图二阶截尾，如下图所示：图1自相关、偏相关图 因此，根据ARIMA（p，q）模型的定义，本文属于AR（2）模型。通过拟合，本文得到的AR模型的系数与t统计量的值如下图所示：图1AR模型回归结 由此可见，AR模型的系数分别为-0.668000和-0.748385，且t统计量p值均通过检验。通过计算，得到2019年度的预测值的二阶差分值为0.0308，一阶差分值为0.15848，预测值为1.20808，比2018年增长13.85%。因此，可以得到2019年度我国金融稳定性将进一步增强的结论。4结论与展望4.1研究结论 本文通过收集2002年至2018年的年度数据，通过因子载荷分析，找到了影响中国宏观金融稳定性的两个重要因素：财政环境和货币环境。并通过ARIMA模型对2019年度的中国宏观金融稳定性进行了预测，得到了2019年中国宏观金融稳定性将进一步增强的结论。本文具有重要的理论意义和实践意义，填补了中国宏观金融稳定性研究的空白。4.2对策与建议 1、保持财政环境稳定。必须提高政策的有效性和灵活性，继续实施“减税降费”政策，统筹规划，保持较大的支出力度。2、保持货币政策稳定。正如《中华人民共和国中国人民银行法》的规定，我国货币政策的目标是：保持货币币值稳定，并以此促进经济增长。实施积极稳妥的货币政策，以此促进宏观金融稳定。3、继续维持较好的基本面，增强市场信心，以此促进未来更长一段时间的宏观金融稳定。4.3论文展望 本文通过因子载荷分析和ARIMA模型分析了中国宏观金融稳定的影响因素，并预测了2019年度中国宏观金融的稳定性。本文具有较强的理论意义和实际意义。 限于篇幅和时间，本文只收集了2002至2018年度的数据，且只进行了因子分析和ARIMA预测。未来，本文可通过收集更多的数据，来证明结论的有效性。本文也可将目光放在中国各个省份的金融稳定性的研究，比较影响各个省份金融稳定性的因素有何不同。同时，也可以尝试多种预测模型，通过分析和比较，找到较好的适合预测中国宏观金融稳定性的模型。参考文献[1]王磊.房地产价格波动对金融稳定的影响研究[D].武汉，武汉理工大学，2013.[2]徐国梁.湖南农村金融稳定性的测度及影响因素探究[D].湖南，中南大学，2014.[3]纪鸿超.金融不稳定条件下的中国金融改革分析[D].山东，山东大学,2014.[4]沈蕾.金融创新背景下中国金融稳定性研究[D].武汉，武汉理工大学,2012.[5]付卫艳.金融发展、金融稳定与经济增长的关联机制与实证分析[D].吉林，吉林大学,2014.[6]刘晓欣,雷霖.金融杠杆、房地产价格与金融稳定性——基于SVAR模型的实证研究[J].经济学家,2017(08):65-74.[7]印重.金融稳定、通货膨胀与经济增长[D].吉林，吉林大学,2014.[8]沈悦,郭培利.收入、房价与金融稳定性——源自异质面板门槛模型的解析[J].经济科学,2015,(6):38-50.[9]陈守东,王妍,唐亚晖.我国金融不稳定性及其对宏观经济非对称影响分析[J].国际金融研究,2013,(6):56-66.[10]方先明,谢雨菲,权威.影子银行规模波动对金融稳定的溢出效应[J].经济学家,2017,(01):81-89.[11]郭红兵,杜金岷.中国金融稳定状况指数的构建[J].数量经济技术经济研究,2014,(5):100-116.[12]CrockettA.TheTheoryandPracticeofFinancialStability[J].PrincetonEssaysinInternationalEconomics,1997,144(4):531-568.[13]AllenF,GaleD.CompetitionandFinancialStability[J].JournalofMoney,CreditandBanking,2003.[14]BergerAN,KlapperLF,Turk-ArissR.BankCompetitionandFinancialStability[J].JournalofFinancialServicesResearch,2009,35(2):99-118.[15]ShinHS.Securitisationandfinancialstability[J].TheEconomicJournal,2009,119(536):309-332.[16]WoodfordM.Inflationtargetingandfinancialstability[R].NationalBureauofEconomicResearch,2012.internationalreserves[J].AmericanEconomicJournal:Macroeconomics,2010,2(2):57-94.[18]AdrianT,ShinHS.Financialintermediaries,financialstability,andmonetarypolicy[J].FRBofNewYorkstaffreport,2008,(346).[19]UhdeA,HeimeshoffU.ConsolidationinbankingandfinancialstabilityinEurope:Empiricalevidence[J].JournalofBanking&Finance,2009,33(7):1299-1311.[20]DuffieD.Innovationsincreditrisktransfer:Implicationsforfinancialstability[R].2008.[21]QuintynM,TaylorMW.Regulatoryandsupervisor